本文仅为笔者个人浅显的理解，如各位发现有误的地方欢迎指正。
一、概述
YOLO v4中，作者做了很多实验，把近年比较火的一些方法加入YOLO中，最终取得了速度和精度的提升。通过了解YOLO v4，我们就可以知道最近几年有哪些方法被提出来，整篇论文更像是一篇综述。
YOLO v4中使用的方法
加权残差连接（WRC）跨阶段部分连接（CSP）交叉小批量归一化（CMBN）自动对抗训练（SAT）MISH激活镶嵌数据增强CmBNDROPBOLD正则化CIOU损失目标检测算法比较
通过上图可以看出，在MSCOCO数据集上，YOLO v4和其它比较先进的目标检测算法比较，从速度和精度综合来看，明显优于其它算法。
目标检测器
一阶段、二阶段目标检测器的区别
YOLO v4中Neek使用的是PANet
目标检测主要分为以下三个支系（multi-stage系已被淘汰）：
二、Bag of freebies
只增加训练成本，但是能显著提高精度的一些方法
数据增强
光度畸变：调整亮度、对比度、色调、饱和度和噪声几何畸变：随机缩放、剪切、翻转、旋转风格迁移模拟遮挡
随机擦除，填充随机或互补的0值随机或均匀的选择图像中的多个矩形区域，并将其全部替换为0Feature map（特征图上进行数据增强）
DropOutDropConnectDropBlock结合多图像一起进行数据增强
MixUpCutMix图像风格迁移
使用图像风格迁移进行数据增强
BBox
YOLO v4使用了CIoU(Complete-IoU)作为Box回归函数，CIoU可以在BBox回归问题上获得更好的收敛速度和精度。
先计算两个框的最小闭包区域面积Ac(同时包含预测框和真实框的最小框的面积)，再计算出IoU，再计算闭包区域中不属于两个框的区域占闭包区域的比重，最后用IoU减去这个比重得到GIoU。
三、Bag of specials
只增加少量预测成本，但是能显著提高精度的一些方法
扩充接收域
SPPASPPRFB注意力机制
Squeeze-and-Excitation（SE） 可让ResNet50在分类任务上提高1%精度，但会增加10%的GPU推理时间Spatial Attention（SAM） 可让ResNet50在分类任务上提高0.5%精度，且不会增加GPU推理时间所以YOLO v4使用了Spatial Attention（SAM）这种方法
特征集成
早期：skip connetion、hyper-column融合不同特征金字塔的轻量级模型：SFAM、ASFF、BiFPN、SFAM激活函数
ReLU解决了tann和sigmoid的梯度消失问题 LReLU，PReLU，ReLU6，SELU，Swish，hard-Swish，Mish，其中Swish和Mish都是连续可微的激活函数
后处理方法
NMSSoft-NMS：解决对象遮挡问题DloU NMS：将中心点距离的信息添加到BBox筛选过程中YOLO v4用到的方法
Mish activation、CSP、MiWRC、SPP-block、SAM、PAN、DloU-MNS
四、网络结构的选择
神经网络用于图像分类的参数
backbone：CSPDarknet53additional module：SPPneck：PANethead：YOLOv3（anchor based）五、比较
各种目标检测模型和YOLOv4比较
