一文读懂 YOLOv4：兼顾速度与精度的目标检测王者

shimeng121381027

919人浏览 · 2025-10-20 13:48:09

shimeng121381027 · 2025-10-20 13:48:09 发布

一、YOLOv4 整体亮点：亲民且强大

YOLOv4 在目标检测领域有着鲜明的优势，最突出的就是 “亲民政策”—— 仅用单 GPU 就能完成训练，且训练效果出色，大大降低了设备门槛，让更多开发者能参与到模型应用中。

从性能来看，在精度与速度的平衡上，YOLOv4 表现亮眼。从 PPT 中的对比图能看到，它在 FPS（帧率）和精度指标上，全面超越 YOLOv3，同时优于 ASFF、Center Mask 等模型，甚至在部分场景下可与 EfficientDet 媲美，真正实现了 “Optimal Speed and Accuracy”。

此外，YOLOv4 的工作量极大，做了全面的消融实验，几乎涵盖了当时能尝试的改进方向，从数据到网络设计，细节打磨十分到位，延续了 YOLO 系列 “细致” 的特点。

二、核心优化思路：两大核心方法

YOLOv4 主要从两个层面进行改进，双管齐下提升模型性能。

数据层面：通过各类数据增强手段，扩充训练数据的多样性，让模型在更复杂的场景下也能准确检测，比如 Mosaic 拼接、Random Erase 等。
网络设计层面：优化网络结构和损失函数，增强特征提取能力和定位精度，例如引入 SPPNet、CSPNet，以及改进的 IOU 损失系列。

三、关键技术细节：Bag of Freebies（BOF）

BOF 是指只增加训练成本，不影响推理速度，却能显著提升精度的方法，是 YOLOv4 精度提升的重要助力。

1. 数据增强：让训练数据 “更丰富”

Mosaic 数据 augmentation：参考 CutMix，将四张图像拼接成一张进行训练，能让模型同时学习多个场景的特征，提升泛化能力。
Random Erase：用随机值或训练集的平均像素值替换图像的部分区域，模拟图像局部缺失的情况，增强模型对局部遮挡的鲁棒性。
Hide and Seek：根据概率随机隐藏图像中的一些补丁，迫使模型关注图像更广泛的区域，而非依赖局部特征。
Self-adversarial-training（SAT）：通过给图像引入噪音点，增加训练难度，让模型在复杂干扰下仍能准确检测目标。

2. 网络正则化：避免模型 “过度自信”

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，让模型学习更全局的特征。
Label Smoothing：缓解神经网络过拟合问题。例如原本标签为（0,1），经过处理后变为（0.05, 0.95），降低模型对标签的 “绝对信任”，使簇内特征更紧密、簇间特征更分离。

3. 损失函数：解决 IOU 痛点

传统 IOU 损失缺陷：当预测框与真实框无交集时，IOU 值为 0，无法计算梯度；且相同 IOU 值无法反映预测框与真实框的实际位置差异。
GIOU 损失：引入能包裹预测框与真实框的最小封闭形状 C，通过计算 C 与预测框、真实框交集的占比，解决无交集时梯度为 0 的问题。
DIOU 损失：在 IOU 基础上，加入预测框与真实框中心点欧式距离的计算，直接优化两者距离，提升定位速度，同时解决 GIOU 的部分缺陷。
CIOU 损失：进一步考虑目标框的长宽比，综合重叠面积、中心点距离、长宽比三个几何因素，让损失计算更贴合目标检测的实际需求。

四、关键技术细节：Bag of Specials（BOS）

BOS 会增加少许推断代价，但能大幅提升模型精度，主要通过优化网络细节实现。

1. 特征提取优化

SPPNet：通过多尺度最大池化，让不同输入大小的特征图最终能输出一致的特征，无需在训练时频繁改变输入数据大小，提升特征提取的灵活性。
CSPNet：将每个 block 的特征图按 channel 维度拆分为两部分，一部分正常经过网络层，另一部分直接拼接至 block 输出，减少计算量的同时，增强特征传递。

2. 注意力机制

SAM（空间注意力机制）：聚焦图像中对检测有用的空间区域，忽略无关背景，提升特征的有效性。
CBAM（卷积块注意力模块）：结合通道注意力和空间注意力，先筛选重要通道特征，再聚焦关键空间区域，进一步优化特征提取效果。YOLOv4 中的空间注意力模块在 CBAM 基础上简化，平衡精度与速度。