1.网络结构和架构的改变
(1)yolov3使用darknet-53的主干网络，该网络基于残差结构
(2)yolov4使用CSPDarknet53，增强版darknet-53，具有更高的计算效率和更好的特征提取能
2.优化技术
(1)yolov3
使用了基础的数据增强技术（如翻转、裁剪、亮度调整等），并且使用了自适应锚框来匹配目标的大小
(2)yolov4
1.Mosaic 数据增强
这是一种新的数据增强方法，通过将多张图像拼接成一个图像，可以有效提高训练样本的多样性。
2.Self-Adversarial Training (SAT)
3.CIOU损失函数
相比传统的IOU（Intersection over Union）损失，CIOU损失考虑了角度、长宽比等因素，更加准确
4.DropBlock 正则化
通过一种新的正则化技术，防止过拟合，提高了模型的泛化能力
3.性能
YOLOv4通过大量的技术优化，极大地提高了检测精度，特别是在多目标检测和小目标检测中，表现比YOLOv3更为优秀
4.计算资源要求
尽管YOLOv4采用了很多优化，但它的计算资源需求相对更高，需要较强的GPU支持才能发挥出最佳性能
5.YOLOv4的优点
1.更高的检测精度
2.更好的计算效率
3.增强的鲁棒性
4.适用于更广泛的场景
5.对小目标的优越检测能力