1. 深度学习经典检测方法：
two-stage(两阶段)： Faster-rcnn Mask-RCNN系列
one-stage(单阶段)：Yolo系列
两阶段：一阶段实现RPN候选区域预选 二阶段基于候选区域再进行检测回归分类任务
单阶段：一个CNN卷积网络实现检测回归任务
2. 不同阶段算法优缺点分析
one-stage: 最核心的优势： 速度非常快，适合做实时检测任务1 缺点：效果通常情况下不太好。 （v5系列及以后，效果也很好了）
FPS:Frames per second是每秒帧, 衡量任务的速度
mAp：精度
two-stage: 速度通常较满，但是效果还不错
3. 指标分析
3.1 map 指标：
综合衡量检测效果，但看精度和recall不行吗？
recall: 是否检测到，精度：检测是否好，框越接近越好。
在机器学习中，经常出现 精度越高，recall 越低的情况。但看这两个，很难综合判断结果到底是好还是不好。
TP: 正例检测为正
FP:负例检测为正 误检
FN：负例检测为负
TN：正例检测为负 漏检
例子：
假设置信度阈值为0.9，则图1中检测框置信度阈值为0.9，正确检测，图2为0.8，0.7，虽然标了框，但也判定为非脸，即将负样本检测为负。
所以，TP=1; FN=2;FP=0,TN=2;
RECALL=TP/(TP+FN)=1/3 ,Precision=TP/(TP+FP)=1
根据不同的阈值，计算出recall （R）和 precision§，然后绘图P-R图，则map值为下方的阴影面积（注意绘制矩形是按照最大值画 ）
IOU
IOU： 交并比，交集和并集的比值。
