模型效率在计算机视觉领域日益重要。本文系统地研究了目标检测任务中神经网络架构设计的选择，并提出了多项关键优化以提升模型效率。首先，我们提出了一种加权双向特征金字塔网络（Weighted Bi-directional Feature Pyramid Network, BiFPN），该结构能够实现高效且快速的多尺度特征融合；其次，我们引入了一种复合缩放方法（Compound Scaling Method），可统一地同时扩展主干网络（backbone）、特征网络以及边界框/类别预测网络的分辨率、深度与宽度。基于上述优化策略以及更优的主干网络，我们构建了一类新型目标检测器——EfficientDet，其在多种资源约束条件下均显著优于以往方法，展现出卓越的效率表现。具体而言，在单模型、单尺度设置下，EfficientDet-D7 在 COCO test-dev 数据集上达到了 55.1 的 AP（平均精度）性能，仅需 77M 参数量和 410B 次浮点运算（FLOPs），相比此前的检测器，模型尺寸缩小了 4 至 9 倍，计算量减少 13 至 42 倍。代码已开源，地址为：https://github.com/google/automl/tree/master/efficientdet。