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！
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！
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。
AI项目体验地址 https://loveai.tech
快速运行
1.安装 tensorflow 1.XX版
2.下载预训练模型 和代码
https://github.com/google/automl/tree/master/efficientdet
将模型解压后 放入 models 目录下
3. 修改相关路径 ，运行代码
注意输入图片大小否则会报错：
效果展示
