【计算机视觉 | MMDetection】关于mmdetection如何计算参数量、计算量和速度FPS

近几天跑完实验后，发现效果确实不错，于是开始进行模型的参数量、计算量和速度指标的计算对比。

模型的参数量越小，这个模型的计算量不一定小，速度也不一定快。

一、指标理解

1.1 参数量

在机器学习和深度学习领域，模型的参数量通常指的是构成模型的可学习参数的总数。这些参数在模型训练过程中通过数据进行调整，以便模型能够更好地执行特定任务，如分类、回归或其他。参数量是评估模型复杂度的一个重要指标。

以下是一些关于模型参数量的基本概念：

1.1.1 参数类型

• 权重（Weights）：这些是在网络的各层之间进行转换的参数。
• 偏置（Biases）：这些参数用于在网络层的输出上添加一些偏置值，以便更好地拟合数据。

1.1.2 计算参数量

• 在全连接层（Dense Layer），参数量计算公式通常是 (输入特征数 × 输出特征数) + 输出特征数。例如，一个有100个输入和10个输出的全连接层将有 (100 × 10) + 10 = 1010 个参数。
• 在卷积层（Convolutional Layer），参数量取决于滤波器/核的大小、数量以及输入和输出通道的数量。

1.1.3 参数量的影响

• 性能：通常来说，参数量较多的模型能够学习更复杂的数据模式，但也更容易过拟合。