Parallèlement aux détecteurs actuels basés sur plusieurs échelles, les modules d’agrégation et d’amélioration des caractéristiques (FAE, Feature Aggregation and Enhancement) ont démontré des gains de performance supérieurs pour la détection d’objets de pointe. Toutefois, ces modules FAE conçus manuellement présentent des améliorations inconstantes dans la détection faciale, principalement en raison de la différence significative entre les distributions des données utilisées pour l’entraînement (COCO) et celles utilisées en application (WIDER Face). Pour résoudre ce problème, nous analysons fondamentalement l’impact de la distribution des données, et proposons par la suite de rechercher une architecture FAE efficace, nommée AutoFAE, via une recherche d’architecture différentiable. Cette AutoFAE surpasse toutes les architectures FAE existantes dans la détection faciale avec un écart notable. En combinant l’AutoFAE ainsi identifiée avec des architectures de base existantes, nous construisons et entraînons un supernet, permettant ainsi d’obtenir automatiquement une famille de détecteurs sous différentes contraintes de complexité. Des expériences étendues menées sur des benchmarks populaires, WIDER Face et FDDB, démontrent un compromis état-de-l’art entre performance et efficacité pour la famille de détecteurs automatiques et évolutifs proposée (ASFD). En particulier, notre modèle ASFD-D6 performant bat le meilleur concurrent avec des scores AP de 96,7/96,2/92,1 sur le test WIDER Face, tandis que le modèle léger ASFD-D0 nécessite environ 3,1 ms sur GPU V100 pour des images de résolution VGA, soit plus de 320 FPS.