Resumen Técnico: XiYOLO: Detección de Objetos Consciente de la Energía mediante Búsqueda Iterativa de Arquitectura y Escalado

Enunciado del Problema

La detección de objetos en dispositivos periféricos heterogéneos (por ejemplo, UAVs, UGVs, robots móviles) enfrenta un conflicto crítico entre la necesidad de una percepción fiable y las restricciones estrictas de energía, latencia y memoria. Si bien los detectores más grandes suelen mejorar la precisión, incurren en costos energéticos prohibitivos que limitan la autonomía del sistema. Por el contrario, los modelos más pequeños son eficientes pero pueden carecer de robustez.

Los métodos existentes de Búsqueda de Arquitectura Neural (NAS) conscientes de la energía a menudo se dirigen a entornos de despliegue limitados o a modelos finales individuales en lugar de familias de detectores escalables. Un cuello de botella principal es la dificultad de optimizar la energía "real": los proxies estándar como FLOPs, MACs o conteos de parámetros no predicen con precisión la energía medida, ya que el consumo energético depende en gran medida del dispositivo, influenciado por el movimiento de memoria, la composición de operadores y los comportamientos de ejecución específicos de la plataforma. Además, obtener mediciones exhaustivas de energía de hardware en un espacio de búsqueda amplio es costoso y a menudo poco práctico.

Metodología

Los autores proponen XiYOLO, un marco adaptativo a la energía diseñado para identificar una única arquitectura base eficiente energéticamente y escalarla en una familia de detectores a través de diferentes presupuestos de despliegue. El marco consta de cuatro componentes principales:

1. Espacio de Búsqueda Consciente de la Energía (XiResOFA)

El marco introduce un bloque de búsqueda novel, XiResOFA, que amplía los diseños estándar de cuello de botella residual con opciones arquitectónicas elásticas compatibles con la búsqueda Once-for-All (OFA). Cada bloque se parametriza mediante una tupla $(r, k, t)$:

• Ratio de Compresión ($r$): Seleccionable de $\{1, 0.5, 0.25\}$ para controlar el ancho de canal.
• Tamaño de Núcleo ($k$): Seleccionable de $\{1, 3, 5\}$ para ajustar los campos receptivos.
• Tipo de Atención ($t$): Seleccionable entre mecanismos de atención "lite" y "full".

Estas opciones se aplican consistentemente en el backbone, la Red de Pirámide de Características (FPN) y la Red de Agregación de Caminos (PAN), creando un espacio de búsqueda coherente donde las decisiones arquitectónicas tienen una relación directa e interpretable tanto con la calidad de detección como con la energía del hardware.

2. Estimación de Energía en Dos Etapas

Para abordar la escasez de datos de energía de hardware, los autores desarrollan un modelo de aproximación de energía en dos etapas:

• Etapa 1 (Prior Genérico): Un predictor preentrenado $f_{base}(a)$ estima la energía basándose únicamente en la arquitectura, capturando patrones de energía transferibles a nivel de estructura.
• Etapa 2 (Residual Específico del Dispositivo): Un modelo residual ligero $r(a, h)$ adapta el prior a objetivos de hardware específicos ($h$), teniendo en cuenta la implementación del backend y la jerarquía de memoria.
  La estimación final es $\hat{E}(a, h) = f_{base}(a) + r(a, h)$. Este enfoque permite al sistema calibrarse para un nuevo dispositivo utilizando solo 2–20 muestras medidas (adaptación few-shot) en lugar de un perfilado exhaustivo.

3. Búsqueda Iterativa de Arquitectura

En lugar de una búsqueda conjunta monolítica sobre el backbone, FPN y PAN, el marco emplea una estrategia de búsqueda iterativa. Refina progresivamente cada componente mientras condiciona las elecciones actuales de los demás:

1. Optimizar el backbone dado el FPN/PAN actual.
2. Optimizar el FPN dado el nuevo backbone y el PAN actual.
3. Optimizar el PAN dado el nuevo backbone y el FPN.
   Esta refinamiento por etapas reduce la complejidad combinatoria mientras permite que los componentes se co-adapten al presupuesto energético.

4. Escalado Compuesto

Una vez identificada una única arquitectura base optimizada ($a^*$), el marco aplica escalado compuesto para generar una familia de variantes desplegable (nano, small, medium). Esto separa el descubrimiento de la arquitectura de la adaptación al despliegue, permitiendo la generación de modelos para diferentes regímenes operativos sin requerir búsquedas separadas para cada punto.

Contribuciones Clave

• Marco XiYOLO: Un enfoque novel para la percepción adaptativa a la energía que formula el problema como el diseño de un detector base escalable en lugar de buscar modelos aislados.
• Espacio de Búsqueda XiResOFA: Un diseño de bloque con compresión controlable, tamaño de núcleo y atención que permite compensaciones interpretables entre precisión y energía.
• Estrategia de Búsqueda Iterativa: Un método de búsqueda progresiva sobre backbone, FPN y PAN que identifica una arquitectura base de alta calidad de manera más eficiente que una búsqueda conjunta global.
• Estimador de Energía en Dos Etapas: Un modelo que combina un predictor de arquitectura genérico con un residual específico de hardware, mejorando significativamente la eficiencia de muestras para la búsqueda consciente de la energía bajo mediciones de hardware escasas.

Resultados Experimentales

Los experimentos se realizaron en los conjuntos de datos PascalVOC y COCO, con despliegue en dispositivos reales en un Drone de Desarrollo ModalAI Sentinel (con GPU Qualcomm Adreno 650 y NPU de 15 TOPS).

• Rendimiento en PascalVOC: El modelo XiYOLO medium logró 86.15 mAP50, superando a YOLOv12m en +0.07 mAP50. Crucialmente, redujo el consumo de energía en un 20.6% en GPU y un 35.9% en NPU en comparación con YOLOv12m. A escala small, logró 84.38 mAP50 con reducciones de energía del 47.0% (GPU) y 45.7% (NPU).
• Rendimiento en COCO: El modelo medium mantuvo una precisión competitiva (50.71 mAP50-95) mientras reducía la energía en un 24.5% en GPU y un 38.8% en NPU con respecto a YOLOv12m. A escala small, la energía se redujo hasta un 53.7% en GPU y un 51.6% en NPU.
• Eficiencia de Despliegue: Las pruebas de referencia de energía acumulada a lo largo del tiempo mostraron que las variantes de XiYOLO acumularon consistentemente menos energía que las líneas base de YOLO tanto en GPU como en NPU, siendo la escala medium la que mostró las ventajas más significativas.
• Eficiencia del Estimador: En HW-NAS-Bench, el estimador en dos etapas logró un RMSE de prueba menor que un predictor conjunto a través de 2–20 muestras few-shot, demostrando una superior eficiencia de muestras al adaptarse a nuevo hardware.
• Análisis del Espacio de Búsqueda: Modelos muestreados aleatoriamente del espacio XiResOFA mostraron una reducción de energía promedio del 21.1% en comparación con la línea base YOLOv12. El espacio de búsqueda iterativa produjo una mejora promedio predicha de mAP50 de ~3.5% sobre un espacio de búsqueda global.

Significado y Afirmaciones

El artículo afirma que XiYOLO trata con éxito el diseño de detectores periféricos como una búsqueda de puntos de operación adaptativos al presupuesto alineados con restricciones de hardware heterogéneo, en lugar de una búsqueda de un único modelo eficiente. Al combinar un espacio de búsqueda interpretable con un estimador de energía de datos escasos, el marco logra una compensación precisión-energía más fuerte que las líneas base de YOLO existentes.

Los autores enfatizan que su enfoque permite compensaciones interpretables entre precisión y energía bajo mediciones de hardware escasas, haciendo que el diseño consciente de la energía sea transferible entre plataformas donde los datos precisos de energía son escasos. Los resultados sugieren que buscar una única arquitectura base y escalarla es una estrategia viable para crear familias de detectores que funcionen bien en diversos dispositivos periféricos, extendiendo la autonomía del sistema para aplicaciones como búsqueda y rescate e inspección de infraestructuras sin sacrificar la calidad de detección.

El artículo reconoce limitaciones, señalando que la búsqueda se confina a una familia derivada de YOLOv12, los modelos finales se obtienen mediante escalado post-búsqueda en lugar de búsqueda multi-punto, y la evaluación se limita a configuraciones específicas de GPU y NPU. No obstante, el trabajo demuestra que la búsqueda de arquitectura consciente de la energía puede producir diseños de detectores que son tanto precisos como eficientes energéticamente para el despliegue periférico heterogéneo.