0 前言
针对不同的分类，正负样本的概念有所不同：目标分类和目标检测
1 目标分类
目标分类中，二分类问题中正样本就是要检测的样本（即目标），相应的不是正样本就是负样本；
样本不均衡会导致比例比较大的样本过拟合，也就是说模型偏向于学习样本数量较多的，这就会大大降低模型的泛化能力。
2 目标检测
目标检测中正负样本指的是模型自己预测出来的框与GT的IoU大于你设定的阈值即为正样本，
首先，检测问题中的正负样本并非人工标注的那些框框，而是程序中（网络）生成出来的框框，也就是faster rcnn中的anchor boxes以及SSD中在不同分辨率的feature map中的默认框，这些框中的一部分被选为正样本，一部分被选为负样本，另外一部分被当作背景或者不参与运算。
不同的框架有不同的策略，大致都是根据IOU的值，选取个阈值范围进行判定，在训练的过程中还需要注意均衡正负样本之间的比例。
对于目标检测算法，主要需要关注的是对应着真实物体的正样本，在训练时会根据其loss来调整网络参数。相比之下，负样本对应着图像的背景，如果有大量的负样本参与训练，则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。
YOLO则不是使用预设的纵横比和尺度的组合，而是使用k-means聚类的方法，从训练集中学习得到不同的Anchor。
(21条消息) YOLO-----关于正负样本、Loss、IOU、怎样去平衡正负样本的问题？_划水的鱼儿的博客-CSDN博客
参考连接
https://mp.weixin.qq.com/s/nihy8ZbDTC-fNTfc3grmpg