两阶：两阶的算法通常在第一阶段专注于找出物体出现的位置， 得到建议框，保证足够的准召率，然后在第二个阶段专注于对建议框进行分类，寻找更精确的位置，典型算法如Faster RCNN。两阶的算法通 常精度准更高，但速度较慢。当然，还存在例如Cascade RCNN这样更多阶的算法。
·一阶：一阶的算法将二阶算法的两个阶段合二为一，在一个阶段 里完成寻找物体出现位置与类别的预测，方法通常更为简单，依赖于特 征融合、Focal Loss等优秀的网络经验，速度一般比两阶网络更快，但精度会有所损失，典型算法如SSD、YOLO系列等。
Anchor：是一个划时代的思想，最早出现在Faster RCNN中，其本质 上是一系列大小宽高不等的先验框，均匀地分布在特征图上，利用特征 去预测这些Anchors的类别，以及与真实物体边框存在的偏移。Anchor 相当于给物体检测提供了一个梯子，使得检测器不至于直接从无到有地预测物体，精度往往较高，常见算法有Faster RCNN和SSD等。
IOU：即交并比，是产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率，即它们的交集与并集的比值。对于IoU而言，我们通常会选取一个阈值，如0.5，来确定预测框是正确的还是错误的。当两个框的IoU大于0.5时，我们认为是一个有效的检测，否则属于无效的匹配。
召回率(Recall，R):即当前一共检测出的标签框与所有标签框的比值。
准确率(Precision，P):即当前遍历过的预测框中，属于正确预测边框的比值。
mAP:均值平均精度(mean Average Precision)，通常使用这一指标来评价一个模型的好坏，这里的AP指的是一个类别的检测精度，mAP则是多个类别的平均精度。
AP：P-R曲线的面积，综合考量了不同召回率下的准确率，不会对P与R有任何偏好。
