---

前言

目标检测作为计算机视觉领域的核心任务之一，旨在从图像或视频中精确定位并识别出特定目标的类别与位置。随着深度学习技术的快速发展，基于卷积神经网络（CNN）的目标检测算法在精度和效率上取得了显著突破。其中，YOLO（You Only Look Once）系列模型因其“单阶段检测”的设计理念和实时性优势，成为工业界与学术界广泛关注的研究热点。

自YOLOv1提出以来，该系列算法通过迭代优化网络结构、损失函数与训练策略，持续平衡检测速度与精度之间的矛盾。2020年发布的YOLOv4在继承YOLO框架高效特性的基础上，引入CSPDarknet53主干网络、Mish激活函数、SPP模块（Spatial Pyramid Pooling）等创新设计，结合马赛克数据增强（Mosaic Augmentation）和自对抗训练（SAT），显著提升了模型对小目标与复杂场景的适应性。与此同时，YOLOv5作为非官方但广泛应用的改进版本，凭借其模块化架构设计、自适应锚框计算和高效的训练-推理流程，进一步降低了模型部署门槛。其采用PyTorch框架实现，支持灵活的参数调整与模型轻量化（如YOLOv5s/m/l/x版本），在保证实时性的前提下优化了检测精度。

YOLOv4与YOLOv5的并行发展体现了目标检测领域的两大技术方向：前者侧重于通过严谨的算法优化与理论验证提升模型性能上限，后者则聚焦于工程实践中的易用性与部署效率。二者的对比研究不仅有助于深入理解单阶段检测器的优化路径，也为实际应用场景（如自动驾驶、工业质检、安防监控等）中的模型选型提供了重要参考。本文将从算法原理、性能指标、应用场景等方面系统分析YOLOv4与YOLOv5的技术特点，探讨其优势与局限性，以期为相关研究与工程实践提供理论依据和技术指导。

---

一、yolo-v4的改进之数据增强

1、Bag of freebies(BOF)

Bag of freebies 指的是那些不增加模型复杂度，也不增加推理的计算量,通过改进模型和数据的预处理，来提高模型的准确度。
只增加训练成本，能显著提高精度，并不影响推理速度
数据增强可以调整亮度、对比度、色调、随机缩放、剪切、翻转、旋转

网络正则化的方法有Dropout、Dropblock等，可以通过设计损失函数解决类别不平衡的问题。

2、马赛克数据增强

方法很简单，参考cutmix然后四张图像拼接成一张进行训练

3、Random erase

用随机值或训练集的平均像素替换图像的区域。

4、Hide and Seek

根据概率设置随机隐藏一些补丁

5、Self-adversarial-training(SAT)

通过引入噪声点来增加数据维度

二、yolo-v4中的网络正则化

1、Dropout

2、DropBlock

DropBlock是谷歌在2018年提出的一种用于卷积神经网络（CNN）的正则化方法。这是一种用于解决过拟合问题的技术，在训练神经网络时非常有用。过拟合问题是指在训练集上表现很好，但在测试集上表现不佳的问题。
相比于传统的Dropout技术，DropBlock不是随机屏蔽掉一部分特征（注意是对特征图进行屏蔽），而是随机屏蔽掉多个部分连续的区域。这种方法有助于减少神经网络中的冗余连接，从而提高模型的泛化能力。

三、标签平滑

神经网络最大的缺点就是容易过拟合，对于神经网络的标签为0和为1但是实际神经网络的预测始终不能达到0和1，所以，此处我们做标签平滑处理。

四、yolo-v4损失函数的改进

1、IOU损失函数

没有相交则IOU=0无法计算梯度，相同的IOU反应不出实际情况。

2、GIOU损失

引入了最小封闭形状C（C可以把A,B包含在内），在不重叠的情况下能让预测框尽可能朝着真是框前进

3、DIOU损失

其中分子计算预测框与真实框的中心点欧式距离d，分母是能覆盖预测框与真实框的最小BOX的对角线长度c,此方法直接优化距离，速度更快，并解决GIOU

4、CIOU损失

损失函数必须考虑三个几何因素：重叠面积，中心点距离，长宽比，其中a可以当做权重参数。