前言
2D检测领域各种模型层出不穷，为了对他们有一个直观的印象，想要总结这么一张表。强烈欢迎大家补充、修正、更改以及完善！可以在本文留言，或者去github上修改，谢谢！
模型总览
| 模型 | APtest | AP50 | FPS | Params | FLOPS | Year |
|---|
| YOLOV5s | 36.1(coco2017) | 55.3 | 476(V100) | 7.5M | 13.2B | 2020 |
| YOLOV5m | 43.5(coco2017) | 62.5 | 333(V100) | 21.8M | 39.4B | 2020 |
| YOLOV5x | 49.0(coco2017) | 67.4 | 164(V100) | 89.0M | 166.4B | 2020 |
| YOLOV3-spp | 45.5(coco2017) | 65.2 | 222(V100) | 63.0M | 118.0B | 2018 |
| YOLOV3-spp | - | 60.6(coco) | 20(Titan X) | - | 141.45B | 2018 |
| YOLOV3-416 | - | 55.3(coco) | 35(Titan X) | - | 65.86B | 2018 |
| YOLOV3-tiny | - | 33.1(coco) | 220(Titan X) | - | 5.56B | 2018 |
| SSD300 | - | 41.2(coco) | 46(Titan X) | - | - | 2016 |
| SSD513 | - | 50.4(coco) | 8(Titan X) | - | - | 2016 |
| Retinanet-50-500 | - | 50.9(coco) | 14(Titan X) | - | - | 2017 |
| Retinanet-101-500 | - | 53.1(coco) | 11(Titan X) | - | - | 2017 |
| Faster RCNN(VGG 16) | - | 42.7(coco) | 7(TitanX) | - | - | 2015 |
注：
- FLOPS： 浮点运算次数，用来衡量模型的计算量的大小。
- Params： 参数的数量。
- APtest 对应 COCO test-dev2017 结果
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
