[目标检测][目标识别]模型性能测试
在目标检测和目标识别任务中，常用以下几种评价标准：
- 参数数目
FLOPsFPSAccuracy/Error RatemAP
结合PyTorch完成了相关评价标准的实现：zjZSTU/Evaluation-Metrics
相关实现文档：Evaluation-Metrics
参数数目
计算参数数目有助于衡量模型所需内存。为了更直观的理解模型大小，通常利用参数数目进一步计算模型大小（单位为MB）
\[ Size = \frac {Num \times 4.0}{1024 \times 1024} \]
- 通常使用
32位浮点数，所以需要乘以4字节
FLOPs
FLOPS ? FLOPs !
FLOPS：Floating-Point Operations Per Second，每秒所执行的浮点运算次数。常被用于估算电脑的执行能力FLOPs：Floating Point Of Operations，浮点运算次数。常被用来衡量算法/模型复杂度
常用GFLOPs衡量算法性能，其表示十亿（=10^9）次的浮点运算
计算
关于FLOPs的计算公式，参考深度学习中FLOPs的计算公式具体在哪篇论文里有提到？
FPS
FPS指的是模型每秒运行帧数。它和FLOPs都是关于模型计算速度的评价标准，不过由于FLOPs是一个估算值，同时其计算同样依赖于具体的硬件设备，所以相对而言，FPS更能够体现模型计算速度
Accuracy/Error Rate
Accuracy指的是Top-1 Correct Rate，即标注类别等于分类概率最大的预测类别的样本数除以样本总数Error Rate和正确率相反，其计算标注类别不在前\(k\)个分类概率最大的预测类别的样本数除以样本总数。在论文中最常使用的就是Top-1/Top-5错误率（个人直觉是因为看起来更加收敛）
mAP
mAP(mean average precision)是目标检测任务中最常使用的评价标准，通过计算PR曲线面积来评估算法性能
不同的数据集提供了不同的mAP计算公式，其中最常使用的PASCAL VOC数据集提供的mAP计算。其实现参考：[目标检测][PASCAL VOC]mAP