A tuberculose, uma enfermidade bacteriana decorrente da infecção ocasionada pelo bacilo de Koch. Tal doença afeta primariamente os pulmões, ocasionando complicações significativas ao organismo, sendo considerada a segunda principal causa de morte em decorrência de infecções em escala global, logo abaixo da pandemia de COVID-19. A tuberculose é tratável, mas um diagnóstico precoce é crucial para o sucesso do tratamento. Tradicionalmente, a baciloscopia de escarro tem sido o principal método para o diagnóstico da tuberculose. As amostras de escarro são fixadas em lâminas e esse processo é realizado por um bacteriologista e pode ser um processo demorado e exaustivo, tendo em vista a necessidade de se analisar 100 campos da amostra. Neste trabalho, é proposto uma abordagem baseada na arquitetura de aprendizado profundo EfficientDet sem utilização de pesos pré-treinados, explorando os seus backbones na tarefa de identificação dos bacilos. As imagens de baciloscopia de escarro foram adquiridas a partir de um conjunto de dados público disponibilizado pelo AI Research and Automated Laboratory Diagnostics, consistindo em um total de 928 imagens, todas com a resolução de 1224×1623 pixels. Foram examinadas quatro representações de cores: RGB, LUV, XYZ e Gray. Em cada experimento, realizou-se uma pesquisa de hiperparâmetros utilizando o método Grid Search a fim de identificar o otimizador e a resolução de imagem para a entrada da rede mais apropriados. Os otimizadores avaliados incluíram Adadelta, Adam, AdamW, Adamax, ASGD, NAdam, RAdam, RMSprop, Rprop e SGD, enquanto as dimensões investigadas foram 224, 299 e 512 pixels. A configuração que alcançou o melhor desempenho incluiu o backbone B3, o canal de cor LUV, o otimizador RMSprop e dimensão de entrada de rede de 512×512. Isso resultou em métricas promissoras, incluindo um mean Average Precision de 0,650, Balanced Accuracy de 0,839, Intersection over Union de 0,523, recall de 0,925, precision de 0,694 e f1-score de 0,774. Os resultados obtidos demonstram o potencial do método em detectar os bacilos, o que pode contribuir de forma significativa para o processo de diagnóstico da tuberculose através da análise de imagens microscópicas.