يُعد تدريب الشبكات العصبية التلافيفية (CNN) للكشف عن الكائنات عملية مكلفة زمنيًا بسبب حجم البيانات الكبيرة وتعقيد الوحدات الشبكية، مما يجعل من الصعب البحث المباشر في هياكل الشبكة على مجموعات بيانات الكشف، حيث يُستهلك عادةً تكلفة كبيرة في البحث (تتراوح عادة بين عشرات وحتى مئات أيام استخدام وحدة معالجة الرسومات GPU). في المقابل، تقدم هذه الورقة إطارًا فعّالًا يُسمى EAutoDet، الذي يمكنه اكتشاف هياكل مُسندة وFPN عملية للكشف عن الكائنات خلال 1.4 يوم من استخدام وحدة معالجة الرسومات GPU. بشكل خاص، نُنشئ شبكة فائقة (supernet) لكل من وحدات المُسندة ووحدة FPN، ونستخدم طريقة قابلة للتفاضل. ولتقليل متطلبات ذاكرة GPU والتكلفة الحسابية، نُقدّم تقنية إعادة استخدام النوى (kernel reusing) من خلال مشاركة أوزان العمليات المرشحة على حافة واحدة ودمجها في عملية ت convolution واحدة. كما نُدخل استراتيجية تحسين ديناميكية للقنوات لاستكشاف أعداد القنوات. تُظهر التجارب الواسعة كفاءة وفعالية ملحوظة لطريقتنا. وبشكل خاص، تفوق الهياكل المكتشفة الطرق الحالية لاستكشاف الهياكل باستخدام الشبكات العصبية (NAS) في الكشف عن الكائنات، وتحقيق 40.1 mAP بسرعة 120 إطارًا في الثانية، و49.2 mAP بسرعة 41.3 إطارًا في الثانية على مجموعة بيانات COCO test-dev. كما قمنا بنقل الهياكل المكتشفة إلى مهمة الكشف عن الكائنات بزاوية دوران، حيث حققت 77.05 mAP$_{\text{50}}$50​ على مجموعة بيانات DOTA-v1.0 test مع 21.1 مليون معلمة.