1.IOU
IOU即交并比，是衡量模型生成的Detection Result和人工标注的Ground Truth之间的重叠程度，公式如下：
（1）
2.NMS
NMS即非极大值抑制，去除低IoU值bbox(Bounding Box)和重复度高的bbox。模型最后预测阶段会产生一些精确度不是很高的bbox以及十分接近的bbox，NMS算法去掉冗余bbox，只保留与ground truth最接近的几个。NMS算法的步骤如下：
(1)首先选择一个类。
(2)遍历所有bbox，将bbox的score与threshold1进行比较，将score<threshold1的bbox的score置为0。
(3)之后，将所有的bbox按照score进行升序排序，选中最高分的bbox。
(4)计算该类中所有非零bbox与最高分bbox计算IOU，如果大于threshold2，则将该bbox的score置为0。
(5)对该类中剩余不为0的bbox重新排序，选取最高分的bbox，重复上述(3)-(5)，直至某一轮结束(4)中剩余的所有score为0，该类结束计算NMS。
(6)对剩余的所有类重复上述(2)-(5)操作。
图1 非极大值抑制
3.边界框回归
图2 边界框回归
目标检测中会预测出大量的Bounding box，这些Bounding box距离Ground Truth存在一些距离。此时，需要对边界框进行bounding box regression，使之与Ground Truth更接近。
那么，应该怎样训练bounding box使之接近Ground Truth？如图3所示，预测的bounding box为P，ground truth为G，bounding box regression需要寻找一种映射关系，使得P变G'，其中
。
图3 边界框回归简化图
这种映射关系可以是很多算法。这里，bounding box采用回归算法来接近Ground Truth。回归是通过对大量统计数据进行数学处理，用已知的数据训练出因变量与某些自变量的相关关系，建立一个相关性较好的回归方程。当新的边界框输入时，对其做bounding box regression，即可得到与之相近的
。下面介绍映射关系的训练。
(1)解决办法
,
,
,
。从变成
,需要做两方面的变换：1)将P的中心坐标移动到G'中心坐标处；2）将P的长宽变成与G'的长宽相等。平移变换和缩放变换分别为
（2）
（3）
（4）
（5）
综上所述，由于已知P、G'、G点的相应坐标，所以只需要计算出
、
、
、
这四个平移量，即可完成映射。
(2)设计递归
由(1)可知，P转换成G'，只需求得(1)中四个平移量即可完成映射。一般情况下，P与G'相差较小，将P转换成G'的映射过程可以用线性变换y=wx来表示，x为regional proposal所对应的pool5层特征。训练过程中，P与G'的坐标均已知，通过(3)训练中的公式可以求出
，我们用y=wx来逼近这四个值。通过损失函数
，来求参数w。
(3)训练
由(2)可知，x是每个region proposal对应的pool5层特征，用
表示；y是平移缩放尺度，y=wx。真正的平移量记为t，通过变换公式(2)-(5)，得：
（6）
（7）
（8）
（9）
损失函数为：
（10）
用梯度下降或者最小二乘法求参数w。
(4)测试
将regional proposal提取出feature map，输入给映射关系y=wx，即可求得偏移量
。之后将偏移量施加给P，可得到与Ground Truth近似的G'。
4.mAP(平均准确度均值)
(1)mAP
mean Average Precision，所有类别AP的平均值。
在2010年以前，PASCAL VOC竞赛中AP是这么定义的：对于一条AP曲线，我们把recall的值从0到1划分为11份：0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0。在每个recall区间（0-0.1, 0.1-0.2，0.2-0.3，…，0.9-1.0）上我们计算精确率的最大值，然后再计算这些精确率最大值的总和并平均，就是AP值。这种方法叫做11-poinst-interpolation。
- VOC2010以后
按照不同的confidence计算precision和recall，取不同recall下对应的最大的precision，然后绘制PR曲线。
- COCO数据集
(2)PR曲线
Precision-Recall曲线
(3)Precision
(4)Recall
(5)TP、FP、FN
TP：IoU>0.5的检测框数量（与同一Ground Truth计算的结果）
FP：IoU<=0.5的检测框数量
FN：将GT预测为负类的数量(没有检测到的GT的数量)
5.fps
模型推理时，fps(frames per second，每秒帧数)，即每秒处理的图片数量或者处理每张图片所需的时间，在同一硬件条件下进行比较。
6.FLOPS
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。
7.FLOPs(Forward Pass计算量)
floating point operations的缩写(s表示复数)，意指浮点运算数，理解为计算量。可以用来衡量模型的复杂度。Paper里比较流行的单位是GFLOPs，1GFLOPs=10^9 FLOPs，即10亿次浮点运算。
(1)卷积计算
Image大小为 5x5，卷积核大小为 3x3，那么一次3x3的卷积(求右图矩阵一个元素的值)所需运算量：(3x3)个乘法+(3x3-1)个加法
要得到右图convolved feature(3x3的大小)：17x9=153
图4 卷积计算
计算方法={计算每个输出特征值(feature map)上的一个数对应的乘法操作数+计算每个输出特征值(feature map上的一个数)对应的加法操作数}*所有特征值的个数。不考虑偏置项bias时，计算量如下：
考虑偏置项时，加法操作数让操作数+1，计算量如下：
一般情况卷积核长和宽一样时：
(2)可分离卷积计算量
计算方法=第一部分(输出通道不变，使用
个单通道卷积)计算量+第二部分(使用1*1卷积)计算量
第一部分=每个特征点所需乘法加法次数*特征点个数(含偏置项)
=
第二部分=每个特征点所需乘加法次数*特征点个数
=
(3)池化计算量
- 最大池化
找到输入特征图中过滤器范围内的最大值，以最大值代替，不涉及到浮点运算操作
- 均值池化
找到输入特征图中过滤器范围内的平均值，即先相加再相乘。 输出特征图上一个像素点，相加浮点操作数为：k*k-1;然后除以k*k，浮点操作数为1； 故一个像素点的浮点操作数为k*k。 输出特征图通道数为Co，输出特征图总的浮点操作数为：k*k*H*W*Co。
(4)全连接层
I为输入神经元个数，O为输出神经元个数，输出的每个神经元都是由输入的每个神经元乘以权重（浮点操作数为I），然后把所得的积的和相加（浮点操作数为I-1），加上一个偏差（浮点操作数为1）得到了，故FLOPs为：
FLOPs=(I+I-1) * O = (2I-1) * O(不考虑bias)
FLOPs=((I+I-1+1）* O = (2I) * O(考虑bias)
(5)BatchNormalization
(6)ReLu
0
(7)Upsample
总结：模型的FLOPs可借助于辅助程序计算。
8.参数个数(Parameters)
输入feature maps的通道数、输出的通道数、卷积核尺寸（长和宽一样时）分别为：
、
、
。
输出的feature maps的大小：
- 基本卷积的参数量
