目标检测系列之YOLOv4——速度与精度的平衡-平芜编程栈

前言：在目标检测领域，继Faster R-CNN这类高精度但相对复杂的双阶段检测器之后，以YOLO（You Only Look Once）系列为代表的单阶段检测器因其卓越的速度和良好的精度平衡，迅速成为工业部署的热门选择。YOLOv4于2020年发布，它并未提出全新的网络结构，而是像一个“模块缝合怪”，通过精妙地集成大量当时最先进（SOTA）的训练技巧和网络模块，在YOLOv3的基础上实现了显著的性能飞跃。

它的核心目标非常明确：让每个人都能用一块消费级GPU，训练出一个快速且高精度的目标检测器。本文将为你深入剖析YOLOv4的核心思想、架构创新、关键技术以及实践路径。

一、核心理念：目标检测的“积木”哲学

YOLOv4论文提出了一个清晰的框架，将所有改进策略分为两类，这种分类方式极具启发性，也成为了后续研究的重要参考：

Bag of Freebies (BoF - “免费午餐”)：指那些仅增加训练成本，但不会增加推理时间的技巧。简单来说，就是“训练时多花点时间，换来模型更强，但跑起来一样快”。主要包括：
- 数据增强：如Mosaic（四图拼接）、自对抗训练（SAT）等，大幅提升模型鲁棒性。
- 正则化：如DropBlock（比Dropout更有效的区域丢弃），防止过拟合。
- 损失函数：如CIoU Loss，更准确地指导边界框回归。
- 标签平滑：缓解模型对预测的“过度自信”。
Bag of Specials (BoS - “特色模块”)：指那些会轻微增加推理计算量，但能显著提升精度的插件式网络模块。即“用一点点速度，换一大截精度”。主要包括：
- 增强感受野模块：如SPP（空间金字塔池化），使网络能适应不同尺寸的输入并提取多尺度特征。
- 注意力机制：如SAM（空间注意力模块），让网络聚焦于重要区域。
- 特征融合模块：如PANet（路径聚合网络），优化多尺度特征融合路径。

YOLOv4的成功，很大程度上源于对这两大类“积木”的系统性筛选、优化与组合。

二、YOLOv4核心网络结构拆解

2.1 主干网络：CSPDarknet53

YOLOv4选用CSPDarknet53作为主干网络，替代了YOLOv3的Darknet53。CSP（Cross Stage Partial Network）结构的核心思想是“特征融合与梯度分流”，其主要改进点如下：

将主干网络的每个残差块拆分为两个部分，一部分继续进行残差连接，另一部分直接进行特征传递，实现梯度的“分流”，避免梯度消失问题；
通过跨阶段的特征融合，增强特征的表达能力，同时减少模型参数和计算量；
采用Mish激活函数（替代Leaky ReLU），Mish函数表达式为f(x) = x * tanh(softplus(x))，其在负区间仍有非零输出，能保留更多特征信息，提升模型的泛化能力。

CSPDarknet53的核心作用是提取图像的多尺度特征，为后续的目标检测提供丰富的语义信息和细节信息。

2.2 颈部网络：SPP + PANet

颈部网络的核心作用是“多尺度特征融合”，YOLOv4结合了SPP（Spatial Pyramid Pooling）和PANet（Path Aggregation Network）两种模块，大幅提升了对不同尺度目标的检测能力。

2.2.1 SPP模块

SPP模块最初由何凯明团队提出，其核心思想是对输入特征图进行不同尺度的池化操作（如1×1、5×5、9×9、13×13），然后将池化结果与原始特征图拼接，得到多尺度的特征信息。

在YOLOv4中，SPP模块接在CSPDarknet53的输出端，主要优势：一是能有效增大感受野，适配大目标检测；二是减少模型对输入图像尺寸的敏感性，提升模型的鲁棒性；三是通过多尺度池化融合，增强特征的多样性。

2.2.2 PANet模块

PANet最初是为实例分割设计的特征融合网络，YOLOv4将其引入颈部网络，替代了YOLOv3的FPN（Feature Pyramid Network）。相比FPN仅采用“自上而下”的特征融合，PANet增加了“自下而上”的特征路径，形成双向特征融合：

自上而下：将高层语义特征（适配大目标）传递至低层，补充低层的语义信息；
自下而上：将低层细节特征（适配小目标）传递至高层，补充高层的细节信息。

通过双向融合，PANet能更好地平衡不同尺度目标的特征表达，显著提升小目标和遮挡目标的检测精度。

2.3 检测头：YOLOv3 Head

YOLOv4的检测头沿用了YOLOv3的多尺度检测思路，通过3个不同尺度的特征图（13×13、26×26、52×52）分别检测大、中、小目标。每个特征图的每个网格预测3个锚框，每个锚框输出5个基本参数（x、y、w、h、置信度）和C个类别概率（C为数据集类别数）。

相比YOLOv3，YOLOv4对检测头的优化主要体现在：一是采用CIoU（Complete Intersection over Union）损失函数替代IoU损失，解决了IoU在目标不重叠时梯度为0的问题，提升了边界框回归的精度；二是引入标签平滑（Label Smoothing）技术，减少模型的过拟合风险。