一、YOLOv4 整体概况
YOLOv4 在目标检测领域兼顾速度与精度，核心优势是支持单 GPU 训练，降低了设备门槛。其核心改进思路围绕两大层面展开，分别是数据层面的优化和网络设计层面的升级，同时通过全面的消融实验验证了各模块效果。
从性能表现来看，在 FPS（帧率）与精度的权衡上，YOLOv4 表现出色。例如在 V100 显卡上，其精度优于 YOLOv3、ASFF 等模型，同时能保持较好的实时检测能力（real-time），在同类目标检测模型中处于领先梯队。
二、核心改进：Bag of Freebies（BOF）
BOF 类方法仅增加训练成本，不影响推理速度，却能显著提升模型精度，主要涵盖数据增强、网络正则化和损失函数优化三大方向。
（一）数据增强
- 基础增强手段：通过调整图像亮度、对比度、色调，以及随机缩放、剪切、翻转、旋转等操作，扩大训练数据的多样性。
- Mosaic 数据增强：参考 CutMix 思路，将 4 张图像拼接成 1 张进行训练，丰富了图像背景和目标分布，提升模型对复杂场景的适应能力。
- 其他增强方式
- Random Erase：用随机值或训练集平均像素值替换图像的部分区域。
- Hide and Seek：按概率随机隐藏图像中的一些补丁，迫使模型关注更多关键特征。
- Self-adversarial-training（SAT）：通过引入噪音点增加训练难度，提升模型的鲁棒性。
（二）网络正则化
- DropBlock：区别于传统 Dropout 随机丢弃单个点，DropBlock 会丢弃图像中的一个区域，能更有效地防止模型过拟合，保留特征的空间关联性。
- Label Smoothing：缓解模型过拟合问题。例如将原本（0,1）的标签调整为（0.05, 0.95），避免模型对预测结果过度自信，使类别簇内更紧密、簇间更分离。
（三）损失函数优化
YOLOv4 针对传统 IOU 损失的缺陷，逐步优化损失函数，具体演进如下：
| 损失函数 | 核心改进 | 解决的问题 |
|---|---|---|
| IOU 损失 | 以预测框与真实框的交并比为核心计算损失 | 无相交时 IOU=0，无法进行梯度计算；相同 IOU 值无法反映预测框与真实框的实际位置差异 |
| GIOU 损失 | 引入能包含预测框与真实框的最小封闭形状 C | 在预测框与真实框无重叠时，仍能引导预测框向真实框移动 |
| DIOU 损失 | 计算预测框与真实框中心点的欧式距离 d，并结合最小封闭形状对角线长度 c | 直接优化中心点距离，加快收敛速度，解决 GIOU 在某些场景下优化效果不佳的问题 |
| CIOU 损失 | 同时考虑重叠面积、中心点距离和长宽比三个几何因素 | 进一步提升边界框回归精度，更贴合目标检测的实际需求 |
此外，在目标框筛选阶段，YOLOv4 还改进了 NMS（非极大值抑制）：
- DIOU-NMS：不仅考虑 IOU 值，还结合两个框中心点的距离，能更合理地剔除冗余框。
- Soft-NMS：不直接剔除低置信度框，而是降低其置信分数，避免误删重叠的目标框，更 "柔和" 地筛选目标。
三、核心改进：Bag of Specials（BOS）
BOS 类方法会增加少量推断代价，但能显著提升模型精度，主要聚焦于网络结构的细节优化，包括特征提取、注意力机制和特征融合等方向。
（一）特征提取优化
- SPPNet（Spatial Pyramid Pooling）：通过多尺度最大池化，使不同输入大小的图像能输出一致的特征，无需在训练时调整输入数据大小，提升模型适应性。
- CSPNet（Cross Stage Partial Network）：将每个 block 的特征图按 channel 维度拆分为两部分，一部分正常通过网络，另一部分直接拼接至 block 输出，减少计算量的同时保留关键特征。
（二）注意力机制
- SAM（Spatial Attention Module）：空间注意力机制，通过对特征图的通道进行最大池化和平均池化，聚焦图像中的关键空间区域，提升目标区域的特征权重。
- CBAM（Convolutional Block Attention Module）：结合通道注意力和空间注意力，先对通道维度筛选重要特征，再对空间维度聚焦关键区域，进一步增强有效特征的表达。
- YOLOv4 专属空间注意力模块：简化了传统注意力机制的结构，在保证精度提升的同时，降低计算复杂度，加快推理速度。
（三）特征融合优化
PAN（Path Aggregation Network）：在 FPN（自顶向下特征融合）的基础上，增加自底向上的路径，使底层细节特征更容易传递到顶层，同时通过拼接（而非加法）的方式融合特征，保留更丰富的特征信息，提升小目标检测能力。
（四）激活函数与坐标回归优化
- Mish 激活函数：公式为\(f(\alpha)=\alpha \cdot \tanh(\ln(1+e^\alpha))\)，相比 ReLU 更符合实际数据分布，能提升模型效果，但会增加少量计算量。
- 消除网格敏感性：在坐标回归预测值的激活函数前添加一个大于 1 的系数，解决目标处于 grid 边界时，需要极大数值才能表示边界的问题，提升坐标回归精度。
四、学习总结
YOLOv4 的核心价值在于 "集大成" 与 "实用性"：它整合了近年来目标检测领域的诸多优秀技术，同时通过单 GPU 训练的设计降低了使用门槛。其改进逻辑清晰，从数据层面提升模型泛化能力，从网络层面优化特征提取与融合，最终实现了速度与精度的平衡，成为目标检测领域的经典模型之一，也为后续 YOLO 系列模型的发展奠定了基础。