1. 写在前面

YOLOv9的Loss计算与YOLOv8如出一辙，仅存在略微的差异。多说一句，数据的预处理和导入方式都是一样的。因此如果你已经对YOLOv8了解的比较透彻，那么对于YOLOv9你也只是需要多关注网络结构就可以。

YOLOv9本身也是Anchor-Free的，同样采用了解耦头。因此其损失计算的关键同样在于“对齐”，即通过TAL方法实现Ground Truth与Pred grid中的Cell进行对齐，然后计算Loss。

2. TAL

当前，基于CNN的目标检测算法基本都是在网络的后期阶段从特征图（Feature Map）中利用检测头进行分类和回归。YOLO系列也都遵循这个法则。

不同于早期的YOLOv3、TOLOv5等网络，YOLOX、YOLOv8以及本篇YOLOv9均采用了解耦检测头（Decoupled-Head），即将分类和回归视作两个独立的分支。

对Decoupled-Head类型的算法基本都有这么一种观念，就是不同任务间，用于分类和定位的Anchor（或乘坐Cell，指分类和回归前的特征图中的一个单元）往往不一致，需要经过对齐操作。所谓对齐，简单来看就是计算Loss时，将分类与回归所使用的预测Cell进行统一化。

TAL（Task Align Learning），最早出现在论文Task-aligned One-stage Object Detection中。改论文提供一种思想，即通过构建一种“对齐度量”，来统一分类和回归的Anchor，进而实现最终在推理时，获得一个更高得分的分类框以及更准确的定位框系数。

更通俗地讲，TAL就是给Feature Map中的每一个Cell(或称作Anchor)分配Ground Truth框。在这种前提下，有的Cell能够分配到Ground Truth框，有的Cell分配不到GT框。根据Feature Map与GT的分配情况，构建用于Loss计算的target_labels、target_bboxes和target_scores。

TAL的关键是构建一个对齐度量Align Metric，对齐度量的计算包含两个部分，首先是构建每个GT对应每个Cell的分类得分矩阵（张量）s，然后构建GT框与预测框的两两IOU（CIOU）u。之后通过如下计算，获得对应的对齐矩阵（Tensor），是为Align Metric。

其中s的获得依赖于预测的分类置信度信息，IOU信息依赖于GT与预测边框信息。二者结合，获得对齐度量矩阵。

3. 选取Cell

从早期的YOLO系列我们可知，并不是Feature Map上所有的Cell都参与计算Loss，因此选取哪些Cell参与计算也是关键的一环。

YOLOv9中，选取的是中心点落在GT框内的Cell参与Loss的计算。如下如所示，所有中心点位于GT框（蓝色）区域内的Cell（黄色标注）均参与计算Loss。

4. topK及二次筛选

标记与某个GT相匹配的Cell，获得shape(bs, n_max_boxes, num_total_anchors)的Tensor，标记的是用于预测某一个GT的Cell。如果某一个Cell参与预测某一个GT，那么该Cell的位置上被置1，否则置0。

需要注意的是，一个Cell只能用于预测一个GT。

官方代码工程中的select_topk_candidates函数即是完成这个任务。

之后经过IOU最大筛选后，会获得每一个Cell所匹配的GT情况。

5. 部分源代码解读

源代码中，比较难理解的就是TAL中计算对齐度量的部分，即如何获得表征GT与Pred之间的对齐关系Align Metric。

（1）get_box_metrics

该函数式TAL的关键，通过该函数我们将获得两个用于对齐的关系矩阵(Tensor)，分别是align_metric和overlaps。前者表示每一个GT与每一个Cell(对应网络输出的Feature Map)的匹配得分，overlaps则时GT与Cell的IOU（CIOU）。

我们通过如下计算方式获得align_metric。

这里的align_metric是一个对于预测的边界框和真实边界框进行对齐评估的度量。

这里：

bbox_scores代表边界框的得分，通常反映了模型对于其包含目标的置信度。

overlaps代表预测边界框与真实边界框之间的重叠度，常用IoU（Intersection over Union）来衡量。

self.alpha和self.beta是控制bbox_scores和overlaps在对齐度量中权重的超参数。

通过将边界框得分和重叠度的权重组合，align_metric提供了一个综合指标，用于评估预测边界框的质量。具体来说：

当alpha较大时，模型更重视边界框得分，即模型对自身预测的置信度。

当beta较大时，模型更重视与真实边界框的重叠度，即预测的准确性。

（2）select_candidates_in_gts

收集和标记那些中心点位于GT内的Cell。

我们需要知道，YOLOv9和YOLOv8类似，网络推导出来的是预测框的左上和右下相对于Cell中心点的距离（这一点与YOLOv3、YOLOv5不同）。