EfficientDet目标检测谷歌官方终于开源了!

以下文章来源于我爱计算机视觉 ，作者CV君

我爱计算机视觉

关注计算机视觉与机器学习技术的最前沿，“有价值有深度”，分享开源技术与最新论文解读，传播CVML技术的业内最佳实践。www.52cv.net QQ群: 805388940，CV君个人账号：Your-Word。

图灵TOPIA

EfficientDet是谷歌大脑于去年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，COCO数据集上达到 50.9 mAP，一经推出便获得了大量关注！

因为结果吸引人，Github上已经有多份非官方开源实现，这次谷歌大脑的官方版本终于来了。

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。

在算法设计上有三大特点：

1. 优秀的主干网络。同样出自谷歌家族的EfficientNets 。

2. 双向FPN（BiFPN，特征金字塔网络）。可以方便且更好的进行特征融合。

3. 模型缩放技术。设计好模型的主干网络、特征网络、预测网络后，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，故EfficientDet其实是一系列网络，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。

作者们结合BiFPN和特征融合策略设计了与YOLOv3精度相仿的EfficientDet-D0，使用模型缩放技术得到一系列检测模型：EfficientDet-D1 到 D6，在精度和模型复杂度上权衡。

其高精度模型 EfficientDet-D6 在COCO数据集上达到 50.9 mAP，而仅需要51.9M 参数 和 229B FLOPs。相比于之前的最好算法（AmoebaNet + NAS-FPN + AutoAugment ）达到了更高的精度，却仅有1/4参数量，1/13的FLOPs，在GPU/CPU上运行结果快3～5倍！

这次开源诚意满满，提供了EfficientDet D0-D6所有预训练模型：

同时为了方便使用，谷歌也提供了训练代码。

这种State-of-the-art的工作开源，不仅仅给开发者带来了新的选择，更值得一提的是，自动机器学习+模型缩放技术也许是未来算法设计的趋势，它让我们一次性得到满足不同平台部署的多个模型。