YOLOv4 核心内容笔记
一、Bag of Specials（BOS）深化：PAN 网络与结构优化
作为 BOS（轻微增加推理成本、显著提升精度）的核心模块，PAN（Path Aggregation Network）是对传统 FPN 的关键改进，重点解决 “底层特征向上传递不充分” 的问题，是 YOLOv4 特征融合的核心架构。
1. 从 FPN 到 PAN 的演进逻辑
| 对比维度 | FPN（Feature Pyramid Network） | PAN（Path Aggregation Network） |
|---|---|---|
| 特征传递方向 | 仅自顶向下（高层特征向低层传递，补充语义信息） | 双向传递（自顶向下 + 自底向上） |
| 底层信息利用 | 底层细节特征（如小目标边缘、纹理）传递到高层时损耗大 | 新增自底向上路径，底层信息直达高层，减少损耗 |
| 路径设计 | 单一长路径（如 ResNet 的 100 层级路径） | “主路径 + 捷径”：红色长路径（如 ResNet 多层）保障语义提取，绿色短路径（仅几层）加速底层信息传递 |
| 特征融合方式 | 以 “加法（addition）” 为主，易丢失细节特征 | YOLOv4 中改为 “拼接（concatenation）”，完整保留不同层级特征的通道信息，融合效果更优 |
2. PAN 的核心价值
解决小目标检测痛点：底层特征（含小目标关键细节）能高效传递到高层网络，避免因路径过长导致的特征衰减。
平衡语义与细节：自顶向下传递高层 “语义信息”（判断 “是什么”），自底向上传递低层 “细节信息”（定位 “在哪里”），二者结合提升定位精度。
二、激活函数创新：Mish
YOLOv4 引入 Mish 激活函数，替代传统 ReLU，核心目标是提升特征表达的 “平滑性” 与 “丰富性”，尤其适配目标检测中复杂场景的特征提取。
1. Mish 的核心特性
公式定义：f(x)=x⋅tanh(ln(1+ex))
与 ReLU 的关键差异：
ReLU：硬截断（x<0时输出 0），易丢失负区间特征信息，导致梯度断层。
Mish：连续光滑（无硬截断），负区间输出非零值（如x=−2时f(x)≈−0.5），能保留更多边缘、纹理等弱特征，更贴合自然图像的特征分布规律。
性能权衡：计算量略高于 ReLU，但实验显示能带来精度提升（尤其在复杂场景下），属于 “轻微成本换显著收益” 的 BOS 优化。
三、定位精度优化：消除网格敏感性（Eliminate Grid Sensitivity）
针对 YOLO 系列 “网格边界处目标定位难” 的固有问题，YOLOv4 提出针对性解决方案，核心是突破坐标回归的 “0-1 数值限制”。
1. 问题根源
YOLO 模型通过网格划分图像，目标中心坐标回归值默认限制在[0,1]（表示目标中心在所属网格内的相对位置）。但当目标中心靠近网格边界（如相邻网格的交界处）时，需预测接近 1 或 0 的极端值，易导致梯度更新缓慢，定位精度下降。
2. 解决方案
在坐标回归的激活函数前，引入一个大于 1 的系数（如 1.5），公式调整为：g(z)=1.5⋅z（z为回归原始输出）
效果：将坐标预测范围从[0,1]扩展到[0,1.5]，覆盖网格边界外的邻近区域，无需预测极端值即可精准定位边界处目标，显著缓解网格敏感性问题。
四、YOLOv4 整体网络架构（前 25 页核心模块整合）
PPT 15-25 页明确了 YOLOv4 的 “分层架构” 逻辑，各层均整合前文提到的 BOF/BOS 优化模块，形成 “高效特征提取 - 精准特征融合 - 稳健目标检测” 的完整链路。
1. 架构分层与核心模块对应
| 架构层级 | 核心功能 | 所用关键模块 |
|---|---|---|
| Backbone（骨干网络） | 提取图像多尺度基础特征（从低层细节到高层语义） | - CSPResNet/CSPDarknet：通过特征分路 + 拼接，减少计算量、保留关键特征- Mish 激活函数：提升特征表达平滑性- DropBlock：区域化正则化，缓解过拟合 |
| Neck（颈部特征融合） | 融合不同层级特征，平衡语义与细节 | - SPPNet：多尺度池化，统一特征尺寸，增强全局特征提取- PAN：双向特征传递，底层细节 + 高层语义高效融合（拼接方式） |
| Head（检测头） | 输出目标类别、置信度、坐标 | - 改进型坐标回归：消除网格敏感性（系数调整）- CIOU 损失：结合重叠面积、中心点距离、长宽比，优化定位损失- DIOU-NMS/Soft-NMS：减少误删、漏检，优化目标筛选 |
2. 架构设计核心思路
模块化整合：将 BOF（如 Mosaic、Label Smoothing、CIOU）与 BOS（如 PAN、Mish、SPP）模块拆解到架构各层，确保每个环节都有针对性优化。
单 GPU 适配：所有模块设计均考虑计算效率，避免过度复杂的结构（如未用多分支大模型），确保单 GPU 可训练且推理速度达标。