YOLOv4是一种先进的目标检测算法，它在YOLO系列的基础上进行了多项改进和优化。

一、损失函数改进

IOU损失表示预测框A和真实框B之间交并比的差值，反映预测检测框的检测效果。在目标检测任务中，通常使用1-IOU作为优化目标，即最大化预测框与真实框的重叠程度，也就是最小化IOU损失。
当预测框与真实框没有相交时，IOU损失为0，无法梯度计算，且相同的IOU有时也并不一定能反应真实情况。
为了克服传统IOU损失的局限性，研究者们提出了多种优化和改进方法，如GIOU、DIOU和CIOU等。

1.GIOU损失

计算公式：$$L_{GIOU}=1-IOU+\frac{|C-B\cup B^{gt}|}{C}$$
GIoU在IOU的基础上增加了一个惩罚项，用于度量预测框和真实框之间的非重叠区域。GIoU的取值范围在[-1,1]之间，当预测框与真实框完全重合时取值为1，当两者无交集且无限远时取值为-1。GIoU损失能够更好地反映预测框与真实框之间的重合度，且解决了IOU损失在检测框不重叠时出现的梯度问题。

但是如果预测框在真实框内部，会导致惩罚项全部为0，导致最终GIOU损失全部一致，如下：

2.DIOU损失

DIOU在IOU的基础上考虑了预测框和真实框之间的距离信息，使得目标框回归更加稳定。
计算公式为：
$$L_{DIOU}=1-IOU+\frac{{\rho }^2(b,b^{gt})}{C^2}$$
$b$、$b^{gt}$表示预测框和真实框的中心点，ρ表示计算两个中心点的欧式距离，所以分子就是预测框与真实框中心点的欧氏距离d。c表示能够同时包含预测框和真实框最小闭包区域的对角线距离。

这种方法通过直接优化距离，速度更快，并且在预测框在真实框内部，但是因为位置不一样，所以导致中心点距离不一致，所得结果也就不一致，可以很好的解决GIOU的问题。

但是我们又遇到了另一个问题，假如有两个预测框在真实框内部，且中心点相同，如下图：

这理会产生新的问题，即得到的惩罚项也相同，无法判断哪一个预测框更好。

3.CIOU损失

CIoU在DIoU的基础上进一步考虑了预测框和真实框之间的长宽比信息，使得目标框回归更加准确。CIoU损失的计算公式相对复杂，但同样能够显著提升目标检测算法的性能。
计算公式：
$$L_{CIOU}=1-IOU+\frac{{\rho }^2(b,b^{gt})}{C^2}+\alpha v$$
$$\alpha =\frac{v}{(1-IOU)+v}$$
$$v=\frac{4}{{\pi }^2}(arctan\frac{w^{gt}}{h^{gt}}-arctan\frac{w}{h}{)}^2$$
其中α可以当作权重参数，$\frac{w^{gt}}{h^{gt}}$与$\frac{w}{h}$分别为真实框与预测框的宽高比，通过增加比值信息，可以进一步解决DIOU的问题。
所以损失函数必须要考虑到三个要素：重叠面积、中心点距离与长宽比。

二、非极大值抑制

非极大值抑制（Non-Maximum Suppression，NMS）是目标检测中常用的一种技术，用于去除冗余的边界框，获取最佳的检测结果。
但是传统的NMS存在一定的问题：如果一个物体在另一个物体重叠区域出现，即当两个目标框接近时，分数更低的框就会因为与之重叠面积过大而被删掉，从而导致对该物体的检测失败并降低了算法的平均检测率。
所以我们使用soft-nms，它是对NMS的一种改进算法，它引入递减置信度的惩罚因子，以更加灵活地处理重叠的检测框。通过逐步降低检测得分而不是直接删除低得分框，soft-nms能够改善检测性能，减少漏检和过多候选框的问题，从而提高目标检测的准确性和鲁棒性。

将当前检测框得分乘以一个权重函数，即$e^{\frac{-iou(M,b_i{)}^2}{\sigma }}$，该函数会衰减与最高得分检测框M有重叠的相邻检测框的分数，函数图像如下图，

所以越是与M框高度重叠的检测框，该函数值就越小，其得分衰减越严重，为此选择高斯函数为权重函数，从而修改其删除检测框的规则。（δ通常取0.3）。