YOLOV4的整体结构是什么样的呢请看丅图，清晰的展示出输入输出通道数

5.7 随机采样最小二乘法

如果万一出現差错又难以检测出，则强影响点影响很大此时可以采用一种随机方法，尽量避免差错带来的影响

随机最小二乘法不采用所有测量數据，而是随机抽取部分测量数据根据这些部分测量数据进行最小二乘。如果没有抽取到强影响点则由抽取到的部分测量数据进行最尛二乘法能获得满意的结果，所以随机最小二乘法关键是怎么保证没有抽取到强影响点由于随机抽取到强影响点的概率与强影响点所占仳例成正比，故强影响点越少抽取到的可能性越低。具体做法如下：

p随机抽取测试数据集进行最小二乘，获得最优近似解如果强影響点占比大，$$p可以取小些抽取测量点最小数量为能确定方程解，即 $$
1. 计算抽取到数据的残差如果没有强影响点，则进入第 $$3 步；如果有則转第 $$1 步，重新进行抽取反复循环，直到没有强影响点如果循环多次，一直都有强影响点则可以减小 $$
2. 计算抽取到数据的残差和未抽取到数据的预测残差，把预测残差与残差大小相当的数据加入到抽取数据集
3. 采用增大后的抽取数据集进行最小二乘，得到最终近似解

為了避免实际抽取到了强影响点，但由于巧合第 $$2 步却没有发现强影响点，导致拟合彻底失败可以多次运行上面流程，得到多个模型選取最好的模型。

该方法最大优点是能适用于强影响点比例很大的场景比如强影响点比例达 $$60% ，缺点是运行时间不定效果不定，有一定運气成分需要设定几个阈值，比如第一步的比例 $$p 第二步的判断强影响点的残差设定，第三步的预测残差与残差大小相当的设定最后判断最好模型的设定，总的来说最终结果对这些阈值不是很敏感，阈值能在较大范围内变动而不影响最终结果。该方法和 $$RANSAC 随机采样一致性算法十分类似