动态神经网络是深度学习领域的新兴研究课题。通过自适应推理,动态模型可以达到显著的精度和计算效率。然而,由于没有合适的动态结构和现有的目标检测标准,设计一个强大的动态检测器是具有挑战性的。为解决这些困难,本文提出一种用于目标检测的动态框架DynamicDet。首先,根据目标检测任务的性质精心设计了一个动态架构;然后,我们设计了一个自适应路由器来分析多尺度信息并自动确定推理路由。本文还提出了一种新的优化策略,给出了一种基于检测损失的动态检测器优化准则。最后,提出了一种可变速度的推理策略,有助于只用一个动态检测器实现大范围的精度-速度权衡。在COCO基准上进行的广泛实验表明,所提出的DynamicDet实现了新的最先进的精度-速度权衡。例如,在相当的精度下,动态检测器Dy-YOLOv7-W6的推理速度比YOLOv7-E6提高12%,比YOLOv7-D6提高17%,比YOLOv7-E6E提高39%。代码可以在https: //github.com/VDIGPKU/DynamicDet上获得。