一、后处理策略革新：智能筛选最优预测框

后处理的核心目标是筛选出精准的预测框，YOLOv4 针对传统 NMS 的不足推出两项关键优化：

（一）DIOU-NMS：双重维度优化筛选逻辑

传统 NMS 仅以 IOU 值作为筛选依据，在密集目标场景中易误删相邻但不重叠的目标。DIOU-NMS 创新融入两框中心点距离参数，即便 IOU 数值较高，只要中心点间距达标仍会保留框体，成功破解密集目标检测的漏检难题。

（二）Soft-NMS：柔性策略减少误删

区别于传统 NMS 直接剔除高重叠框的刚性做法，Soft-NMS 采用 “置信度衰减” 替代 “直接删除”，对重叠框的置信分数进行梯度降低而非彻底舍弃。这种柔性处理能更全面保留密集场景中的有效目标框，显著提升检测召回率。

二、网络架构升级：Bag of Specials（BOS）核心优化

若数据增强是零成本提精技巧，BOS 系列则是以轻微推理损耗换取显著精度提升的关键设计，覆盖特征提取、注意力机制、特征融合等多个核心维度。

（一）特征提取强化：SPP 与 CSPNet 协同增效

SPPNet（空间金字塔池化）：打破 YOLOv3 输入尺寸固定的限制，通过多尺度最大池化操作，将不同尺寸的输入特征转化为统一维度，无需调整训练数据规格，既适配更多应用场景，又增强了特征表达能力。

CSPNet（跨阶段部分网络）：按通道维度拆分每个网络块的特征图，部分特征经瓶颈层计算，另一部分直接拼接至输出端。该设计在减少计算量的同时，强化了特征传播的连续性，提升模型学习效率。

（二）注意力机制：精准聚焦关键特征

YOLOv4 引入两种经典注意力模块，实现目标区域自动聚焦：

CBAM（卷积块注意力模块）：由通道注意力和空间注意力构成，分别优化特征图的通道权重与空间区域分布，突出关键特征并抑制冗余信息。

SAM（空间注意力模块）：简化 CBAM 的复杂结构，专注于空间维度的注意力分配，在保障检测精度的前提下降低计算开销，更适配实时检测需求。

（三）特征融合升级：PAN 双向路径设计

传统 FPN 仅采用自顶向下的特征传播方式，导致底层细节特征难以传递至顶层。YOLOv4 引入 PAN（路径聚合网络），新增自底向上的特征传播路径，构建双向融合体系：

顶层强语义特征向下传递，强化小目标检测能力；

底层高分辨率细节特征向上传递，提升定位精准度；

采用拼接（Concatenation）方式替代加法融合，最大限度保留特征信息的丰富性。

（四）激活函数与坐标回归优化

Mish 激活函数：取代传统 ReLU，其函数表达式为 f (α)=α・tanh (ln (1+e^α))，曲线更平滑，能更高效捕捉复杂特征，虽计算量略有增加，但精度提升效果显著。

消除网格敏感性：针对坐标回归预测值局限于 0-1 区间、边界位置难以精准表达的问题，在激活函数前引入大于 1 的系数，扩展预测范围，大幅提升边界框定位精度。

三、核心亮点总结

YOLOv4 的进阶优化始终围绕 “高效、精准、易部署” 三大核心目标展开：

损失函数实现从 IOU 到 CIOU 的递进式升级，彻底攻克边界框回归的核心痛点；

NMS 系列优化让后处理更具智能化，有效提升密集目标检测性能；

BOS 系列整合 CV 领域前沿技术，实现特征提取、注意力机制、特征融合的全方位升级；

所有优化设计均兼顾推理速度，且支持单 GPU 训练，显著降低部署门槛。