由于yolov3作者退出yolo算法更新，但并没有停止对yolo的改进。2020年yolov4发出，并得到原作者的肯定。yolov4论文中做了非常多的消融实验进行对比，使用很多的训练策略，在精度上面对比yolov3有比较大的提升。
论文下载地址：https://arxiv.org/pdf/2004.10934
论文代码地址：https://github.com/AlexeyAB/darknet
1、简介
首先来看一下yolov4在coco数据集上的AP值，保证了速度的同时，提到了进度。对比yolov3提升了接近10%的AP值，可以看出yolov4的效果是非常的不错，而对比efficientDet虽然精度低，但是在速度上远超过它，能够达到实时检测的效果。
yolov4是做了哪些改进，使得它的效果提升这么明显，同样，我们先从网络架构、训练策略、数据处理方面进行分析。首先网络架构上，backbone使用CSPDarknet53，neck部分使用PAN特征融合，head和yolov3类似，采用一个1x1卷积输出。训练策略上使用BoF和BoS，BoF就是不增加网络本身的成本进行改进，也就是数据增强，BoS就是改变网络架构，向网络中加入一些模块从而提高网络能力。
2、网络架构
2.1backbone：
为什么要使用CSPDarknet53，作者做了实验，其中CSPDarknet53在检测上面有优势，也就是特征提取能力强，同时它的感受野大，参数量大对模型的学习能力强。
同时，在CSPDarknet53添加了SPP模块，为了进一步的扩大网络的感受野，降低信息丢失。
2.2neck和head：
在neck部分没有使用yolov3中的FPN而是采用PANet作为参数聚合的方式，其中a为FPN，a和b加起来就是PAN，对比FPN多加了一轮下采样。而head和yolov3一样
但是在yolov4的PAN中使用的是concat，而不是add
从上面两个部分构成了yolov4的网络结构
3、训练策略
2.1、BoF和BoS
激活函数使用Mish，IOU Loss使用CIoU，数据增强使用Mosaic、正则化使用DropBlock、归一化采用CmBN、标签平滑处理等。这一系列的改进策略，
作者通过以上的实验来进一步证明所使用的策略的有效性。yolov4当中主要是提出相关的策略，并基于yolov3的基础进行改进。
推荐大家看一下这位大佬的博客详解：