🤖 AI

XiYOLO: Energy-Aware Object Detection via Iterative Architecture Search and Scaling

XiYOLO stellt einen energiebewussten Objekterkennungsrahmen vor, der iterative neuronale Architektursuche mit einem zweistufigen Energieabschätzer und compound scaling kombiniert, um eine Modellfamilie zu erzeugen, die auf heterogenen Edge-Geräten im Vergleich zu YOLO-Baselines überlegene Genauigkeits-Energie-Abwägungen erreicht.

Ursprüngliche Autoren: Tony Tran, Richie R. Suganda, Bin Hu

Veröffentlicht 2026-05-11

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Tony Tran, Richie R. Suganda, Bin Hu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein Hochleistungskamerasystem auf eine kleine, batteriebetriebene Drohne zu montieren. Sie möchten, dass die Drohne alles klar sieht (hohe Genauigkeit), aber Sie benötigen auch, dass sie lange fliegen kann, ohne dass die Batterie leer wird (geringer Energieverbrauch).

Das Problem ist, dass die meisten „intelligenten" Kamerasysteme wie schwere, kraftstofffressende LKWs sind: Sie sehen gut, entleeren aber die Batterie schnell. Kleinere Systeme sind wie Fahrräder: Sie sparen Energie, könnten aber wichtige Details übersehen oder im Dunkeln Schwierigkeiten haben.

Diese Arbeit stellt XiYOLO vor, eine neue Methode zum Entwurf solcher Kamerasysteme, damit sie das „perfekte Hybridfahrzeug" für Drohnen und Roboter werden. Hier ist, wie sie es geschafft haben, aufgeschlüsselt in einfache Konzepte:

1. Das Problem: Das Dilemma „Einheitsgröße passt niemandem"

Normalerweise müssen Ingenieure ein spezifisches Kameramodell für eine bestimmte Drohne auswählen. Wenn sie eine größere Drohne wollen, müssen sie eine völlig neue Kamera von Grund auf neu entwerfen. Außerdem ist es wie der Versuch, den Kraftstoffverbrauch eines Autos nur anhand der Motorgröße zu erraten, um abzuschätzen, wie viel Batterie eine Kamera verbrauchen wird; tatsächlich geht es darum, wie sich der Motor bewegt, um das Gewicht des Fahrzeugs und um die Straßenverhältnisse. Der reale Energieverbrauch ist schwer vorherzusagen, ohne ihn tatsächlich zu testen, was ewig dauert und die Batterie verbraucht, die Sie eigentlich sparen wollen.

2. Die Lösung: Der „Master-Blueprint" (XiYOLO)

Anstatt für jede einzelne Drohne eine neue Kamera zu entwerfen, haben die Autoren einen Master-Blueprint (eine „Basisarchitektur") erstellt. Stellen Sie sich dies wie ein hochwertiges, verstellbares Zelt vor.

Die Suche: Sie haben nicht einfach das beste Design erraten. Sie haben ein intelligentes Computerprogramm (genannt „Neural Architecture Search") verwendet, um Tausende von winzigen Variationen der Zeltstangen, des Stoffes und der Reißverschlüsse zu testen.
Der XiResOFA-Block: Dies ist der spezielle „Baustein", den sie erfunden haben. Stellen Sie sich einen Lego-Stein vor, der seine Form ändern kann. Er kann dick oder dünn sein, ein weites oder schmales Sichtfeld haben und eine einfache oder komplexe Linse verwenden. Der Computer hat Millionen dieser Lego-Kombinationen getestet, um diejenige zu finden, die am besten sieht und dabei den geringsten Energieverbrauch hat.

3. Der „Zweistufige Energie-Schätzer": Die intelligente Schätzmachine

Da sie nicht jedes einzelne Design auf jeder echten Drohne testen konnten (es würde zu lange dauern und zu viele Batterien entleeren), bauten sie einen zweistufigen Energievorhersager.

Stufe 1 (Die allgemeine Regel): Ein intelligentes Modell, das weiß: „Im Allgemeinen verbrauchen größere Linsen mehr Energie."
Stufe 2 (Die spezifische Korrektur): Eine winzige, schnelle Anpassung, die sagt: „Aber auf dieser spezifischen Drohne verhält sich die Batterie ein wenig anders, also passen wir die Schätzung an."
Das Ergebnis: Dies ermöglichte es ihnen, das perfekte Design mit nur einer winzigen Handvoll realer Tests zu finden (wie eine Suppe mit nur 2–20 Löffeln zu kosten, anstatt den ganzen Topf auszuprobieren).

4. Das „Compound Scaling": Dehnen des Blueprints

Sobald sie den perfekten „Master-Blueprint" gefunden hatten, hörten sie nicht dort auf. Sie verwendeten eine Technik namens Compound Scaling, um aus diesem einen Blueprint eine ganze Familie von Kameras zu erstellen:

Nano/Klein: Dehnen Sie den Blueprint leicht, um eine winzige, super-effiziente Kamera für kleine Drohnen zu machen.
Mittel: Dehnen Sie ihn etwas mehr für größere Drohnen, die weiter sehen müssen.
Die Magie: Da sie mit einem perfekten Blueprint begannen, funktionieren alle diese verschiedenen Größen gut zusammen. Sie müssen den Motor nicht für jede Fahrzeuggröße neu entwerfen; Sie skalieren einfach dasselbe effiziente Design.

5. Die Ergebnisse: Schneller, intelligenter und langlebiger

Als sie diese neuen Kameras auf echten Drohnen testeten (speziell die ModalAI Sentinel-Drohne mit ihren GPU- und NPU-Chips):

Bessere Sicht: Beim PascalVOC-Test sah die „mittlere" XiYOLO-Kamera Objekte etwas besser als das derzeit beste Modell (YOLOv12).
Riesige Energieeinsparungen:
- Auf der GPU (dem Hauptgedächtnis der Drohne) verbrauchte sie 20,6 % weniger Energie als die Konkurrenz.
- Auf der NPU (ein spezialisierter Chip für KI) verbrauchte sie 35,9 % weniger Energie.
Auswirkung in der realen Welt: Bei einem Langzeitflugtest sparten die XiYOLO-Kameras genug Batterie, um deutlich länger zu fliegen als die alten Kameras. Zum Beispiel sparte die neue Kamera auf der NPU im Verlauf des Tests etwa 165 Joule Energie im Vergleich zum besten alten Modell.

Zusammenfassung

Die Autoren bauten nicht nur eine bessere Kamera; sie bauten ein System zum Entwurf besserer Kameras, das sich an verschiedene Batteriegrenzen anpasst. Sie fanden ein „Goldilocks"-Design, das weder zu groß noch zu klein ist, und bewiesen, dass man durch den Einsatz einer intelligenten Schätzmachine diese perfekten Designs finden kann, ohne im Labor die Batterien zu entleeren. Das Ergebnis ist eine Familie von Kameras, die Drohnen ermöglichen, klar zu sehen und gleichzeitig länger zu fliegen.

Technische Zusammenfassung: XiYOLO: Energiebewusste Objekterkennung durch iterative Architektursuche und Skalierung

Problemstellung

Die Objekterkennung auf heterogenen Edge-Geräten (z. B. UAVs, UGVs, mobile Roboter) steht vor einem kritischen Konflikt zwischen dem Bedarf an zuverlässiger Wahrnehmung und strengen Einschränkungen hinsichtlich Energie, Latenz und Speicher. Während größere Detektoren oft die Genauigkeit verbessern, verursachen sie prohibitiv hohe Energiekosten, die die Ausdauer des Systems begrenzen. Umgekehrt sind kleinere Modelle effizient, können jedoch an Robustheit mangeln.

Bestehende energiebewusste Methoden zur Neural Architecture Search (NAS) zielen häufig auf begrenzte Einsatzszenarien oder einzelne Endmodelle ab, anstatt skalierbare Detektor-Familien zu entwickeln. Ein Hauptengpass ist die Schwierigkeit, Optimierung für „echte" Energie vorzunehmen: Standard-Proxy-Metriken wie FLOPs, MACs oder Parameteranzahlen sagen den gemessenen Energieverbrauch nicht genau voraus, da der Energieverbrauch stark gerätespezifisch ist und von Speicherbewegungen, Operator-Zusammensetzungen und plattformspezifischen Ausführungsverhalten beeinflusst wird. Darüber hinaus ist die Gewinnung exhaustiver Hardware-Energiedaten über einen großen Suchraum hinweg kostspielig und oft unpraktisch.

Methodik

Die Autoren schlagen XiYOLO vor, ein energieadaptives Framework, das entwickelt wurde, um eine einzelne energieeffiziente Basisarchitektur zu identifizieren und diese in eine Familie von Detektoren für verschiedene Einsatzbudgets zu skalieren. Das Framework besteht aus vier Kernkomponenten:

1. Energiebewusster Suchraum (XiResOFA)

Das Framework führt einen neuartigen Suchblock, XiResOFA, ein, der Standard-Residual-Bottleneck-Designs mit elastischen Architekturentscheidungen erweitert, die mit der Once-for-All (OFA)-Suche kompatibel sind. Jeder Block wird durch ein Tupel $(r, k, t)$ parametrisiert:

Kompressionsverhältnis ( $r$ ): Wählbar aus $\{1, 0.5, 0.25\}$ zur Steuerung der Kanalbreite.
Kernel-Größe ( $k$ ): Wählbar aus $\{1, 3, 5\}$ zur Anpassung der rezeptiven Felder.
Aufmerksamkeits-Typ ( $t$ ): Wählbar zwischen „lite"- und „full"-Aufmerksamkeitsmechanismen.

Diese Entscheidungen werden konsistent über den Backbone, das Feature Pyramid Network (FPN) und das Path Aggregation Network (PAN) angewendet, wodurch ein kohärenter Suchraum entsteht, in dem architektonische Entscheidungen eine direkte, interpretierbare Beziehung sowohl zur Erkennungsqualität als auch zur Hardware-Energie aufweisen.

2. Zweistufige Energieabschätzung

Um die Knappheit an Hardware-Energiedaten zu adressieren, entwickeln die Autoren ein zweistufiges Energieapproximationsmodell:

Stufe 1 (Generischer Prior): Ein vortrainierter Prädiktor $f_{base}(a)$ schätzt die Energie ausschließlich basierend auf der Architektur und erfasst übertragbare energiebezogene Muster auf Strukturebene.
Stufe 2 (Gerätespezifisches Residuum): Ein leichtgewichtiges Residuum-Modell $r(a, h)$ passt den Prior an spezifische Hardware-Ziele ( $h$ ) an und berücksichtigt Backend-Implementierung und Speicherhierarchie.
Die endgültige Schätzung lautet $\hat{E}(a, h) = f_{base}(a) + r(a, h)$ . Dieser Ansatz ermöglicht es dem System, sich mit nur 2–20 gemessenen Proben (Few-Shot-Adaptation) an ein neues Gerät zu kalibrieren, anstatt eine exhaustive Profilerstellung durchzuführen.

3. Iterative Architektursuche

Anstelle einer monolithischen gemeinsamen Suche über Backbone, FPN und PAN setzt das Framework eine iterative Suchstrategie ein. Es verfeinert jede Komponente progressiv, während es sich auf die aktuellen Entscheidungen der anderen Komponenten konditioniert:

Optimierung des Backbones unter Berücksichtigung des aktuellen FPN/PAN.
Optimierung des FPN unter Berücksichtigung des neuen Backbones und des aktuellen PAN.
Optimierung des PAN unter Berücksichtigung des neuen Backbones und FPN.
Diese stufenweise Verfeinerung reduziert die kombinatorische Komplexität, ermöglicht gleichzeitig eine gemeinsame Anpassung der Komponenten an das Energiebudget.

4. Kompositionelle Skalierung

Sobald eine einzelne optimierte Basisarchitektur ( $a^*$ ) identifiziert ist, wendet das Framework kompositionelle Skalierung an, um eine Familie einsetzbarer Varianten (nano, small, medium) zu generieren. Dies trennt die Architekturentdeckung von der Anpassung an den Einsatz und ermöglicht die Generierung von Modellen für verschiedene Betriebsregime, ohne dass für jeden Punkt eine separate Suche erforderlich ist.

Hauptbeiträge

XiYOLO-Framework: Ein neuartiger Ansatz für energieadaptive Wahrnehmung, der das Problem als Entwurf eines skalierbaren Basisdetektors formuliert, anstatt nach isolierten Modellen zu suchen.
XiResOFA-Suchraum: Ein Blockdesign mit kontrollierbarer Kompression, Kernel-Größe und Aufmerksamkeit, das interpretierbare Genauigkeits-Energie-Abwägungen ermöglicht.
Iterative Suchstrategie: Eine progressive Suchmethode über Backbone, FPN und PAN, die eine hochwertige Basisarchitektur effizienter identifiziert als eine globale gemeinsame Suche.
Zweistufiger Energie-Schätzer: Ein Modell, das einen generischen Architekturprädiktor mit einem gerätespezifischen Residuum kombiniert und die Probeneffizienz für energiebewusste Suche unter spärlichen Hardware-Messungen signifikant verbessert.

Experimentelle Ergebnisse

Experimente wurden auf den Datensätzen PascalVOC und COCO durchgeführt, mit einer echten Geräte-Einsatzumgebung auf einer ModalAI Sentinel Development Drone (ausgestattet mit einer Qualcomm Adreno 650 GPU und einem 15 TOPS NPU).

PascalVOC-Leistung: Das mittlere XiYOLO-Modell erreichte 86,15 mAP50 und übertraf YOLOv12m um +0,07 mAP50. Entscheidend war die Reduktion des Energieverbrauchs um 20,6 % auf der GPU und 35,9 % auf dem NPU im Vergleich zu YOLOv12m. Im kleinen Maßstab wurde 84,38 mAP50 mit Energieeinsparungen von 47,0 % (GPU) und 45,7 % (NPU) erreicht.
COCO-Leistung: Das mittlere Modell behielt eine wettbewerbsfähige Genauigkeit (50,71 mAP50-95) bei und reduzierte gleichzeitig den Energieverbrauch um 24,5 % auf der GPU und 38,8 % auf dem NPU relativ zu YOLOv12m. Im kleinen Maßstab wurde der Energieverbrauch um bis zu 53,7 % auf der GPU und 51,6 % auf dem NPU reduziert.
Einsatzeffizienz: Kumulative Energiebenchmarks über die Zeit zeigten, dass XiYOLO-Varianten auf GPU und NPU konsistent weniger Energie akkumulierten als YOLO-Baselines, wobei der mittlere Maßstab die signifikantesten Vorteile aufwies.
Schätzer-Effizienz: Auf HW-NAS-Bench erreichte der zweistufige Schätzer über 2–20 Few-Shot-Proben hinweg einen niedrigeren Test-RMSE als ein gemeinsamer Prädiktor und demonstrierte überlegene Probeneffizienz bei der Anpassung an neue Hardware.
Suchraumanalyse: Zufällig ausgewählte Modelle aus dem XiResOFA-Raum zeigten eine durchschnittliche Energieeinsparung von 21,1 % im Vergleich zur YOLOv12-Baseline. Der iterative Suchraum ergab eine durchschnittliche vorhergesagte mAP50-Verbesserung von ca. 3,5 % gegenüber einem globalen Suchraum.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass XiYOLO erfolgreich das Design von Edge-Detektoren als Suche nach budgetadaptiven Betriebspunkten behandelt, die mit heterogenen Hardware-Einschränkungen übereinstimmen, anstatt als Suche nach einem einzelnen effizienten Modell. Durch die Kombination eines interpretierbaren Suchraums mit einem Energie-Schätzer für spärliche Daten erreicht das Framework einen stärkeren Genauigkeits-Energie-Tradeoff als bestehende YOLO-Baselines.

Die Autoren betonen, dass ihr Ansatz interpretierbare Genauigkeits-Energie-Abwägungen unter spärlichen Hardware-Messungen ermöglicht und energiebewusstes Design über Plattformen hinweg übertragbar macht, für die genaue Energiedaten knapp sind. Die Ergebnisse deuten darauf hin, dass die Suche nach einer einzelnen Basisarchitektur und deren Skalierung eine gangbare Strategie zur Erstellung von Detektor-Familien ist, die über diverse Edge-Geräte hinweg gut funktionieren und die Systemausdauer für Anwendungen wie Suche und Rettung sowie Infrastrukturinspektion verlängern, ohne die Erkennungsqualität zu beeinträchtigen.

Die Arbeit räumt Einschränkungen ein und stellt fest, dass die Suche auf eine aus YOLOv12 abgeleitete Familie beschränkt ist, die endgültigen Modelle durch Skalierung nach der Suche und nicht durch eine Mehrpunktsuche gewonnen werden und die Bewertung auf spezifische GPU- und NPU-Einstellungen beschränkt ist. Dennoch zeigt die Arbeit, dass energiebewusste Architektursuche Detektordesigns hervorbringen kann, die sowohl genau als auch energieeffizient für heterogene Edge-Einsätze sind.