YOLOv4为什么能把速度与精度做到极致？目标检测速度与精度的最优平衡 YOLO原理分析补天云计算机视觉技术原理解析

本博客由补天云计算机视觉实践撰写，是面向技术从业者的一篇原理向深度解读。本博客较长，建议收藏后分次阅读。

前言

YOLOv4 的核心思想，是把数据增强、损失函数、归一化等一系列已验证的方法，通过消融实验系统筛选并组合，构建出在单块普通 GPU 上即可训练、在常规显卡上实时运行、同时保持高精度的检测器，一举打破速度与精度难以兼得的旧局。

补天云计算机视觉实践在动手之前先把话说在前面：目标检测不是一个"越准越好"或"越快越好"的孤立问题，它永远是在成本、速度、精度三个维度上找平衡点。YOLOv4 之所以能成为一代经典，恰恰因为它把这种平衡做成了可复现、可工程化的系统方案，而不是靠堆算力硬撑出来的单点领先。下面我们就从"问题到底难在哪里"开始说起。

一、问题从哪来：实时检测到底难在哪里

补天云计算机视觉实践在跟一线工程师打交道时，经常听到这样的抱怨：模型在服务器上测出来的指标很好看，一放到生产环境就露馅。这其实不是某个模型不行，而是目标检测任务本身对"实时"和"精度"的需求，天然就是一对矛盾体。

先看应用侧。城市里到处是摄像头，想在视频流里找出空闲车位，需要的是一个精度尽量高、但速度慢一点也能接受的模型，因为停车这件事本身不要求毫秒级响应。反过来，车辆碰撞预警要求的是极致的速度，一个 60 毫秒以上的延迟都可能让一次预警失去意义，这时候宁可牺牲一部分精度也要把帧率顶上去。再把目光放到工业产线，检测一件产品上的缺陷，既要准又要快，还要能在现场那台并不算顶级的工控机上跑起来。这三类场景叠加在一起，就构成了一个很现实的命题：能不能有一类模型，既不用买好几张上万块的顶级显卡，又能在普通 GPU 上达到接近实时的速度，同时精度还拿得出手？

补天云计算机视觉实践把这个问题拆成三块来看。

第一块是推理成本。今天很多精度很高的检测模型，动辄就需要较大的显存和较强的算力，推理时更是慢得离谱。它们确实准，但准是以牺牲部署价值换来的，工业界用不起。

第二块是训练成本。不少前沿方法为了把精度刷上去，用上了跨卡同步批归一化（SyncBN）、超大 batch size，这意味着你必须准备一整个 GPU 集群才能完成训练。对于绝大多数做业务落地的团队来说，这一步就已经把门槛抬到了够不着的高度。

第三块是精度与速度的权衡方式。传统思路是"要么选快、要么选准"，很少有人在同一个框架里，把这两者同时往极致推。YOLOv4 的作者要挑战的正是这一点：能不能设计出一个检测器，训练只用一张普通的 1080Ti 或 2080Ti，推理在常规 GPU 上达到实时，精度还能压过当时大部分方法？

明确了这三块难处，下一步自然就是思考解法。补天云计算机视觉实践注意到，作者没有选择从零设计一套全新网络，而是走了一条更系统、也更聪明的路——把已经被证明有效的工程方法做一个大规模的"组合与验证"。这就是整篇著作的方法论根基。

二、解题思路：不造新轮子，做最系统的组合工程

补天云计算机视觉实践在阅读这篇著作时，印象最深的不是某个具体模块，而是作者那套"分类整理、逐个验证、按需取舍"的工程哲学。

他们把能提升检测精度的方法分成了两大类。

一类叫 Bag of Freebies（免费包），指的是那些只改变训练策略、只增加训练成本，但完全不增加推理开销的手段。比如数据增强、类别标签平滑、更好的边界框回归损失，都属于这一类。翻译成大白话就是：反正模型是离线训练出来的，那我多花点训练时间把精度榨出来，推理时一分钱都不多花，何乐而不为。

另一类叫 Bag of Specials（特惠包），指的是那些推理时只增加一点点成本、却能明显提升精度的插件模块和后期处理方法。比如扩大感受野的 SPP、引入注意力机制的 SAM、改进特征聚合的 PAN 等。这类东西相当于在模型里加一两个"小零件"，算力代价很小，收益却很实在。

这两类的边界划分，本身就是一个很有价值的认知框架。补天云计算机视觉实践认为，它能帮助我们在面对一个新方法时快速判断：它到底贵在训练阶段还是推理阶段？值不值得引入？这个判断框架放到今天依然不过时。

但光有分类还不够。作者真正下了功夫的地方，是在大规模数据集上把这些方法一个个组合起来做消融实验，用数据说话，而不是凭感觉拍脑袋。他们先在 ImageNet 上验证各种方法对分类器的影响，再在 MS COCO 上验证对检测器的影响。分类器上表现好的方法，未必适合检测器；检测器上有效的组合，也未必是单个方法各自有效的简单叠加。这种"先分类、再组合、后验证"的思路，正是这篇著作区别于一般工程博客的地方——它不是告诉你"我用了一堆 trick"，而是告诉你"为什么是这一堆，而不是那一堆"。

有了方法论，接下来就是落地的架构选择。补天云计算机视觉实践会带你一步步拆解 YOLOv4 的四大件：骨干网络、颈部网络、检测头，以及它们背后的设计考量。

三、整体架构：四大件的取舍背后全是权衡

YOLOv4 的整体结构并不复杂，一句话就能说清：用 CSPDarknet53 当骨干网络，接上 SPP 和 PANet 构成颈部，最后用 YOLOv3 的检测头做密集预测。但这一句话背后，是作者在"分辨率、层数、参数量、感受野"四个维度上反复权衡的结果。

先看骨干网络的选择。补天云计算机视觉实践要提醒大家注意一个反直觉的结论：分类任务上表现最好的网络，拿到检测任务上不一定是最优的。作者做了大量对比后发现，CSPResNeXt50 在 ImageNet 分类上的准确率比 CSPDarknet53 还高，但在 MS COCO 检测上，却是 CSPDarknet53 更胜一筹。

为什么会这样？原因在于检测器和分类器对网络的要求根本不同。检测器需要更小的输入图像也能看清多个小目标，所以输入分辨率要尽量高；分辨率一高，网络要覆盖整个物体及其上下文，感受野就得跟着变大；感受野变大，又意味着需要更多层、更多参数来承载不同尺寸目标的建模能力。CSPResNeXt50 只有 16 个 3×3 卷积层，感受野只有 425×425；而 CSPDarknet53 有 29 个 3×3 卷积层，感受野达到 725×725，参数量 27.6M，正好在"参数够多、感受野够大"的区间里。所以作者最终选了它当骨干，这不是随手的决定，而是对着表 1 里的数据一项项比出来的。

再来看感受野本身。补天云计算机视觉实践在这里多说两句，因为很多人对感受野的理解停留在"越大越好"。作者其实给出了三个层次：感受野大到能罩住物体，网络就能看到整个目标；大到接近输入尺寸，就能看到目标周边的上下文；如果继续超过网络尺寸，那增加的就只是图像点和最终激活之间的连接数，收益递减。所以感受野不是无限堆才好，而是要和你的目标尺度匹配。YOLOv3 里其实已经在用改进版的 SPP 来扩感受野，作者把它继承并强化，正是因为 SPP 用几个不同尺寸的池化核并行，能一次性把多尺度上下文都纳入进来，代价却微乎其微。

颈部网络的选择也有讲究。YOLOv3 用的是 FPN（特征金字塔），自上而下地把高层语义往下传；而 YOLOv4 换成了 PANet，额外加了一条自下而上的路径。为什么？因为 FPN 只解决了"高层特征往下传"，却没有把底层的位置信息充分送上去。PANet 在 FPN 的基础上补了一条从底到顶的捷径，让底层精细的位置信息和顶层丰富的语义信息在多个尺度上反复融合。补天云计算机视觉实践认为，这一步对检测小目标特别关键，因为小目标的位置信息恰恰主要存在于底层特征里。

检测头则沿用了 YOLOv3 基于 anchor 的密集预测头。这里作者没有追求那种标新立异的 anchor-free 方案，而是选择了成熟、稳定、已经在工业界验证过的路线。这也体现了整篇著作的务实基调：新技术再好，如果部署成本高、迁移困难，那它就不是当前任务的最优解。

架构定下来了，剩下的重头戏就是那些真正称得上"创新"的细节。下面补天云计算机视觉实践会按"为什么需要它、它具体做了什么、它凭什么能解决问题"这个思路，把每一项创新逐一道来。不过在进入细节之前，先带着读者完整走一遍 YOLOv4 处理一张图的流程，这样后面每一项技术放在哪里、起什么作用，就都一目了然了。

补天云计算机视觉实践把这张流程拆成四步。第一步是输入预处理，一张任意尺寸的图像会被缩放到一个固定的输入分辨率（比如 608×608），在做多尺度训练时，这个分辨率还会在一个范围内随机变化，好让模型适应不同尺度下的目标。第二步是特征提取，图像经过 CSPDarknet53 骨干网络，得到多个不同尺度的特征图，这些特征图从底到顶分别对应越来越大的感受野、越来越抽象的语义。第三步是特征融合，这一步由 SPP 和 PANet 承担：SPP 在骨干的某个深层位置用多尺寸池化把感受野进一步撑大，PANet 则在多个尺度之间做自上而下、再自下而上的双向融合，把底层位置信息和顶层语义信息揉到一块。第四步是密集预测，YOLOv3 检测头在融合后的多个尺度特征图上，用基于 anchor 的方式预测每个目标的类别、置信度和边界框坐标，最后经过解码和 DIoU-NMS 后处理，筛掉重复的框，输出最终的检测结果。

这么一梳理就能发现，YOLOv4 的每一个创新，都恰好嵌在这条流水线的某个环节上：Mosaic 和自对抗训练作用在第一步的数据端，CSP、Mish 作用在第二步的特征提取端，SPP、PAN、SAM 作用在第三步的融合端，CIoU、消除网格敏感、DIoU-NMS 作用在第四步的预测与后处理端。补天云计算机视觉实践认为，只有先建立这张全景图，后面再逐个看细节，才不会只见树木不见森林。

四、技术创新：每一个改动都要回答"为什么"

4.1 Mosaic 数据增强：四个图拼一张，上下文从此不再孤立

先来看数据增强。传统的 CutMix 是把两张图拼在一起，一张图的内容覆盖到另一张图的某个矩形区域，标签按照覆盖面积来折算。YOLOv4 在此基础上提出了 Mosaic，把两张图升级成了四张图。

补天云计算机视觉实践觉得，这个改动看起来只是"2 变 4"，背后的逻辑却完全不一样。四张图被缩放到不同的尺度，然后拼接成一张大图，意味着在训练的每一张图里，网络同时看到了四种不同的背景上下文、四种不同的目标尺度。以前一个物体出现在它"该出现"的地方，网络很容易靠上下文偷懒；现在同一个物体可能被随机拼到完全陌生的环境里，网络就不得不真正去学习物体本身的特征，而不是背景的线索。这直接提升了模型对"目标脱离常规上下文"场景的鲁棒性。

【Figure 3：Mosaic 数据增强示例】

Mosaic 还有一个常被忽略的好处，和批归一化有关。批归一化是在每个 batch 里统计激活值的均值和方差，batch 越大统计越稳定。但大 batch 需要大显存，单卡训练时往往喂不进去。Mosaic 一张图里装着四张不同图的统计信息，等于用一张图的显存，把 batch 的有效统计范围扩大了好几倍。作者特别强调，这显著降低了对大 mini-batch 的依赖，让单卡训练成为可能。补天云计算机视觉实践认为，这一点和整篇著作"让普通人用一块卡也能训练"的目标是高度一致的。

补天云计算机视觉实践还想把 Mosaic 为什么对检测特别有效再讲透一层。检测和分类的一个本质区别是，检测要同时应对"目标大小跨度极大"和"目标出现在哪里都合理"这两件事。Mosaic 用四张不同尺度的图拼成一张，等于在每张训练样本里都同时出现了大目标、小目标、以及它们被安放在陌生背景中的情况。这相当于隐式地做了多尺度训练和上下文打散，两件检测训练里很吃力的事，被一次数据增强顺手解决了。也正因如此，Mosaic 在消融实验里带来的 AP 提升是相当显著的，是 YOLOv4 众多增强手段里性价比极高的一个。

4.2 Self-Adversarial Training：让网络自己和自己"抬杠"

第二个新东西叫自对抗训练，思路非常有意思。传统对抗训练是你请一个额外的对抗网络来攻击你的模型；YOLOv4 的做法是让模型自己攻击自己。

整个过程分两个阶段。第一阶段，网络正常前向传播，但反向传播时更新的是输入图像，而不是网络权重。也就是说，网络会去"修改"原始图像，改到让模型自己都认不出上面有目标为止——相当于网络给自己设了一个骗局，把图改成"看起来根本没有检测对象"的样子。第二阶段，网络再拿这张被改过的图，用正常的方式去学习检测目标。

补天云计算机视觉实践用大白话翻译一下：第一遍让网络使劲"藏猫猫"，把目标藏到极难被发现；第二遍再让网络努力"找猫猫"，在这么刁钻的图上把它找出来。这样训练出来的模型，对遮挡、残缺、背景干扰的抵抗力会强很多。它和 Mosaic 一正一反，一个靠扩大上下文多样性，一个靠制造最难场景，共同把模型的泛化能力往上顶。

4.3 Cross mini-Batch Normalization：把归一化的统计范围玩明白

批归一化（BN）是让深层网络稳定训练的基石，但它有个老毛病：对 batch size 很敏感。batch 小了，统计出来的均值和方差波动大，训练不稳。单卡训练恰恰最容易遇到小 batch 的困境。

作者为此改造了两种已有的归一化方法。先说 CBN（跨迭代批归一化），它把统计范围从"当前这个 batch"扩展到了"过去几次迭代"，相当于借用了历史迭代的统计信息，这样即便单次 batch 很小，统计量也能足够稳定。但 CBN 有个隐患：它跨的是多次迭代，而每次迭代后权重都在变，用旧权重算出来的统计量去归一化新权重下的激活，多少有点"张冠李戴"。

YOLOv4 的做法是折中——CmBN，把跨迭代的范围限制在一个 batch 内部的几个 mini-batch 之间。这样既借到了更多样本的统计信息，又不会跨出当前权重有效的范围，算是在"统计更稳"和"权重不失配"之间找到了一个平衡点。补天云计算机视觉实践认为，这个细节恰恰是单卡训练能否成功的命门之一，因为它直接决定了你在单卡、小 batch 的条件下，网络还能不能稳定收敛。

【Figure 4：Cross mini-Batch Normalization（BN / CBN / CmBN 流程对比）】

4.4 Mish 激活函数：平滑、非单调、负区间不"一刀切"

激活函数的选择看似不起眼，实际影响很大。YOLOv3 用的是 leaky ReLU，负区间给一个很小的斜率，避免梯度完全消失，但它在零点处不连续、负区间是直线，表达能力有限。YOLOv4 换成了 Mish。

Mish 的数学形式是 x·tanh(softplus(x))，补天云计算机视觉实践不打算在这里堆公式，只讲它三个关键性质。第一，它在负区间不是简单的一条直线，而是保留了一部分负值并平滑地过渡，这让梯度在负半轴也有信息流动，缓解了 ReLU 一族在负区间的"神经元死亡"问题。第二，它是非单调的，也就是说输出值在局部会先降再升，这种非单调性让它在某些深层网络里比单调激活更容易传播梯度。第三，它是处处连续可导的，训练过程更平滑，不容易出现梯度剧烈跳变。

当然，作者也做了严格的对比实验，Mish 对检测器的提升是在 MS COCO 上实测出来的，不是拍脑袋。补天云计算机视觉实践想强调的是，激活函数这种"一个函数换另一个函数"的小改动，往往是投入产出比最高的优化，因为它的成本几乎为零，却能实实在在地改善梯度的传播质量。

4.5 CIoU 损失：边界框回归从"各管各的"到"整体建模"

边界框回归的损失函数，是整篇著作里技术含金量很高的部分。补天云计算机视觉实践带大家回顾一下演变过程。

最早的检测器用 MSE 直接回归框的中心坐标、宽和高。问题在于，这四个量是割裂的，网络分别去拟合它们，并没有把"框的整体形状"当成一个整体来考虑；而且 MSE 对尺度敏感，大框和小框同样的像素误差，对应的相对误差完全不一样。于是有了 IoU 损失，直接用预测框和真值框的交并比来度量，天然对尺度不敏感。但 IoU 有个缺陷：两个框如果没有交集，IoU 恒为 0，梯度直接消失，网络学不动。

接着是 GIoU，它额外引入一个能同时罩住两个框的最小外接框，用这个外接框的面积来"兜底"，让无交集的框也有梯度。再往后是 DIoU，它在 IoU 的基础上考虑了中心点之间的距离，把"两个框中心贴不贴得近"也纳入考量。而 YOLOv4 用的 CIoU，则是把这些维度一次收齐：既看重叠面积，又看中心点距离，还看长宽比。

补天云计算机视觉实践想指出的是，CIoU 的价值在于它把"框回归"从一个坐标拟合问题，重新理解成一个关于"两个矩形有多像"的几何问题。重叠面积反映位置重合度，中心距离反映偏移程度，长宽比反映形状相似度，三个维度合在一起，网络对边界框的回归就有了更完整的监督信号，收敛更快、定位更准。这个改动直接体现在消融实验里：在相同配置下，CIoU 的 AP 明显高于用 MSE、GIoU 或 DIoU 的版本。

补天云计算机视觉实践再往深里说一层。用 MSE 做框回归时，四个坐标被当成四个独立变量来拟合，网络根本不知道"框是一个整体"；而 IoU 家族把度量换成几何相似度之后，梯度信号和"框与框的贴合程度"直接挂钩，训练目标更贴近检测的最终评判标准。到了 CIoU，又额外处理了 GIoU 和 DIoU 各自照顾不到的短板：GIoU 在框互相包含时退化为 IoU，失去区分度；DIoU 没考虑长宽比，形状不匹配时收敛不够充分。CIoU 把这三个因子用合理的权重整合进同一个损失里，让每一种框的错位方式都有对应的梯度去纠正。这也提醒我们，边界框回归的关键不是堆叠指标，而是让每个被量化的维度都能转化成有效的学习信号。

4.6 消除网格敏感性：坐标解码里的小机关

这个创新名字听着晦涩，道理却很简单，是补天云计算机视觉实践特别想跟大家分享的一个"工程智慧"。

YOLOv3 预测目标中心时，是用 sigmoid 把输出压到 0 到 1 之间，然后加上网格的整数偏移。问题来了：sigmoid 在 0 和 1 附近非常"钝"，需要网络输出一个绝对值极大的数，才能让 sigmoid 的结果真正逼近 0 或 1。也就是说，当目标的中心恰好落在网格边缘时，网络要非常努力才能表达出"中心就在边界上"这个事实，训练起来很吃力。

YOLOv4 的解法朴素而有效：给 sigmoid 的输出乘上一个大于 1 的系数，让它在 0 和 1 附近变得"灵敏"一些，网络不用再输出巨大的值就能表达边缘位置。补天云计算机视觉实践认为，这种改动的美妙之处在于，它没有改变任何网络结构，只改了解码公式里的一个系数，却实实在在地缓解了网格边界处的定位困难。而且这个改动和 IoU 阈值、多 anchor 分配这些策略配合在一起，效果还能进一步放大——这再次印证了作者"组合工程"的哲学：单项改动或许不起眼，叠加起来就是质的飞跃。

4.7 CSP 跨阶段局部连接：让梯度别再"冗余搬运"

CSP（Cross Stage Partial）连接来自 CSPNet 的思想，YOLOv4 把它用在了骨干网络上。它的核心目的，是解决深层网络里一个隐蔽的浪费问题。

在传统残差网络中，每一层都会产生大量特征，而这些特征里有相当一部分是冗余的——很多梯度信息被反复复制、搬运，导致计算量虚高。CSP 的思路是把输入特征分成两部分：一部分走主干路径做密集的卷积运算，另一部分直接走捷径到后面再合并。这样既保留了残差连接的梯度传播优势，又避免了所有特征都参与全量计算，从而在几乎不损失精度的前提下，大幅削减了计算量和内存开销。

补天云计算机视觉实践要说的是，CSP 之所以重要，是因为它直接服务于"速度"这个目标。检测器要在普通 GPU 上跑实时，每一分冗余计算都是负担。CSP 让骨干网络在同样参数规模下算得更快，是把"速度"做上去的硬件层面的保障。

4.8 对 SPP、PAN、SAM 的三处改造：把别人的零件改成更趁手的样子

YOLOv4 还做了一件很务实的事：不照搬现有模块，而是针对检测任务的特性把它们改造成更适合自己的形态。

先看 SPP。作者没有用原版 SPP 那种把特征图压成一维向量的做法（那会破坏空间信息，无法用于全卷积检测网络），而是沿用 YOLOv3 里改进过的版本：用 1×1、5×5、9×9、13×13 四个不同尺寸的池化核并行做最大池化，再拼接起来。这样一次操作就把多尺度的感受野都纳入了进来，能显著扩大骨干特征的有效感受野，却几乎不增加计算量。

再看 PAN。原版 PANet 在做跨层特征融合时，用的是逐元素相加（addition）。YOLOv4 把它改成了通道拼接（concatenation）。为什么？因为相加是"把两个特征的信息压在一起"，会有信息损失；而拼接是"并排叠起来"，每一路的特征都被完整保留。补天云计算机视觉实践认为，在检测任务里，底层位置信息和顶层语义信息都很珍贵，用拼接能让后续的卷积层有更完整的原料去学习融合方式，而不是提前替它做决定。

最后是 SAM。原版 SAM 先用最大池化和平均池化把空间信息压缩，再通过卷积和 sigmoid 得到注意力权重。YOLOv4 把它从"空间注意力"改成了"逐点注意力"：直接对特征图做卷积得到权重，省掉了池化步骤。这样做的好处，一是保留了更细粒度的空间信息，二是实现更简单、推理更快。这几处改造单独看都不大，但合在一起，正是"特惠包"的精髓——用极小的推理代价，换实实在在的精度提升。

【Figure 5：改进的 SAM 模块（a）原版 SAM （b）YOLOv4 改进版】

【Figure 6：改进的 PAN 模块（a）原版 PAN 相加融合（b）YOLOv4 拼接融合】

4.9 遗传算法选超参数：把"调参"也变成自动化

最后一个创新点，是作者用遗传算法来自动搜索最优超参数。他们用 YOLOv3-SPP 当搜索载体，在验证集上跑了 300 轮，用遗传算法搜出了学习率、动量、IoU 阈值、损失归一化系数等一组较优的取值，比如学习率 0.00261、动量 0.949 这些。

补天云计算机视觉实践想强调的是，这件事的价值在于"可复现"。很多著作的超参数都是手工调出来的，别人很难照搬。作者把调参过程用遗传算法固化成了一套流程，让普通用户也能复现出接近著作的性能。这再次呼应了整篇著作的一贯目标——降低门槛，让每个人都用得起、训得出。

到这里，YOLOv4 的核心创新就都过了一遍。补天云计算机视觉实践把它们放在一起，给读者梳理成一张"为了什么、做了什么、解决什么"的对照关系：

Mosaic 与 SAT：解决数据多样性不足与目标脱离上下文的问题，撑起泛化能力；
CmBN：解决单卡小 batch 下归一化统计不稳的问题，撑起单卡训练；
Mish：解决梯度传播效率的问题，撑起训练稳定性；
CIoU 与消除网格敏感：解决边界框定位不准的问题，撑起回归精度；
CSP：削减冗余计算，撑起推理速度；
SPP / PAN / SAM 改造：扩大感受野、增强多尺度特征融合，撑起多尺度检测能力；
遗传算法：把超参数搜索自动化，撑起可复现性。

这张对照表，就是补天云计算机视觉实践眼中的 YOLOv4 全景图。

五、效果：落到数字上是什么水平

补天云计算机视觉实践把效果部分放在这里略作交代，因为数字本身不是本博客的重点，但需要用它们来确认前面所有设计没有白费。

在 MS COCO 数据集上，YOLOv4 输入 608×608 时，AP 达到 43.5%，AP50 达到 65.7%，同时在一张 Tesla V100 上能跑到约 62 FPS，在 Maxwell 架构的 GTX Titan X 上也有 23 FPS。对比之下，YOLOv3 在同样尺度下的 AP 是 33.0%，速度约 20 FPS。也就是说，YOLOv4 比 YOLOv3 在 AP 上提升了约 10 个百分点，速度还提升了约 12%。即便和当时精度同样很高的 EfficientDet 相比，YOLOv4 也在精度相近的前提下速度快出一大截，位于精度-速度权衡的帕累托前沿上。

【Figure 1：YOLOv4 与其他主流检测器在 MS COCO 上的速度-精度对比】

补天云计算机视觉实践想补充的一点是，作者特意在 Maxwell、Pascal、Volta 三代不同架构的 GPU 上都做了测速对比，而不是只挑最有利的硬件。这份细心让对比更公平，也让"单卡可复现"的承诺更可信。不过要说明的是，这些数字是当时时间点上的快照，后续的方法不断在刷新纪录，我们引用它们，只是为了验证设计逻辑的正确性，而不是为了证明 YOLOv4 永远第一。

六、局限与后续：这套组合工程留给我们什么

任何方法都有边界，补天云计算机视觉实践也把 YOLOv4 的局限如实交代一下。

其一，它仍是基于 anchor 的一阶段检测器，在小目标和密集场景下，定位精度与当时顶尖的两阶段或 anchor-free 方法相比，仍有差距，这一点从 AP75 这类偏严格的指标上就能看出来。其二，著作验证的许多方法是在特定数据集（MS COCO）上完成的，换到领域数据（如医学影像、卫星图）时，哪些组合仍然有效、哪些会失效，需要重新验证。其三，作者在著作结尾也坦言，他们计划继续扩充"免费包"的内容，说明这套组合工程本身还在生长，远未到终点。

但补天云计算机视觉实践更愿意强调的是，YOLOv4 真正的遗产是那套方法论：把一个检测器拆成骨干、颈部、头部，再给每个部分挂上"免费包"和"特惠包"，逐个验证、按需取舍。这套思路让后来者不再面对一团乱麻，而是有了清晰的改进路径。今天我们再看各种检测框架，几乎都能用这套框架去拆解和评估，这正是它超越版本本身的价值。

补天云计算机视觉实践还愿意把"局限"这件事放到更大的坐标系里看。任何一套在特定数据集上验证出来的方法组合，换到新的任务和新的数据分布时，都需要重新接受检验，这正是深度学习方法论里常被低估的一环。YOLOv4 的价值不在于是不是永远最准、永远最快，而在于它提供了一根可以照着复现、照着裁剪、照着扩展的"标尺"。对我们做工程的人来说，读懂这套标尺，比记住那组数字有用得多。

总结

补天云计算机视觉实践把这篇文章的主线再收拢一遍。YOLOv4 面对的真实难题，是精度、速度、训练成本三者之间的矛盾：高精度方法推理慢、训练贵，快方法又保不住精度。作者给出的答案不是某个石破天惊的新网络，而是一场极其系统的"组合工程"——先用"免费包/特惠包"把零散的方法归类，再通过大量消融实验验证每一种方法在分类器与检测器上的真实影响，最后把验证有效的手段精心组装到 CSPDarknet53 骨干、SPP 与 PANet 颈部、YOLOv3 检测头这一整套架构之上。

这些创新并非孤立炫技，每一个都精确地回应了一个具体痛点：Mosaic 与自对抗训练回应的是数据多样性与泛化，CmBN 回应的是单卡训练的归一化困境，Mish 回应的是梯度传播效率，CIoU 与消除网格敏感回应的是定位精度，CSP 回应的是冗余计算，SPP、PAN、SAM 的改造回应的是感受野与多尺度融合。环环相扣，共同把"实时"和"高精度"从对立面拉到了同一边。

如果说这篇著作给业界留下的最重要启示，补天云计算机视觉实践认为，是"性能来自系统化验证与组装，而不是单点灵感"。把已知的工具用对、用全、用出组合效应，往往比追逐一个全新的孤岛更可靠。YOLOv4 用一块普通 GPU 就能训练、用常规显卡就能实时运行的成果，正是这套方法论最好的注脚。今天再看，它的具体数值可能已被后来者超越，但它确立的分析框架与工程哲学，依然在影响着目标检测乃至更广泛的计算机视觉研究。希望本博客的拆解，能帮你真正看懂这个经典模型——不只是知道它用了哪些技术，而是理解它为什么这样选、这样组合。

换个说法再收束一次：YOLOv4 的真正创新，是把"高精度"与"实时性"这对长期对立的目标，用一套可验证、可复现的组合方法论重新统一起来，让普通硬件也能同时握住两者，为整个实时检测领域立起了一座新的能力标杆。

参考

YOLOv4: Optimal Speed and Accuracy of Object Detection

URL：https://arxiv.org/abs/2004.10934

本博客是对上述作者原创的技术解读，仅供学习交流，不代表原作者观点。本博客部分示意图来源于上述作者著作，版权归原作者所有。

本博客由补天云计算机视觉实践出品。若本博客对你有帮助，欢迎收藏、转发、点赞，也欢迎在评论区与我们一起探讨计算机视觉-语言预训练的更多可能。

YOLOv1-v10原理分析博客合集 https://gitcode.com/cvprofessional/

YOLOv4为什么能把速度与精度做到极致？目标检测速度与精度的最优平衡 YOLO原理分析补天云计算机视觉技术原理解析