學習筆記 --- 目标檢測性能評價名額MAP、FLOPs

通常我們去評價一個模型時，首先看的應該是它的精确度，當你精确度不行的時候，你和别人說我的模型預測的多麼多麼的快，部署的時候占的記憶體多麼多麼的小，都是白搭。但當你模型達到一定的精确度之後，就需要更進一步的評價名額來評價你模型：

1）前向傳播時所需的計算力，它反應了對硬體如GPU性能要求的高低；

2）參數個數，它反應所占記憶體大小。

為什麼要加上這兩個名額呢？因為這事關你模型算法的落地。比如你要在手機和汽車上部署深度學習模型，對模型大小和計算力就有嚴格要求。

IOU定義與計算

https://github.com/amusi/Deep-Learning-Interview-Book/blob/master/docs/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89.md#iou

mAP定義與計算

https://github.com/amusi/Deep-Learning-Interview-Book/blob/master/docs/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89.md#map

關于IOU的疑問：

iou隻能用來判斷預測預測的位置準不準确，但是目标檢測除了預測位置準不準确外，還需要判斷預測的類别和gt（ground truth）類别是否對應呀。

現在我拿出一張圖檔中所有要計算AP的類别的檢測框，計算與Gt對象檢測框的iou，若iou大于門檻值，則視為TP，若預測框中的實際對象不是要計算AP值的那個類别，但預測的标簽是要計算AP的那個類别，且預測框與gt對象的框iou也大于門檻值，那麼這種情況判讀為TP，明顯是錯誤的。

其實這種情況基本不可能發生：

1、源碼中：if not R[‘difficult’][jmax]，将難檢測的目标去掉了（個人覺得這裡主要去除的是被遮擋面積較大的檢測對象，也就是2個不同類别的物體重疊幹擾的情況）

2、假如框中實際對象與要GT的類别不比對，你預測的此類别的置信度分數不會很高，然後在統計TP的時候，置信度分數高的檢測結果先去判斷是否是TP

3、即使假設你是剩下預測中置信度分數最高的，你與其他目标的GT的IOU還要超過門檻值

以上三點每一樣都基本很難滿足，更别說三點都滿足了，是以說這樣做是一點問題沒有的。

目标檢測中的遮擋問題解決方案

一般通過設計優化損失函數來解決

1.對于待檢測目标之間的互相遮擋

通過優化損失函數，一方面對proposal向其它目标偏移或其它目标對應的proposals靠近的情況進行懲罰；

另一方面設計損失函數使（1）所有的預測框逼近對應的Target框；（2）屬于同一Target框的多個預測框盡量集中來解決待檢測目标之前的互相遮擋。

2.對于待檢測的物體被幹擾物體（非檢測的類别目标）遮擋

因為算法隻學習待檢測的物體的特征，是以第二種遮擋隻能通過增加樣本來優化檢測效果。

在NMS之後計算mAP

這一點一定要明确，mAP值計算在NMS之後進行的，mAP是統計我們的檢測模型的最終評價名額，是所有操作完成之後，以最終的檢測結果作為标準，來計算mAP值的，另外一般隻有測試的時候才會作NMS，訓練的時候不進行NMS操作，因為訓練的時候需要大量的正負樣本去學習。

FLOPs和FLOPS區分

FLOPs：floating point operations 指的是浮點運算次數，了解為計算量，可以用來衡量算法/模型的複雜度。

FLOPS（全部大寫）指的是每秒運算的浮點數，了解為計算速度，衡量一個硬體的标準。

我們要的是衡量模型的複雜度的名額，是以選擇FLOPs。

FLOPs計算

卷積層FLOPs計算

參考：（另外其中有計算FLOPs的工具）

目标檢測的性能評價名額

CNN 模型所需的計算力flops是什麼？怎麼計算？