比较各个算法之间的准确率与识别耗时使用哪种图

比较各种算法的准确率和识别耗时，需要选择合适的评估指标和任务，因为不同的图像识别任务对准确率和识别耗时的要求不同。

对于图像分类任务，常用的评估指标是准确率（Accuracy），即被正确分类的样本数占总样本数的比例。常用的图像分类算法包括传统的SVM、KNN和最近比较流行的深度学习算法，如卷积神经网络（CNN）、残差网络（ResNet）、Inception等。其中CNN在大规模图像分类任务中表现出色，但是耗时较长。

对于目标检测任务，常用的评估指标是平均精度（Average Precision，AP），即不同召回率下的分类精度的平均值。常用的目标检测算法包括传统的基于特征的方法（如HOG+SVM、LBP+SVM等）和基于深度学习的方法（如Faster R-CNN、YOLO、SSD等）。基于深度学习的方法在目标检测任务中表现出色，但是耗时较长。

对于语义分割任务，常用的评估指标是像素准确率（Pixel Accuracy）和平均像素准确率（Mean Pixel Accuracy）。常用的语义分割算法包括基于传统图像处理方法的方法（如GrabCut、Mean-Shift等）和基于深度学习的方法（如FCN、U-Net、SegNet等）。基于深度学习的方法在语义分割任务中表现出色，但是耗时较长。

因此，不同的图像识别任务需要选择不同的评估指标和算法来进行比较，同时还需要考虑准确率和识别耗时之间的权衡。