在目标检测任务中，标签分配起着关键的作用，其目的是将样本划分成正样本和负样本，然后与GT之间计算loss，决定模型如何学习和收敛。

标分配策略，是一个预定义的规则，能够分配每个anchor的正负，也就是一个gt会对应多个anchor。 常用的label assignment是Max IOU Assign，具体流程：

根据标签是否非负即正负分为硬标签分配和软标签分配两大类。

硬标签分配方法主要利用预设框或预测框与gt框比较的结果区分正负样本，样本非负即正。根据正负样本阈值是否动态变化，硬标签分配方法细分为静态和动态两类。

硬标签分配本质上不区分训练过程中不同质量的预测框，即样本非负即正。

软标签分配方法会基于预测结果与真实框计算软标签和正负权重，在选侯正样本（一般为落在GT内点）的基础上根据正负权重潜在分配正负样本和计算损失，且会在训练过程中动态调整软标签和正负权重，如GFL、VFL、TOOD、DW等。

根据是否有预测结果参与，标签分配方法分为基于先验和基于预测两类。