EfficientDet é uma família de modelos de detecção de objetos desenvolvida por pesquisadores do Google e introduzida em 2019. Os modelos são projetados para alcançar alta precisão enquanto minimizam o custo computacional, tornando-os adequados para implantação em ambientes com recursos limitados, como dispositivos móveis e plataformas de computação de borda. A principal inovação do EfficientDet é a aplicação da escala composta, uma técnica que ajusta simultaneamente a profundidade, a largura e a resolução de entrada de uma rede neural para otimizar o desempenho em uma variedade de orçamentos de recursos.
A arquitetura do EfficientDet se baseia no sucesso de trabalhos anteriores em classificação de imagens eficiente, particularmente a família de modelos EfficientNet, que demonstrou que a calibração cuidadosa das dimensões da rede pode gerar melhorias significativas em eficiência. O EfficientDet estende esse princípio à detecção de objetos, uma tarefa que exige não apenas classificar objetos dentro de uma imagem, mas também localizá-los com caixas delimitadoras. A arquitetura incorpora uma rede de pirâmide de características (FPN) aprimorada com conexões bidirecionais entre escalas e um mecanismo de fusão ponderada de características, permitindo que o modelo combine eficazmente informações de diferentes escalas.
Arquitetura e Design
O backbone do EfficientDet é um modelo EfficientNet pré-treinado, que atua como extrator de características. O backbone processa a imagem de entrada e produz um conjunto de mapas de características em múltiplas resoluções. Esses mapas são então alimentados em uma rede de pirâmide de características bidirecional (BiFPN), que funde iterativamente características de diferentes níveis. Ao contrário das FPNs tradicionais que usam soma simples, a BiFPN aplica pesos aprendidos a cada característica de entrada, permitindo que a rede enfatize escalas mais informativas.
A cabeça do modelo EfficientDet realiza classificação e regressão de caixas delimitadoras simultaneamente. Ela usa uma cabeça convolucional compartilhada para todos os níveis de características, reduzindo a quantidade de parâmetros e melhorando a eficiência. O design também inclui um método de escalamento composto que calibra uniformemente a profundidade do backbone, a profundidade e a largura da BiFPN e a resolução de entrada, permitindo que uma única arquitetura seja adaptada a diferentes trade-offs entre precisão e velocidade.
Escala Composta
A escala composta é o princípio-chave por trás da eficiência do EfficientDet. O método, primeiro apresentado no EfficientNet, usa um conjunto de coeficientes de escala para comandar profundidade, largura e resolução da rede. No caso do EfficientDet, os coeficientes de escala são determinados por uma busca em grade sobre um conjunto de validação, com o objetivo de maximizara a precisão sob um orçamento computacional (medido em FLOPs).
Essa abordagem contrasta com modelos anteriores de detecção de objetos que frequentemente exigiam ajustes manuais no arquitetura para cada plataforma alvo. Ao automatizar o processo de escala, o EfficientDet pode gerar um conjunto de modelos, do EfficientDet-D0 (o menor) ao EfficientDet-D7 (o maior), cada um oferecendo um equilíbrio diferente entre velocidade e precisão. Por exemplo, EfficientDet-D0 alcança uma precisão média (mAP) de 34,6 no conjunto de dados COCO enquanto requer apenas 2,5 bilhões de FLOPs, enquanto o EfficientDet-D7 atinge 55,1 mAP com 77 bilhões de FLOPs.
Desempenho e Comparações
O EfficientDet estabeleceu novos benchmarks de eficiência em detecção de objetos na época de seu lançamento. No conjunto de dados COCO, os modelos atingiram maior precisão do que os detectores de estado da arte anteriores, como YOLOv3 e Faster R-CNN, usando menos FLOPs e parâmetros. Por exemplo, EfficientDet-D2 atingiu 43,0 mAP com 11 bilhões de FLOPs, superando o mAP de 33,0 do YOLOv3 com 65 bilhões de FLOPs.
Os ganhos de eficiência foram particularmente notáveis em dispositivos de borda. As variantes menores, como EfficientDet-D0 e D1, foram projetadas para rodar em tempo real em GPUs e CPUs móveis, tornando-se atraentes para aplicações como direção autônoma, vigilância e realidade aumentada. Os modelos também demonstraram forte capacidade de transferência de aprendizado, bom desempenho em outros conjuntos de dados de detecção com pouco ajuste fino.