YOLO 系列算法深度剖析：从 v3 到 v5 的演进

一、YOLOv3：架构优化与性能提升

（一）Darknet-53 骨干网络

Darknet-53 拥有 53 个卷积层，在图片分类训练集上训练时输入图像尺寸为 256x256，用于 YOLOv3 时输入尺寸是 416×416。相比同期的 ResNet-101、ResNet-152，它效果更好且运行速度快。这得益于其独特设计，没有最大池化层，下采样通过卷积层实现，且卷积核个数较少，参数和运算量小。同时，残差网络的应用有效解决了深层网络的梯度消失、爆炸及性能退化问题。

（二）网络模型与训练细节

YOLOv3 输入 416x416 的图像，预测出 52×52、26×26、13×13 三个特征层，在每个特征层上使用 3 个预设边界框尺寸，共 9 个 anchor boxes（基于 COCO 数据集聚类得到） 。训练时，正负样本匹配规则为：与 ground truth 的 iou 值最大的预测框或 anchor 是正样本；iou 值大于设定阈值（原论文为 0.5）但非最大的忽略；小于阈值的为负样本。非正样本仅存在置信度损失。

（三）损失函数

损失函数由目标定位偏移量损失、目标置信度损失和目标分类损失组成。坐标损失用误差平方和，类别损失采用二值交叉熵。通过平衡系数调整各部分损失权重，让模型在训练中更好地学习目标定位、置信度和分类信息。

（四）小目标检测改进

相比 YOLOv1，YOLOv3 对小目标检测效果更好。这是因为其扩充了预测框数量，增加了 grid cell 个数，采用多尺度预测（类似 FPN 结构），改进了损失函数（惩罚小框项），优化了网络结构（骨干网络与跨层连接），还使用了更合理的正负样本定义和标签方式。

二、YOLOv4：多方面创新优化

（一）改进方法分类

1. Bag of freebies（BoF）：主要改变训练策略或增加训练成本，但不影响测试性能。包括数据预处理（光度和几何畸变、Mosaic 数据增强等）、模拟对象遮挡（random erase、CutOut 等方法）、采用 DropBlock regulari