开赛在即，想必很多小伙伴已经开始使用PaddlePaddle开始训练了。相比于常规的COCO大赛，本次比赛不仅看Map，还要看模型的计算量，这是一大亮点。为了降低参赛门槛，PaddleDetection是可以直接拿来训练的，但是PaddleDetection里面提供了很多的框架和模型，很多刚上手的小伙伴们一时间可能不知道如何选择，这里我根据个人经验和理解，对框架和Backbone选择做一些分析，希望能够跟各位参赛选手进行更多交流。

       首先我们来看一下本次比赛评估方法：

       map大家并不陌生，而且大多数论文和Benchmark里面都经常提到，那么我们在关注精度的同时，就要看一下MOPs的影响了。以【160，1300】两个上下限为例，如果是160，那么计算出来的bias为-3.203，也就是说，当你的模型复杂度很低时，Madd是可以提升分数；如果是1300，那么bias为1.4596，二者差值为4.663。反映到map中，就是0.04663的差值。

       根据上述计算，举个例子，如果A选择了某二阶段检测器，map为0.4，MOPs为1300，那么他的实际得分为38.5405；B选择了某单阶段检测器，map为0.36，MOPs为160，那么B的实际得分为39.203，所以尽管B的准确率低，但是由于模型计算量小，他的综合得分更高。说了这么多，很多刚上手的童鞋仍然对MOPs没有概念，那么我们来看下面两张图。

        第一张图告诉大家当前比较主流的Backbone的MAdds是多少，尽管本次比赛可以使用剪枝、蒸馏、量化等方式来加速，但是仍然需要结合最原始的模型结构来适度进行。所以我们看到，像Resnet-152和NasNet-Large这种的，就不要考虑了，基本上怎么搞都是超限制的，而且最终模型要小于30M，这一类基本上是没戏了。所以基本上MobileNet V1、MobileNet V2和ShuffleNet无疑是首选，NasNet-mobile在Paddle里面没有，不建议自己搞，训练也很麻烦。Inception在限制边缘，但是考虑到精度高，性价比好，如果一系列加速方法能够降低复杂度，我觉得Inception也是可以的。至于Resnet，34和50应该能够满足需要，101和152八成是不行了。所以我建议从以下模型中进行选择（MobileNet系列、ShuffleNet系列、Resnet34、Resnet50、Inception系列）

       第二张图是PaddleDetection当前支持的结构，我们可以看到，所有的二阶段检测器都不支持MobileNet，只支持Resnet一类的（SENet基本就不要考虑了，精度很高，模型很大...）；那么就剩下了RetinaNet、YoloV3和SSD：RetinaNet是SSD的升级版，精度优于SSD，但是由于其中加入了FPN，submodels等，另外Pyramid Feature也比SSD更多更复杂，所以并不能说哪个模型能够取得更优的分数。

       Yolov3和SSD均支持MobileNet这一类小模型，并且官方文档里说Yolov3经过优化比原始论文中更好，所以就我个人而言，我更倾向于先用Yolov3，因为本身Yolov3效果就优于SSD，二者计算量也是相当，比较直观的感受就是，Yolov3应该比SSD能好。然而在比赛介绍页面，官方建议使用SSD，也许官方已经验证过了SSD效果最好？还是上手最简单呢？我们不得而知。但是通过上面的分析，我个人建议先使用单阶段的Yolov3和SSD，有一定基础的童鞋也可以尝试魔改RCNN系列，如果二阶段拿了最高分，是不是可以发一篇高水平的论文了呢？哈哈，期待每一位参赛选手都能取得好成绩！

      上述分析仅是我个人浅见，如有纰漏，希望各方大佬指正。