这个系统，实现较少的计算，获得更高效的检测目标。
该系统的创建者表示，与YOLO或AmoebaNet等其他流行的检测模型相比，该系统与CPU或者GPU一起使用时，还能实现更快的性能。
在进行另一项与目标检测相关的任务时，EfficientDet也取得了优异的性能。利用PASCAL可视化对象，训练数据集，从而进行语义分割实验。
EfficientDet是EfficientNet的更新版本，该版本是去年为Coral board单板计算机，提供的一系列高级对象检测模型。谷歌的工程师谭明星、庞若明和Quoc Le在去年秋天首次发表的一篇论文中详细阐述了EfficientDet，但在周日对论文（包括代码）进行了修改和更新。
“以优化准确性和效率为目标，我们希望开发一系列模型，以满足使用需求。”论文写道，该论文研究了用于目标检测的神经网络体系结构设计。
作者说，现有的缩放目标检测方法往往会牺牲准确性，或者会耗费大量资源。EfficientDet实现了一种成本更低、资源消耗更少的方法，可以将对象检测部署在边缘或云上，其方法是“同时对所有主干、特征网络和box/class预测网络的分辨率、深度和宽度进行统一扩展”。
“巨大的模型尺寸和昂贵的计算成本阻碍了它们在机器人和自动驾驶汽车等许多现实世界应用程序中的部署，在这些应用程序中，模型尺寸和延迟受到高度限制，”论文写道。“考虑到这些现实世界的资源约束，模型效率对于对象检测变得越来越重要。”
EfficientDet的优化灵感来自于Tan和Le在EfficientNet上的原创作品。提出了骨干网和特征网（backbone and feature networks）的联合复合标度方法。其中，双向特征金字塔网络(BiFPN)作为特征网络，ImageNet预训练的特征网络作为骨干网络。
EfficientDet通过删除只有一个输入边的节点来优化跨尺度连接，从而创建一个更简单的双向网络。它还依赖于单级探测器范式，一种以效率和简单著称的对象探测器。
“我们建议在特征融合时为每个输入增加额外的权重，让网络了解每个输入特征的重要性，”论文写道。
这是来自谷歌最新的目标检测的消息，其用于目标检测的谷歌云视觉系统，最近在其公开可用的API中，将男性和女性的标签删除。
京公网安备 11010502049343号