摘要

模型效率在计算机视觉中变得越来越重要。本文系统地研究了神经网络架构设计选择用于目标检测，并提出了几项关键优化以提高效率。首先，提出了一种加权双向特征金字塔网络（BiFPN），它允许轻松快速的多尺度特征融合；其次，我们提出了一种复合缩放方法，该方法同时均匀地缩放所有骨干网、特征网络和框/类预测网络的分辨率、深度和宽度。基于这些优化和更好的骨干网络，我们开发了一系列新的目标检测器，称为EfficientDet，它在各种资源约束下始终实现比以前的技术更好的效率。

BiFPN 介绍

不同的特征网络设计如下图所示：
（a）FPN 引入了一种自上而下的路径，用于从 3 到 7 层（P3 - P7）融合多尺度特征；（b）PANet [26] 在 FPN 的基础上增加了一个自下而上的路径；（c）NAS-FPN [10] 使用神经架构搜索找到不规则的特征网络拓扑，然后反复应用相同的模块；（d）是 BiFPN，具有更好的准确性和效率权衡。

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址

本文在YOLOv8中 Neck结构引入BiFPN，代码已经整理好了，跟着文章复制粘贴，即可直接运行