要保存在Pytorch上经过Faster RCNN训练的最佳模型并避免过拟合，可以使用以下代码示例：

import torch
import torchvision
from torchvision.models.detection import FasterRCNN
from torchvision.models.detection.rpn import AnchorGenerator

# 定义模型
def get_model(num_classes):
    # 加载预训练的ResNet-50模型
    backbone = torchvision.models.resnet50(pretrained=True)
    
    # 获取特征图的输出通道数
    in_features = backbone.fc.in_features
    
    # 替换模型的头部部分，用于分类
    backbone.fc = torch.nn.Linear(in_features, num_classes)
    
    # 定义Anchor Generator用于生成候选框
    anchor_generator = AnchorGenerator(sizes=((32, 64, 128, 256, 512),),
                                       aspect_ratios=((0.5, 1.0, 2.0),))
    
    # 定义ROI Pooling的特征金字塔池化层
    roi_pooler = torchvision.ops.MultiScaleRoIAlign(featmap_names=['0'],
                                                    output_size=7,
                                                    sampling_ratio=2)
    
    # 定义Faster RCNN模型
    model = FasterRCNN(backbone,
                       num_classes=num_classes,
                       rpn_anchor_generator=anchor_generator,
                       box_roi_pool=roi_pooler)
    
    return model

# 定义数据集和数据加载器
# ...

# 初始化模型
model = get_model(num_classes=num_classes)

# 定义优化器和学习率调度器
# ...

# 训练模型
for epoch in range(num_epochs):
    model.train()
    for images, targets in data_loader:
        # 前向传播
        # ...
        
        # 计算损失函数
        # ...
        
        # 反向传播和优化
        # ...
    
    # 更新学习率
    # ...
    
    # 保存模型的最佳状态
    torch.save(model.state_dict(), 'best_model.pth')

上述代码中，首先定义了一个get_model函数，用于创建Faster RCNN模型。在函数中，加载了预训练的ResNet-50模型作为主干网络，然后替换模型的头部部分用于分类。同时，还定义了Anchor Generator用于生成候选框，和ROI Pooling的特征金字塔池化层。最后，使用这些组件创建了Faster RCNN模型。

接下来，初始化模型并定义优化器和学习率调度器。

在训练循环中，将模型设置为训练模式，遍历数据加载器中的数据，进行前向传播、计算损失函数、反向传播和优化。在每个epoch结束时，可以更新学习率，并使用torch.save函数保存模型的最佳状态到best_model.pth文件中。

需要根据具体的数据集和训练设置进行适当的调整。同时，还可以添加一些数据增强、正则化等技术，以进一步提高模型的泛化能力和减少过拟合的风险。