一、YOLOv4 结构
YOLOv4 网络模型由CSPDarknet53特征提取网络、PANet（PathAggregation Network，路径聚合网络）、SPP（Spatial Pyramid Pooling，空间金字塔池化）等组成，并引入了 Mish激活函数、自对抗训练（Self-adversarial training）、实现速度和准确性的良性结合，YOLOv4 的网络结构如下图所示。
YOLOv4 合并了 CSPNet（Cross Stage Partial Networks，跨阶段部分连接网络）来当作其特征提取网络，解决了其他大型卷积神经网络中梯度信息重复的问题，从而在精度和速度方面取得了不错的效果。
CSPDarknet53 是 YOLOv4 模型的主体，用于提取目标特征，由 CSP和 Darknet-53 构成。完成目标的提取后，需要对提取的目标进行融合，YOLOv4 特征融合网络包括 SPP 与 PANet。
SPP 网络位于特征提取网络CSPDarknet53 之后，使用了四种不同比例的最大池化来处理输入的特征图，其功能是使卷积神经网络的输入不受固定大小的限制。
YOLOv4 使用了 PANet 网络，它在 SPP 网络之后，即在 FPN 网络自底向上的结构中添加自顶向下的结构，充分利用浅层特征，针对不同的检测器层次，融合不同主干层的特征，进一步提高特征提取能力。
二、YOLOv4 损失函数
损失函数为深度学习的核心组成模块，其功能大致分为以下两个方面：其一是在训练过程中根据损失函数的分布曲线判断训练成果；二是判断真实结果与预测结果的差值。YOLOv4 网络的损失函数如下式所示。
根据提供的文件内容，YOLOv4的损失函数由三部分组成，分别是IOU损失（ciou）、置信度损失（conf）和类别损失（class）。具体的损失函数定义如下：
-
IOU损失（ciou） ：
L I O U = α ( v I O U − 1 D ) 2 L_{IOU} = \alpha \left( v_{IOU} - \frac{1}{D} \right)^2 LIOU=α(vIOU−D1)2其中，$ v_{IOU} 是通过坐标框 是通过坐标框 是通过坐标框(x, y, w, h) 计算得出的预测框与真实框的交并比 计算得出的预测框与真实框的交并比 计算得出的预测框与真实框的交并比IOU ， ， ，D 是两个框体中心点的距离， 是两个框体中心点的距离， 是两个框体中心点的距离，\alpha$是用于平衡损失函数中各项权重的超参数。
-
置信度损失（conf） ：
L c o n f = ( 1 − λ ) I B E S T [ σ ( t ) − C g t ] 2 + λ I O B J [ 1 − σ ( t ) ] 2 L_{conf} = \left(1 - \lambda \right) I_{BEST} \left[ \sigma(t) - C_{gt} \right]^2 + \lambda I_{OBJ} \left[ 1 - \sigma(t) \right]^2 Lconf=(1−λ)IBEST[σ(t)−Cgt]2+λIOBJ[1−σ(t)]2其中，$ I_{BEST} 是指示函数，当预测框与真实框的 I O U 最大时为 1 ，否则为 0 ； 是指示函数，当预测框与真实框的IOU最大时为1，否则为0； 是指示函数，当预测框与真实框的IOU最大时为1，否则为0；C_{gt} 是真实框的置信度标签； 是真实框的置信度标签； 是真实框的置信度标签；\sigma(t) 是预测框的置信度；是 是预测框的置信度；是 是预测框的置信度；是I_{OBJ} 指示函数，当预测框包含目标时为 1 ，否则为 0 ； 指示函数，当预测框包含目标时为1，否则为0； 指示函数，当预测框包含目标时为1，否则为0；\lambda$是用于平衡正负样本权重的超参数。
-
类别损失（class） ：
L c l a s s = 1 − P g t ⋅ log ( P ) L_{class} = 1 - P_{gt} \cdot \log(P) Lclass=1−Pgt⋅log(P)其中， P g t P_{gt} Pgt是真实框的类别概率， P P P是预测框的类别概率。将这三部分损失函数组合起来，得到YOLOv4的总损失函数：
L o s s = L I O U + L c o n f + L c l a s s Loss = L_{IOU} + L_{conf} + L_{class} Loss=LIOU+Lconf+Lclass
这个损失函数的设计旨在优化目标检测模型在预测框的定位精度、置信度评分以及类别预测上的性能。通过最小化这个损失函数，YOLOv4模型能够在训练过程中学习到更准确的目标检测能力。
三、YOLOv4使用的激活函数
Mish激活函数是一种自门控的激活函数，它结合了ReLU和Sigmoid的优点，能够在不同输入范围内提供非线性激活。Mish激活函数在YOLOv4中使用，旨在提高模型的性能和泛化能力。
M i s h ( x ) = x ⋅ tanh ( log ( 1 + e x ) ) Mish(x) = x \cdot \tanh(\log(1 + e^x)) Mish(x)=x⋅tanh(log(1+ex))
四、YOLOv4 和 YOLOv3 的差异
2020 年 4 月 23 日年 YOLOv4的问世，改变了 YOLOv3 对小目标检测的问题，使检测更加准确。
YOLOv4 相对于 YOLOv3 在输入端引入了 Mosaic 数据增强，在骨干网络中使用不包含全连接层的 CSPDarknet53 模块结构，并使用特征金字塔（Feature Pyramid Networks，FPN）和路径聚合（Path Aggregation Network，PAN）结构进行信息传递与融合。
训练方面，损失函数由 YOLOv3 的二分交叉熵损失函数变为 CIoU_Loss，对损失函数进行优化有助于网络模型在规定的周期内进行局部寻优。
激活函数方面，将 YOLOv3 使用的 Leaky ReLU 激活函数改为 Mish 激活函数。
检测方面，预测框筛选策略由传统的 NMS 变为 DIoU_NMS，不仅考虑了 IoU 的数值，还考虑到了预测框中心点之间的距离关系。
五、往期回顾
yolo入门教程：《吐血录制，yolo11猫狗实时检测实战项目，从零开始写yolov11代码》，视频全程25分钟。
（1）yolo11猫狗实时检测实战项目，从零开始写yolov11代码
（2）yolo实战：从零开始学yolo之yolov1的技术原理
（3）YOLOv1训练过程，新手入门
（4）YOLOv2和yolov1的差异
（13）10张结构图，深入理解YOLOv11算法各个模块
高清视频，3分钟揭秘神经网络技术原理
