EfficientDet是Google Brain于去年11月份公布的目标检测算法族，涵盖轻量级到高精度的多个模型，提出了7种不同的网络结构
根据其复杂度不同，可以适应不同计算能力的平台，COCO数据集上达到 50.9 mAP，在coco榜单上算前无古人了，可以说是直接把YOLOV3，Mask-R CNN按在地上摩擦……..
前两天，Google Brain终于官方开源了，开源地址：(https://github.com/google/automl/tree/master/efficientdet)，位于Google新开的automl项目内，看样子以后这个项目还会有其他自动机器学习的算法开源。EfficientDet原出于论文 EfficientDet: Scalable and Efficient Object Detection，开源页面显示，这篇论文已经被CVPR 2020接收
EfficientDet与EfficientNet的第一作者是同一人，可以说Google Brain在EfficientNet的基础上提出了针对于物体检测的可扩展模型架构EfficientDet。EfficientDet主要包括两方面贡献：
双向FPN BiFPN（Bi-directional feature pyramid network，在simplified PANet上引入了lateral shortcut）和weighted-BiFPN（在不同scale的特征进行融合时引入注意力机制对不同来源的feature进行权重调整（per-feature / per-channel / pei-pixel），由实验来看带来的性能提升相比BiFPN较小，看论文总结BiFPN提高了4个百分点）
仿照EfficientNet中的Compound Scaling方法，对检测网络中的各个部分进行Compound Scaling（输入图像大小，backbone的深度、宽度，BiFPN的深度（侧向级联层数），cls/reg head的深度）。个人觉得这是最大的亮点，提出了目标检测网络联合调整复杂度的策略。
除此之外值得一提的是EfficienDet中使用的模型缩放，作者结合BiFPN和特征融合策略设计了与YOLOv3精度相仿的EfficientDet-D0，按照一定的优化规则，在网络的深度、宽度、输入图像的分辨率上进行模型缩放，可在统一架构下得到适合移动端和追求高精度的多个模型，根据其复杂度不同，可以适应不同计算能力的平台。
EfficientDet结构
EfficientDet组合了backbone（使用了EfficientNet）和BiFPN（特征网络）和Box prediction net，上图整个框架就是EfficientDet的基本模型