【自用】

衡量一个模型是否轻量，常常使用这三个指标：FPS，GFLOPs，Params(M)

【帧速率 (FPS)】

(相关资料图)

frames per second,即：每秒帧数，用于衡量模型的实时性能

【FLOPs-计算量】计算量对应我们之前的时间复杂度

FLOPS：注意全大写，是floating point operations per second的缩写，意指每秒浮点运算次数，理解为计算速度。是一个衡量硬件性能的指标。

FLOPs：注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。

注意在深度学习中，我们用的是FLOPs，也就是说计算量，即用来衡量算法/模型的复杂度。

【GFLOPs】

1 GFLOPs = 10^9 FLOPs 即：10亿次浮点运算

G floating point operations的缩写（s表复数)，即：10亿次浮点运算，用于衡量模型的计算量。

【Params-参数量】参数量对应于我们之前的空间复杂度

指网络模型中需要训练的参数总数，用于衡量模型复杂度。

【推理分辨率 (RES)】

【帧数 (Frames)】

【top-1，top-5】

Top-1 (Accuracy)是指排名第一的类别与实际结果相符的准确率，而Top-5 (Accuracy)是指排名前五的类别包含实际结果的准确率。

【ACC- Accuracy（准确率）】

准确率表示预测样本中预测正确数占所有样本数的比例，计算公式为：

准确率 = 预测样本中所有被正确分类的样本数 / 所有的样本数

【P-precision（精确率）】

精确率表示预测样本中实际正样本数占所有正样本数的比例，计算公式为：

精确率 = 正确预测样本中实际正样本数 / 所有的正样本数

【R-recall（召回率）】

召回率表示预测样本中实际正样本数占所有预测的样本的比例，计算公式为：  

召回率 = 正确预测样本中实际正样本数 /实际的正样本数

Precision 和 Recall最早是信息检索中的概念，用来评价一个信息检索系统的优劣。Precision 就是检索出来的条目中（比如：文档、网页等）有多大比例是我们需要的，Recall就是所有我们需要的网页的条目有多大比例被检索出来了。

用到目标检测领域，假设我们有一组图片，里面有若干待检测的目标，Precision就代表我们模型检测出来的目标有多大比例是真正的目标物体，Recall就代表所有真实的目标有多大比例被我们的模型检测出来了。

【AP、mAP】

AP：AP 代表 Average Precision，即平均精确度。

mAP:代表Mean Average Precision，即 均值平均精度。

mAP = 所有类别的平均精度求和除以所有类别。

AP衡量一个类别的检测好坏，mAP则是衡量多个类别检测的好坏。把所有类的AP值取平均即可得mAP。比如有两类，类A的AP值是0.5，类B的AP值是0.2，那么：

mAP=(0.5 + 0.2)/ 2=0.35

【目标检测模型的评价指标-IoU：ntersection over union】

交并比IoU衡量的是两个区域的重叠程度（检测物体实际所占区域与检测结果中框出的区域），是两个区域重叠部分面积占二者总面积（重叠部分只计算一次）的比例。

在目标检测任务中，如果我们模型输出的矩形框与我们人工标注的矩形框的IoU值大于某个阈值时（通常为0.5）即认为我们的模型输出了正确的。