YoloV5中loss由正样本和负样本两部分loss组成，负样本对应着图像的背景，如果负样本远多于正样本，则负样本会淹没正样本的损失，从而降低网络收敛的效率与检测精度。这就是目标检测中常见的正负样本不均衡问题，解决方案之一是增加正样本数。
Yolo anchor_based 系列使用的loss公式如下：
公式中：
正样本采样
Yolov5算法使用如下3种方式增加正样本个数：
(1) 跨anchor预测假设一个GT框落在了某个预测分支的某个网格内，该网格具有3种不同大小anchor，若GT可以和这3种anchor中的多种anchor匹配，则这些匹配的anchor都可以来预测该GT框，即一个GT框可以使用多种anchor来预测。
具体方法： 不同于IOU匹配，yolov5采用基于宽高比例的匹配策略，GT的宽高与anchors的宽高对应相除得到ratio1，anchors的宽高与GT的宽高对应相除得到ratio2，取ratio1和ratio2的最大值作为最后的宽高比，该宽高比和设定阈值（默认为4）比较，小于设定阈值的anchor则为匹配到的anchor。
计算例子：
anchor_boxes=torch.tensor([[1.25000, 1.62500],[2.00000, 3.75000],[4.12500, 2.87500]])gt_box=torch.tensor([5,4]) #注意此处是具体值，不是5行4列ratio1=gt_box/anchor_boxesratio2=anchor_boxes/gt_boxratio=torch.max(ratio1, ratio2).max(1)[0]print(ratio)anchor_t=4res=ratio