深度学习经典检测方法
two-stage（两阶段）：Faster-rcnn mask-rcnn
one-stage（一阶段）：YOLO系列
直接从一整张图像来预测出bounding box 的坐标、box中包含物体的置信度和物体所属类别概率
one-stage：
优势：速度快，适合做实时检测任务！
缺点：准确率不会太好
two-stage：
缺点：速度较慢，达不到实时检测的目的
优点：准确率高
评价指标
IOU:
预备概念：精度、召回率（postive（P）:被检测到，negtive(N)：没检测到; true（T）：判定对了，false（F）：判定错了）
例如：
有3张图如下，要求算法找出face。蓝色框代表标签label，绿色框代表算法给出的结果pre，旁边的红色小字代表置信度。
当选取 置信度阈值=0.9时(过滤掉置信度小于0.9的预测结果)，TP+FP=1, TP=1; FN=2, precision=1/1, recall=1/3.
当选取 置信度阈值=0.8时(过滤掉置信度小于0.8的预测结果)，TP+FP=2, TP=1; FN=2, precision=1/2, recall=1/3.
当选取 置信度阈值=0.7时(过滤掉置信度小于0.7的预测结果)，TP+FP=3, TP=2; FN=1, precision=2/3, recall=2/3.