谷歌开源EfficientDet：实现新SOTA，又快又准的目标检测器

什么检测器能够兼顾准确率和模型效率？如何才能实现？

去年11月底，谷歌大脑提出 EfficientDet，在广泛的资源限制下，这类模型的效率仍比之前最优模型高出一个数量级。具体来看，结构只使用了 52M 参数、326B FLOPS 的 EfficientDet-D7 在 COCO 数据集上实现了 51.0 mAP，准确率超越之前最优检测器（+0.3% mAP），其规模仅为之前最优检测器的 1/4，而后者的 FLOPS 更是 EfficientDet-D7 的9.3 倍。EfficientDet公布后，在COCO榜单上达到了史无前例的成绩。

昨天，谷歌开源了精简版EfficientDet-Lite，今天，官方公布了基于TensorFlow的完整代码：

代码链接：

https://github.com/google/automl/tree/master/efficientdet

论文链接：

https://arxiv.org/abs/1911.09070

下面，我们简单的介绍一下EfficientDet。

先看看效果

图 1 和图 4 展示了多个模型在 COCO 数据集上的性能对比情况。在类似的准确率限制下，EfficientDet 的 FLOPS 仅为 YOLOv3 的 1/28、RetinaNet 的 1/30、NASFPN 的 1/19。

图 1：模型 FLOPS vs COCO 数据集准确率，所有数字均为单个模型在单一尺度下所得。EfficientDet 的计算量较其他检测器少，但