前言理论详解：YOLO-V3-SPP详细解析该函数需要了解dataloader那边筛选出来的gt，即build_targets函数compute_loss主要讲解model的pred和筛选的gt进行loss

yolov5核心代码理解:anchor匹配策略-跨网格预测，compute_loss(p,targets,model)和build_targets(p,targets,model)理解本文主要讲述yolov5anchor

#这里na为锚框种类数nt为目标数这里的na为3，nt也为3na,nt=self.na,targets.shape[0]#numberofanchors,targets#类别边界盒索引锚框tcls,tbox,indices,anch=[],[],[],[]#利用gain来计算目标在某一个特征图上的位置信息，初始化为1gain=torch.ones(7,device=targets.device)#

build_target函数是将box标签和anchor进行匹配，其中FPN特征图为三层，分别为降采样8，16，32，代码展示与解释如下：defbuild_targets(p,targets,model):#Buildtargetsforcompute_loss(),inputtargets(image,class,x,y,w,h)获取yolov5网络输出det=model.module.mode

的版本，且注释更全github:https://github.com/Laughing-q/yolov5_annotationsYOLOV5general.py注释与解析yolov5其他代码解析暂时只做了build_targets

build_targets()函数的作用：找出与该gtbox最匹配的先验框（anchor）下面的代码调试均是将train函数中的batchsize设置为2进行的，且每张数据集图片中只有一个目标为了更方便直观的理解代码

接上篇yolov5之anchor匹配策略(build_targets)分析(1)gxy=t[:,2:4]#gridxygxi=gain[[2,3]]-gxy#inverse#这两个条件可以用来选择靠近的两个邻居网格

这里我们实际推演一下yolov5训练过程中的anchor匹配策略,为了简化数据和便于理解，设定以下训练参数。输入分辨率(img-size)：608x608分类数(num_classes)：2batchsize：1网络结构如下图所示:defbuild_targets(pred,targets,model):"""pred:type(pred):"""#p:predict,targets:gt#Bui

文章目录build_targets作用注意可视化结果过程详细代码解读准备第一遍筛选扩增正样本Referencebuild_targets作用build_targets函数用于网络训练时计算loss所需要的目标框

//github.com/ultralytics/yolov5参考文献：https://www.cnblogs.com/pprp/p/12590801.html感谢知乎网友：Ancy贝贝重要的代码块在build_targets

//github.com/ultralytics/yolov5参考文献：https://www.cnblogs.com/pprp/p/12590801.html感谢知乎网友：Ancy贝贝重要的代码块在build_targets