efficientnet在工业检测展现出了极其强大的检测效果，与yolov3和yolov5为同一竞争赛道，曾连续霸版6个月以上，而已efficientnet为基础的其他改进模型在工业检测上也表征出适用性。官方源码的框架是基于tensortflow的，且复现的精度远远不及论文提及的精度。zylo117改进的pytorch代码在更容易复现，也更容易学习。
一、创建环境
还是按照先前的建议，在创建新项目工程的时候，环境的适配性极其重要。使用其他项目的环境在安装新的requirements，容易导致原有项目又要重新安装环境。为避免环境适配性问题，一个项目对应一个环境是最好的。
1、打开Anaconda Prompt
conda create -n efficient python==3.72、激活环境
conda activate efficient成功的话表示环境已经创建完毕。
二、下载源码
1、点击上面的GitHub网站。
2、下载后解压，用pycharm以工程模式打开即可。
三、配置环境
根据复现的源码要求，我们需要安装的包分别有：pycocotools numpy opencv-python tqdm tensorboard tensorboardX pyyaml webcolors，1.4.0的torch和0.5.0的torchvison。
1、首先在pycharm先选择刚刚下载好的环境，在pycharm如何选择环境的话请看作者另一篇yolov8的复现里面有。
2、点击Terminal，最左边括号显示efficient（上面创建的环境）。配置环境时建议关掉梯子或者其他的代理。
（1）
pip install pycocotools numpy opencv-python tqdm tensorboard tensorboardX pyyaml webcolors（2）上述代码最容易发生的一个错误是pycocotools的安装失败，原因是pycocotools不再提供Windows的支持。
解决方法：
pip install pycocotools-windows
这一步表示已安装成功。
（3） 按照代码流程，下一步要下载torch和torchvision，在windows直接按照源码的步骤可能会下载错误。
建议按照pytorch官网的下载，网址：PyTorch
https://pytorch.org/
下载完成后，在pycharm的Terminal输入
python import torch torch.cuda.is_available() 若返回Ture则可为GPU版本在配置环境的过程种，还可能遇到一个情况，先安装的pycocotools numpy opencv-python tqdm tensorboard tensorboardX pyyaml webcolors。可能后面再下载torch和torchvision会存在能下载但是不可用，import torch失败。
解决方法：先去pytorch官网下载完torch和torchvison。再下载以上的包。
至此，环境配置已经完成。（接下来当以为一切顺利的时候，有可能会碰上cv版本的不适配还是会出错，如果上面的环境都不行，可以私聊作者发一个适配环境包，直接放置在anaconda的envs下面即可，虽然不经常看）
四、初步验证模型是否能测试
1、下载权重
选个D0测试一下：漏了一个瓜皮，效果还行。
选D8测试：漏掉的民咕咕被检测出来了，还有旁边的水杯
2、部分代码解释
这里加载的权重使用了参数compound_coef，说明这个是可选的。
0-8表示下载的权重选择
至此模型已经验证可运行。
五、使用coco数据集训练（或者建立自己的数据集）
（1）准备数据集，有很多途径可以下载，官网，一些私人的百度云分享，csdn里面搜即可，其他数据集也行。
coco数据集得格式：
# for example, coco2017 datasets/ -coco2017/ -train2017/ -000000000001.jpg -000000000002.jpg -000000000003.jpg -val2017/ -000000000004.jpg -000000000005.jpg -000000000006.jpg -annotations -instances_train2017.json -instances_val2017.json我准备得是coco2014数据集 。
（2）创建参数配置文件
创建一个coco.yml（你数据集的名字.yml），放置在projects文件下，源码下载已经有了coco，logo，shape.
（3）其实并不需要从头开始训练coco数据集，这将花费巨大的时间成本 （几个月）。建议
的方式是使用预训练权重训练自定义数据集。甚至可以冻结部分主干网络，迁移学习的概念可以自己在其他地方补。
训练需要修改的地方：
train.py 的参数配置，或者后面直接在代码上加入也行。
此处修改成自己的数据集的绝对路径
efficientdet/dataset.py，修改文件夹名字
a.重新训练的代码：
python train.py -c 0 --batch_size 64 --optim sgd --lr 8e-2（里面的参数不一定适用，特别默认的num_workers=10，如果磁盘空间不够，会出现一句页面太小，建议根据自己的电脑硬件配置来决定）。
训练效果如下：
代码功能还包括停止和接着上次任务继续训练：
停止训练并保存当前的训练进度
Ctrl+c恢复训练
python train.py -c 2 -p your_project_name --batch_size 8 --lr 1e-3 \ --load_weights last \ --head_only Trueb.迁移学习
python train.py -c 2 -p your_project_name --batch_size 8 --lr 1e-3 --num_epochs 10 --load_weights /path/to/your/weights/efficientdet-d2.pth
以上则是就是简单的复现和训练自己想要的数据集格式了，efficientdet还支持VOC格式的，yml文件对应好和dataset换成VOC的数据加载文件即可，更加细节的方面请各位研究者们自己深究了。