Param（参数量）FLOPs（浮点运算次数）Top-1（Top-1准确率）mAP（精确度）含义模型中需要训练的参数总数，包括模型中所有的权重（weights）和偏置（biases）模型在执行一次前向传播时所需的浮点运算次数模型对于测试样本的预测结果中，排名第一的类别与真实标签一致的比例模型在多个类别上的平均性能。作用衡量模型大小，相当于模型的“空间复杂度”衡量模型计算量的一个指标，相当于模型的“时间复杂度”关注的是模型预测的最有可能的类别是否正确mAP考虑了模型在不同类别上的均衡性能，因此它是一个更全面的评估指标，尤其在类别不平衡的数据集中尤为重要。范围“个”，千（K）,百万（M,million）,十亿（B,billion）单位通常是“次”，可以是百万次（M）、十亿次（G,Giga）、万亿次（T,Tera）等单位通常是百分比（%），表示模型预测最有可能的类别正确的概率值在0-1之间如何看参数量越多，模型可能越复杂，但同时也需要更多的存储空间和计算资源。FLOPs越高，模型的计算成本越大，推理时间可能越长如果模型预测的最可能的类别（概率最高）与真实类别相符，则认为这个样本被正确分类。Top-1准确率与Top-5准确率（考虑前五个最可能的类别）相比，是一个更严格的性能指标。mAP越高，表示模型在所有类别上的平均性能越好。计算方法将所有层的参数相加对于卷积层： 。
对于全连接层： ，其中是输入节点数，是输出节点数。FLOPs的计算涉及到模型中所有的运算操作，包括矩阵乘法、加法、激活函数等。
对于卷积层： 来估算，其中2是因为每次乘法操作后通常跟着一次加法操作。预测正确的样本数 / 总样本数1.首先，对于每个类别，计算模型在该类别上的AP（Average Precision）。AP是通过在不同召回率（recall）水平上计算模型的精确度（precision），然后计算这些精确度值的平均值来得到的。具体来说，对于每个类别，模型会生成一系列预测结果，每个结果都有一个与之相关的分数（如置信度）。根据这些分数，可以对预测结果进行排序，并计算在不同召回率水平上的精确度。然后，通过插值方法（如11点插值）计算AP。
2.接着，计算所有类别的AP的平均值，得到mAP。适用领域通用通用分类任务目标检测
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ri-ji/34844.html