以下文章來源於我愛計算機視覺 ，作者CV君
我愛計算機視覺
關注計算機視覺與機器學習技術的最前沿，“有價值有深度”，分享開源技術與最新論文解讀，傳播CVML技術的業內最佳實踐。www.52cv.net QQ群: 805388940，CV君個人賬號：Your-Word。
圖靈TOPIA
EfficientDet是谷歌大腦於去年11月份公佈的目標檢測算法族，涵蓋輕量級到高精度的多個模型，COCO數據集上達到 50.9 mAP，一經推出便獲得了大量關注！
因為結果吸引人，Github上已經有多份非官方開源實現，這次谷歌大腦的官方版本終於來了。
開源地址：
https://github.com/google/automl/tree/master/efficientdet
位於google新開的automl項目內，看樣子以後這個項目還會有其他自動機器學習的算法開源。
EfficientDet原出於論文 EfficientDet: Scalable and Efficient Object Detection，開源頁面顯示，這篇論文已經被CVPR 2020接收。
在算法設計上有三大特點：
1. 優秀的主幹網絡。同樣出自谷歌家族的EfficientNets 。
2. 雙向FPN（BiFPN，特徵金字塔網絡）。可以方便且更好的進行特徵融合。
3. 模型縮放技術。設計好模型的主幹網絡、特徵網絡、預測網絡後，按照一定的優化規則，在網絡的深度、寬度、輸入圖像的分辨率上進行模型縮放，故EfficientDet其實是一系列網絡，可在統一架構下得到適合移動端和追求高精度的多個模型。
作者們結合BiFPN和特徵融合策略設計了與YOLOv3精度相仿的EfficientDet-D0，使用模型縮放技術得到一系列檢測模型：EfficientDet-D1 到 D6，在精度和模型複雜度上權衡。
其高精度模型 EfficientDet-D6 在COCO數據集上達到 50.9 mAP，而僅需要51.9M 參數 和 229B FLOPs。相比於之前的最好算法（AmoebaNet + NAS-FPN + AutoAugment ）達到了更高的精度，卻僅有1/4參數量，1/13的FLOPs，在GPU/CPU上運行結果快3～5倍！
這次開源誠意滿滿，提供了EfficientDet D0-D6所有預訓練模型：
同時為了方便使用，谷歌也提供了訓練代碼。
這種State-of-the-art的工作開源，不僅僅給開發者帶來了新的選擇，更值得一提的是，自動機器學習+模型縮放技術也許是未來算法設計的趨勢，它讓我們一次性得到滿足不同平臺部署的多個模型。
閱讀更多 圖靈聯邦 的文章
