整个YOLOX源码的学习一定要按照以下顺序才能整体串起来：Backbone->FPN->Head->->数据读入源码->数据增强源码->loss计算源码->simOTA源码->demo.py脚本->train.py脚本。而该系列博文也遵循该顺序来逐行分析代码。注意是逐行，包括python语法，tensor维度和逐行代码的作用及应用。其实网络结构本没有任何神秘的地方，都是一些模块堆叠起来的，你完全可以没有任何理由的修改任何一个模块。看完这个系列后自己完全可以随便的去对任何网络结构做手脚，而不仅仅局限于一个调参者。
只有符合的标签匹配策略的样本才会定义为正样本，只有正样本所对应的特征图的像素才能够参与loss计算及反传。所以标签匹配策略是非常重要的，选择合适的正样本对精度提升至关重要。
本篇讲的是YOLOX中simOTA标签匹配策略，是YOLOX中loss反向传播的一部分，也是YOLOX提出的新思想。simOTA是YOLOX作者在OT策略上提出的简化(simplify)算法，其作用是为不同目标选择不同数量的正样本。在分析代码之前，首先需要对simOTA策略有清晰的认识，以下是simOTA算法的步骤流程分解：