2D目标检测模型表现总览

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