当前位置：首页 > ds >正文

YOLOv4 训练与推理流程详解

ds 2025/7/2 19:04:52

✅ YOLOv4 训练与推理流程详解

一、前言

YOLOv4 是目标检测领域的一次重要升级，由 Alexey Bochkovskiy 等人在论文《YOLOv4: Optimal Speed and Accuracy of Object Detection》中提出。它在保持高精度的同时，兼顾了实时性，是工业界广泛使用的模型之一。

本文将：

📌 依据 YOLOv4 的原始论文和开源实现；
🧪 使用一个构造的真实数据样例；
🚀 模拟完整的 YOLOv4 的训练与推理过程；

二、YOLOv4 的核心改进回顾（来自论文）

改进	内容
主干网络	CSPDarknet53（引入 Cross Stage Partial Connections）
特征融合	PANet（Path Aggregation Network）
自适配训练策略	Mosaic 数据增强 + SAT（自适配训练）
损失函数	CIoU Loss + DIoU NMS
多尺度预测	输出三个层级的边界框（80×80、40×40、20×20）

✅ 所有内容均来自论文原文或 AlexeyAB/darknet 开源实现。

三、假设的数据集样例

我们构造一个小型的真实数据集样例用于说明训练与推理流程。

📦 数据集描述：

图像尺寸：608 × 608（YOLOv4 默认输入）
类别数量：2 类（person, car）
Anchor Boxes 数量：9 个（每层 3 个）
标注格式：PASCAL VOC XML（归一化坐标）

🧾 示例图像标注（ground truth）：

<object><name>person</name><bndbox><xmin>100</xmin><ymin>150</ymin><xmax>200</xmax><ymax>300</ymax></bndbox>
</object><object><name>car</name><bndbox><xmin>250</xmin><ymin>100</ymin><xmax>350</xmax><ymax>200</ymax></bndbox>
</object>

四、YOLOv4 的训练流程详解（基于真实论文与 Darknet 实现）

✅ 来源依据：

YOLOv4: Optimal Speed and Accuracy of Object Detection (论文原文)
AlexeyAB/darknet 开源实现

⚙️ Step 1: 数据预处理

🔁 输入图像处理：

调整为固定大小：608 × 608（默认值）；
归一化像素值到 [0, 1] 区间；

🧮 边界框处理：

将 (xmin, ymin, xmax, ymax) 转换为 (x_center, y_center, width, height)，并归一化到 [0, 1]；

示例转换结果：

image_size = 608
person_bbox = [150 / 608, 225 / 608, 100 / 608, 150 / 608]  # x_center, y_center, w, h
car_bbox = [300 / 608, 150 / 608, 100 / 608, 100 / 608]

📌 数据增强方式（Mosaic）：

Mosaic 是 YOLOv4 中首次引入的重要增强方式；
随机拼接 4 张图像为一张图，提升小物体识别能力；
在训练时启用（默认），无需手动关闭；

⚙️ Step 2: Anchor Box 分配（正样本划分）

YOLOv4 使用 K-Means 对 COCO 数据集中的真实框聚类得到的 9 个 anchors，按层级分配如下：

层级	Anchors
大目标（20×20）	[116×90, 156×198, 373×326]
中目标（40×40）	[30×61, 62×45, 59×119]
小目标（80×80）	[10×13, 16×30, 33×23]

🧠 正样本匹配逻辑如下：

对每个 ground truth 框，计算其与所有 anchor 的 IoU，并选择 IoU 最大的那个作为正样本 anchor。

from yolov4.utils import compute_iou, match_anchor_to_gtanchors = [(10, 13), (16, 30), (33, 23),(30, 61), (62, 45), (59, 119),(116, 90), (156, 198), (373, 326)]gt_boxes = [[0.25, 0.38, 0.17, 0.25],  # person[0.50, 0.17, 0.17, 0.17]]  # carpositive_anchors = match_anchor_to_gt(gt_boxes, anchors)

输出示例（简化表示）：

[{"anchor_idx": 0, "layer": 2, "grid_cell": (30, 20)},  # person → 小目标层 anchor 0{"anchor_idx": 4, "layer": 1, "grid_cell": (10, 5)}     # car → 中目标层 anchor 4
]

⚙️ Step 3: 构建训练标签（Label Assignment）

YOLOv4 的输出是一个张量：

[batch_size, H, W, (B × (5 + C))]

其中：

H × W：特征图大小（如 20×20、40×40、80×80）
B = 3：每个位置预测的 bounding box 数量
5 + C：每个 bounding box 的参数（tx, ty, tw, th, confidence, class_probs）

🧪 示例标签构建（以小目标层为例）：

label_80x80 = np.zeros((80, 80, 3, 5 + 2))  # 2 类：person, car# 在 person 对应的 grid cell 和 anchor 上填充真实值
label_80x80[20, 30, 0, :4] = [0.25, 0.38, 0.17, 0.25]  # tx, ty, tw, th
label_80x80[20, 30, 0, 4] = 1.0  # confidence
label_80x80[20, 30, 0, 5] = 1.0  # person 类别置信度# 在 car 对应的 grid cell 和 anchor 上填充真实值
label_40x40[5, 10, 1, :4] = [0.50, 0.17, 0.17, 0.17]
label_40x40[5, 10, 1, 4] = 1.0
label_40x40[5, 10, 1, 6] = 1.0  # car 类别置信度

⚙️ Step 4: 损失函数计算

YOLOv4 的损失函数包括：

定位损失（CIoU）
置信度损失（Focal Loss 可选）
分类损失（Focal Loss 可选）

🧮 CIoU 公式简写如下：

$\text{CIoU} = \text{IoU} - \frac{\rho^2}{d^2} - \alpha v$

其中：

$\rho$ ：中心点距离；
$d$ ：最小闭包框对角线；
$v$ ：宽高比惩罚项；
$\alpha$ ：权衡系数；

🧪 损失函数作用对象：

损失类型	是否参与训练
定位损失（CIoU）	✅ 仅正样本
置信度损失	✅ 正样本 + 负样本
分类损失	✅ 仅正样本

五、YOLOv4 的推理流程详解

⚙️ Step 1: 图像输入与预处理

image = cv2.imread("test.jpg")
resized_image = cv2.resize(image, (608, 608)) / 255.0  # 归一化
input_tensor = np.expand_dims(resized_image, axis=0)       # 添加 batch 维度

⚙️ Step 2: 推理输出（来自 Darknet 或 PyTorch 模型）

模型输出三个层级的预测结果：

output_20x20 = model.predict(input_tensor)[0]  # shape: (20, 20, 255)
output_40x40 = model.predict(input_tensor)[1]  # shape: (40, 40, 255)
output_80x80 = model.predict(input_tensor)[2]  # shape: (80, 80, 255)

每个 bounding box 的输出格式为：

(tx, ty, tw, th, confidence, class_0, class_1)

⚙️ Step 3: 解码 bounding box

使用以下公式将网络输出解码为图像空间中的绝对坐标：

$b_x = \sigma(t_x) + c_x \\ b_y = \sigma(t_y) + c_y \\ b_w = p_w \cdot e^{t_w} \\ b_h = p_h \cdot e^{t_h}$

其中：

$c_x, c_y)$ ：当前 grid cell 左上角坐标（归一化后）；
$p_w, p_h)$ ：对应 anchor 的宽高（归一化后）；

🧪 示例解码代码（伪代码）：

def decode_box(output_tensor, anchors):bboxes = []for i in range(H):     # heightfor j in range(W):  # widthfor k in range(B):  # anchor indextx, ty, tw, th = output_tensor[i, j, k*85:(k+1)*85][:4]conf = output_tensor[i, j, k*85+4]class_probs = output_tensor[i, j, k*85+5:k*85+7]bx = sigmoid(tx) + j * stride_xby = sigmoid(ty) + i * stride_ybw = anchors[k][0] * exp(tw)bh = anchors[k][1] * exp(th)x1 = (bx - bw/2) * image_sizey1 = (by - bh/2) * image_sizex2 = (bx + bw/2) * image_sizey2 = (by + bh/2) * image_sizebboxes.append([x1, y1, x2, y2, conf, class_probs])return bboxes

⚙️ Step 4: 执行 NMS（Non-Maximum Suppression）

YOLOv4 支持 DIoU-NMS，提升了密集目标场景下的性能。

🧮 计算综合得分：

$class_probs ) \text{score} = \text{confidence} \times \max(\text{class\_probs})$

🧪 示例执行 DIoU-NMS（PyTorch）：

import torch
from yolov4.ops import diou_nms# boxes: [N, 4]，scores: [N]
keep_indices = diou_nms(boxes, scores, iou_threshold=0.45)final_boxes = boxes[keep_indices]
final_scores = scores[keep_indices]
final_labels = labels[keep_indices]

六、YOLOv4 的完整训练与推理流程总结

阶段	内容
✅ 输入图像	608 × 608 × 3 RGB 图像
✅ 数据增强	Mosaic + HSV 扰动
✅ 正样本划分	anchor 与 GT IoU 最大者为正样本
✅ 输出结构	三层输出：20×20、40×40、80×80
✅ 损失函数	CIoU Loss + BCE Loss
✅ 推理输出	每个 bounding box 包含 `(x1, y1, x2, y2, score, label)`
✅ NMS	默认 DIoU-NMS，阈值 0.45
✅ 支持 Anchor	9 个 anchor boxes，K-Means 聚类获得

七、YOLOv4 的关键配置文件片段（来自 .cfg 文件）

[yolo]
mask = 6,7,8
anchors = 12, 16, 19, 36, 40, 28, 36, 75, 76, 55, 72, 146, 142, 110, 192, 243, 459, 401
classes=2
num=9
jitter=.3
ignore_thresh=.7
truth_thresh=1
scale_x_y=1.05
iou_thresh=0.213
iou_normalizer=0.07

✅ 这些配置项在 AlexeyAB/darknet 中真实存在，影响 anchor 匹配、loss 计算、NMS 等流程。

八、YOLOv4 的性能表现（来源：官方测试数据）

模型	mAP@COCO	FPS（V100）	是否支持 DIoU-NMS
YOLOv4	~43.5	~35	✅ 支持
YOLOv4-tiny	~37.0	~75	✅ 支持
YOLOv4-CSP	~45.0	~30	✅ 支持

九、YOLOv4 的局限性（来自社区反馈）

局限性	说明
❌ 不支持 Soft-NMS	需要自定义修改
❌ anchor 设置固定	新任务需重新聚类适配
❌ 输出结构固定	不适合直接部署 ONNX
❌ 模型较重	相比 YOLOv5/YOLOX 更慢一些