先看一下yolov8的表

模型计算量(FLOPs)和参数量(Params)是衡量深度学习算法复杂度的两个重要指标，它们可以用来评估一个模型的性能和实用性。以下是对这两个指标的理解：

1、Params - 参数量

即模型中需要学习的参数数量，它是衡量模型复杂度的另一个重要指标。模型的参数量越多，表示模型的表达能力越强，但也意味着模型需要更多的计算资源和数据来训练和推断。比如，在训练模型时需要更多的GPU内存，推断时需要更多内存来存储模型参数。

论文中常用到的是： Params(M)

即一个模型包含多少个参数 。单位M，是million（百万 : 1 000 000 ）缩写 ——也即（10的6次方）

2、FLOPs - 模型计算量

即浮点运算次数（Floating Point Operations, FLOPs），注意 s小写（s表复数）

指运行一次网络模型需要进行浮点运算的次数，可以理解为计算量。是衡量模型在推断（inference）过程中需要执行多少次浮点运算的量。FLOPs通常用于衡量模型的计算效率和速度，也可以用来衡量算法/模型的复杂度。比如，在边缘设备或者移动设备上部署模型时，需要考虑到设备的限制，如果模型的计算量过大，则会导致推断时间过长，不适合实际应用。

大模型的单位通常为 G（GFLOPs：10亿次浮点运算， 10 的9次方），小模型单位通常为 M通常只考虑乘加操作(Multi-Adds)的数量，而且只考虑 CONV 和 FC 等参数层的计算量，忽略 BN 和 PReLU 等等。

3、FLOPS

FLOPS（即“每秒浮点运算次数”，“每秒峰值速度”），可以理解为计算速度，是“每秒所执行的浮点运算次数”（Floating Point Perations per Second）的缩写。它常被用来估算电脑的执行效能，衡量硬件性能的指标，尤其是在使用到大量浮点运算的科学计算领域中。正因为FLOPS字尾的那个S，代表秒，而不是复数，所以不能省略掉。

一次浮点预算是一个FLOPS

FLOPS 计算公式

一个MFLOPS（megaFLOPS）等于每秒一百万（=10^6）次的浮点运算，
一个GFLOPS（gigaFLOPS）等于每秒十亿（=10^9）次的浮点运算，
一个TFLOPS（teraFLOPS）等于每秒一万亿（=10^12）次的浮点运算，(1太拉)
一个PFLOPS（petaFLOPS）等于每秒一千万亿（=10^15）次的浮点运算，
一个EFLOPS（exaFLOPS）等于每秒一百京（=10^18）次的浮点运算，
一个ZFLOPS（zettaFLOPS）等于每秒十万京（=10^21）次的浮点运算。

4、 模型大小

指一个模型的大小，即模型所占存储空间，单位MB（MByte的缩写）：

在深度学习神经网络中，最常见的数据格式是float32，占4个字节（Byte）。类似地，float16，占2个字节。1024个字节为1KB，1024x1024个字节为1MB。那么存储10000个参数需要的内存大小为10000x4 Bytes，约为39KB。存储1M（100万）个参数需要的内存大小为39x100/1024MB，约为3.8MB。深度学习神经网络的参数量通常是百万级之上的，所以我们可以将3.8MB看作是一个基本单位，即每一百万个数字需要3.8MB。

换算：

1 GB = 1000 MB
1 MB = 1000 KB
1 KB= 1000 Byte
1 Byte = 8 bit