YOLOv4：目标检测界的 “集大成者”

从 YOLOv1 的实时突破，到 v2 的精度追赶，v3 的多尺度检测，YOLO 系列一直在 “快” 和 “准” 之间找最优解。

一、先聊整体：YOLOv4 的 “三个关键标签”

YOLOv4 的三个核心优势 ：

1. 单 GPU 友好：之前很多 SOTA 模型需要多 GPU 集群训练，YOLOv4 全部实验用单 GPU 完成，普通开发者也能复现，门槛极低；
2. 速度与精度双优：看 PPT 里的性能图就知道 —— 在 V100 显卡上，YOLOv4 的 mAP 远超 YOLOv3，甚至比 EfficientDet（以精度见长）还高，同时保持实时速度（FPS≈45），真正做到 “又快又准”；
3. 细节拉满的 “整合大师”：作者把 2019 年前后的优秀技术（数据增强、损失函数、特征融合）全部做了消融实验，挑出最优组合，相当于 “帮你把近 3 年的检测论文精华过了一遍”。

二、核心方法论：Bag of Freebies（BOF）—— 只加训练成本，不耗推理速度

YOLOv4 的第一个核心是BOF（免费午餐）：这些方法只增加训练时的计算量，训练完后完全不影响推理速度，却能大幅提精度。简单说就是 “训练时多花点时间，推理时一点不耽误”。

1. 数据增强：让模型 “见多识广”，不怕小目标和遮挡

数据增强是 BOF 的核心，YOLOv4 用了 4 种关键方法，解决了小目标少、数据多样性不足的问题：

• Mosaic（马赛克增强）：把 4 张不同的图拼接成 1 张（像拼马赛克），再标注合并后的目标。解决的问题：单张图里目标更多，尤其是小目标（比如 4 张图里的小昆虫拼在一起，模型能多学小目标特征）；同时场景更复杂，模型泛化能力更强。
• Random Erase（随机擦除）：随机选图像的一块区域，用随机值或数据集平均像素值覆盖。作用：模拟物体被遮挡的场景（比如猫被桌子挡住一半），让模型不依赖完整目标也能识别。
• Hide and Seek（藏猫猫）：按概率随机隐藏图像里的多个小补丁。作用：比 Random Erase 更细粒度，强迫模型关注目标的关键部位（比如识别狗时，即使藏了耳朵，也能通过身体识别）。
• Self-adversarial Training（SAT，自对抗训练）：先让模型对图像加 “对抗噪音”（比如把猫的边缘模糊），再用加噪后的图训练模型 “纠错”。作用：相当于给模型 “出题刁难”，让它在有干扰的情况下也能准确识别，抗噪声能力更强。

2. 网络正则化：防止模型 “自负”，避免过拟合

模型训练时容易 “死记硬背” 训练数据（过拟合），YOLOv4 用两种方法让模型 “谦虚一点”：

• DropBlock（块 dropout）：之前的 Dropout 是随机删单个像素，DropBlock 直接删一整块区域（比如 16×16 的补丁）。为什么更好？目标检测需要 “局部特征关联”（比如识别车需要车轮 + 车身一起看），删单像素影响小，删整块能强迫模型学习更分散的特征，避免依赖某一块区域。
• Label Smoothing（标签平滑）：把绝对的标签（比如 “猫 = 1，狗 = 0”）改成柔和的标签（比如 “猫 = 0.95，狗 = 0.05”）。解决的问题：模型不会对预测结果 “过度自信”（比如预测猫的概率是 0.999，其实可能是过拟合），让类别边界更清晰，泛化能力更强。

3. 损失函数演进：从 “看重叠” 到 “看全局”，解决框不准问题

目标检测的核心是 “框准目标”，而损失函数决定了模型 “怎么学框的位置”。YOLOv4 把损失函数从 IOU 一路升级到 CIoU，每一步都在补前一代的坑：

• 原始 IOU 损失：用 “预测框与真实框的交集 / 并集” 计算损失，缺点很明显 —— 如果框不重叠，IOU=0，模型无法计算梯度，根本不知道往哪调；
• GIoU 损失：引入 “最小封闭框 C”（能把预测框和真实框都包起来的最小矩形），损失 = 1-IOU + (C - 并集面积)/C。改进点：即使框不重叠，也能通过最小封闭框计算损失，模型知道往 “缩小 C” 的方向调；
• DIoU 损失：在 GIoU 基础上，加了 “中心点距离”—— 损失 = 1-IOU + (中心点距离 ²)/(C 的对角线 ²)。改进点：GIoU 还会让框绕着真实框转，DIoU 直接优化中心点距离，框调整更快更准；
• CIoU 损失：最终版！再加 “长宽比”—— 损失 = 1-IOU + 中心点距离项 + α× 长宽比项（α 是权重）。改进点：同时考虑 “重叠面积、中心点距离、长宽比” 三个几何因素，完全贴合真实框的形状，框的定位精度直接拉满。

4. NMS 改进：从 “硬删” 到 “软调”，减少漏检

NMS（非极大值抑制）是用来 “去重重复框” 的，但传统 NMS 太 “暴力”—— 只要 IOU 超过阈值，就直接删掉框，容易漏检重叠目标。YOLOv4 用了两种更柔和的 NMS：

• DIOU-NMS：不只用 IOU 判断，还看 “中心点距离”—— 即使 IOU 高，只要中心点离得远，也不删框。效果：比如两个并排的人，传统 NMS 可能删一个，DIOU-NMS 能都保留，召回率提升；
• Soft-NMS：不直接删框，而是降低重叠框的置信度（比如 IOU 越高，置信度降越多）。效果：避免 “误删”，比如被遮挡的小目标，置信度降低但不会被删掉，后续还能被检测到。

三、进阶技巧：Bag of Specials（BOS）—— 加一点推理成本，换大幅精度提升

如果说 BOF 是 “免费午餐”，那 BOS 就是 “性价比很高的加餐”—— 只增加一点点推理时的计算量，却能让精度再上一个台阶。这些方法主要优化 “特征提取” 和 “特征融合”，是 YOLOv4 精度飙升的关键。

1. SPPNet（空间金字塔池化）：让小目标 “不丢失特征”

YOLOv3 训练时需要固定输入尺寸，小目标容易被池化 “磨平” 特征。YOLOv4 加入 SPP：

• 原理：在 backbone 的最后一层，用不同大小的池化核（比如 13×13、9×9、5×5、1×1）对特征图池化，再把结果拼接。
• 作用：不管输入图像多大，都能提取多尺度特征，尤其是小目标的细节特征，不会被大池化核 “吃掉”。

2. CSPNet（跨阶段部分网络）：减计算量，保特征

YOLOv4 的 backbone 用了 CSPDarkNet53，核心是 CSP 结构：

• 原理：把特征图按通道拆成两部分，一部分走正常的残差块（ResBlock），另一部分直接 “抄近路” 拼到输出端。
• 作用：既保留了完整特征（抄近路的部分），又减少了计算量（只用一半特征走残差块），速度更快，同时精度不丢。

3. 注意力机制：让模型 “盯紧关键部位”

注意力机制在 CV 里的作用是 “让模型把注意力放在有用的特征上”，YOLOv4 用了两种：

• SAM（空间注意力）：对特征图的 “空间位置” 加权 —— 比如识别猫时，给猫的身体区域高权重，背景区域低权重；
• CBAM（卷积块注意力）：比 SAM 多了 “通道注意力”—— 比如识别车时，给车轮、车窗对应的通道高权重，无关通道低权重。
• 效果：模型不会 “瞎看”，特征利用率更高，小目标和遮挡目标的识别率提升。

4. PAN（路径聚合网络）：双向特征融合，比 FPN 更强

之前的 FPN 是 “自顶向下” 传特征（高层语义特征往下传），但底层细节特征（比如小目标的边缘）传不上去。YOLOv4 用 PAN 做了改进：

• 原理：不仅 “自顶向下” 传语义特征，还 “自底向上” 传细节特征，双向融合。
• 作用：高层知道 “这是什么”（比如是猫），底层知道 “在哪”（比如猫的位置），两者结合，框更准，小目标也能认出来。

5. Mish 激活函数：比 ReLU 更 “温柔” 的非线性

YOLOv3 用 ReLU 激活函数，它在负区间直接输出 0，会 “切断” 梯度。YOLOv4 用 Mish：

• 公式：Mish (x) = x × tanh (ln (1+e^x))
• 特点：在负区间不是 0，而是平滑下降，梯度更连续，模型能学到更细的特征。
• 效果：mAP 比 ReLU 提升 1% 左右，虽然计算量稍增，但性价比极高。

6. 消除网格敏感性：让框 “能贴紧边界”

YOLO 系列一直有个问题：如果目标中心在两个网格边界，模型很难预测准确位置（需要很大的偏移量）。YOLOv4 的解决方法：

• 在坐标预测的激活函数前，加一个大于 1 的系数（比如 1.05），让偏移量范围从 0-1 稍微扩大，覆盖网格边界区域。
• 效果：目标在边界时，框也能准确对齐，不会 “偏出” 或 “缩进去”。

四、整体架构：YOLOv4 的 “三层结构”

把上面的模块拼起来，YOLOv4 的整体架构其实很清晰，分三层：

1. Backbone（ backbone）：CSPDarkNet53负责提取图像特征，用 CSP 结构减少计算，Mish 激活函数提升特征质量；
2. Neck（颈部）：SPP + PANSPP 做多尺度池化，PAN 做双向特征融合，把高低层特征捏合在一起；
3. Head（头部）：YOLO 检测头还是经典的网格预测，用 CIoU 损失和 DIOU-NMS 优化框的精度，输出类别和位置。

五、总结：YOLOv4 的 “遗产” 与启示

YOLOv4 不是 “颠覆者”，却是 “完美的整合者”—— 它证明了 “把现有技术做透、做优” 也能达到 SOTA。它的贡献不止是一个好模型，更是一套 “目标检测优化方法论”：

• 对开发者：单 GPU 训练降低门槛，让普通人也能玩得起高精度检测；
• 对技术：BOF 和 BOS 的分类，为后续模型（比如 YOLOv5、v7）提供了优化框架；
• 对实践：数据增强、损失函数、特征融合的组合，至今仍是目标检测的 “标配操作”。