Scale-Dependent Performance of YOLOv12 andYOLOv11 for Automated Blood Cell Detection: A Controlled Benchmark on BCCD

Declaración del Problema

La detección automatizada de glóbulos rojos (RBC), glóbulos blancos (WBC) y plaquetas en frotis de sangre periférica es fundamental para mejorar la velocidad y la reproducibilidad del análisis hematológico. Si bien el aprendizaje profundo, particularmente la familia YOLO (You Only Look Once), se ha vuelto dominante para esta tarea, los beneficios de rendimiento de la recién lanzada YOLOv12 sobre su predecesora, YOLOv11, siguen siendo inciertos. Específicamente, YOLOv12 introduce un diseño "centrado en la atención" que cuenta con módulos de Atención de Área (A2) y bloques de Red de Agregación de Capas Eficientes Residuales (R-ELAN), lo que teóricamente ofrece un mejor razonamiento de contexto para células morfológicamente distintas y superpuestas. Sin embargo, ningún estudio había realizado previamente un benchmark controlado, escala por escala, comparando las cinco variantes (desde nano hasta extra-large) de YOLOv12 contra YOLOv11 en el conjunto de datos estándar de Conteo y Detección de Células Sanguíneas (BCCD) bajo condiciones experimentales idénticas.

Metodología

Los autores realizaron un benchmark controlado y riguroso para eliminar las variables de confusión que suelen encontrarse en los estudios comparativos.

• Conjunto de Datos: El estudio utilizó el conjunto de datos BCCD v3, que comprende 364 imágenes de frotis de sangre microscópicos. Se aplicó una división fija y reproducible de 70/15/15 para entrenamiento/validación/prueba (semilla aleatoria 42), lo que resultó en 255 imágenes de entrenamiento, 55 de validación y 54 de prueba.
• Aumento de Datos: Para abordar el pequeño tamaño del conjunto de entrenamiento, se aplicó un aumento de datos fuera de línea exclusivamente a la división de entrenamiento. Se utilizaron siete transformaciones (giros, rotaciones, recortes, fluctuación de HSV) para seleccionar dos aumentos por imagen, expandiendo el conjunto de entrenamiento de 255 a 765 imágenes. Los conjuntos de validación y prueba permanecieron sin aumentos.
• Modelos: Se evaluaron los diez modelos: cinco variantes de YOLOv12 (n, s, m, l, x) y cinco variantes de YOLOv11 (n, s, m, l, x).
  • YOLOv11: Utiliza bloques de backbone C3k2 y un cuello C2PSA (bloque convolucional con Atención Espacial Paralela).
  • YOLOv12: Reemplaza el cuello C2PSA con un módulo de Atención de Área (A2) (aplicando auto-atención dentro de regiones localizadas) y utiliza bloques R-ELAN en el backbone.
• Protocolo de Entrenamiento: Todos los modelos fueron entrenados durante 100 épocas en una única GPU NVIDIA A100-SXM4-40 GB utilizando Ultralytics 8.x y PyTorch 2.10. Los hiperparámetros (optimizador, momentum, decaimiento de peso) fueron idénticos en todas las ejecuciones, y las tasas de aprendizaje se ajustaron únicamente según la escala. Los modelos se inicializaron con pesos preentrenados de COCO.
• Métricas de Evaluación: El rendimiento se evaluó en el conjunto de prueba reservado utilizando mAP@0.5, mAP@0.5:0.95, precisión promedio por clase (AP), latencia de inferencia y GFLOPs.
• Análisis Estadístico: Para determinar si las diferencias de rendimiento se debían al ruido de muestreo o a ventajas arquitectónicas genuinas, los autores aplicaron la prueba exacta de McNemar a los resultados de detección por imagen emparejados (detectado vs. omitido) para cada variante de escala.

Resultos Clave

1. Rendimiento General y Eficiencia

• Rendimiento Medio: A través de las cinco escalas, el mAP@0.5 medio fue casi idéntico entre las dos familias: 91.40% ± 0.91% para YOLOv12 y 91.38% ± 0.69% para YOLOv11.
• Mejor Modelo Individual: YOLOv12n logró el mejor equilibrio para el despliegue en el borde (edge), con el mAP@0.5 más alto (92.51%), la latencia más baja (1.8 ms) y el menor costo computacional (6.5 GFLOPs).
• Rendimiento por Clase: La detección de WBC estuvo saturada en todos los modelos (AP > 98%). La detección de RBC mostró una ligera ventaja para YOLOv11 (AP medio 85.77% vs. 85.35%), mientras que la detección de plaquetas fue más alta en la escala extra-large para ambos (92.95%).

2. Diferencias Estadísticas Dependientes de la Escala
Aunque el mAP agregado fue similar, la prueba exacta de McNemar reveló diferencias de recall significativas y no monotónicas basadas en la escala del modelo:

• Escala Nano: YOLOv12n superó significativamente a YOLOv11n en recall (94.53% vs. 91.38%, p = 0.0008).
• Escala Small: No se encontró una diferencia estadísticamente significativa (p = 0.1034).
• Escalas Medium y Large: La tendencia se revirtió. YOLOv11 superó significativamente a YOLOv12 en recall en la escala medium (89.60% vs. 82.08%, p < 0.0001) y large (90.29% vs. 85.23%, p < 0.0001).
• Escala Extra-Large: Ambas arquitecturas convergieron a un recall idéntico (96.44%, p = 1.0000) y un mAP@0.5 idéntico (92.14%).

3. Análisis de Errores

• Fallos de Consenso: Un análisis de los objetos omitidos por al menos 8 de los 10 modelos identificó 21 "fallos de consenso". Estos fueron predominantemente RBC parcialmente ocluidos por otras células o plaquetas con bajo contraste. Esto sugiere que los errores restantes son impulsados por la calidad de la imagen y la ambigüedad de la anotación (por ejemplo, células superpuestas) más que por limitaciones arquitectónicas específicas de YOLOv11 o YOLOv12.
• Dinámica de Entrenamiento: Ambas arquitecturas demostraron una reducción suave de la pérdida y un entrenamiento estable en todas las escalas, sin evidencia de divergencia.

Contribuciones Clave

1. Primer Benchmark Controlado Escala por Escala: Este es el primer estudio que evalúa las cinco variantes de escala de YOLOv12 frente a YOLOv11 en el conjunto de datos BCCD bajo condiciones estrictamente idénticas (división de datos, aumento, hiperparámetros y hardware).
2. Revelación de la Eficacia Arquitectónica Dependiente de la Escala: El estudio demuestra que YOLOv12 no supera uniformemente a YOLOv11. En cambio, la ventaja del diseño centrado en la atención es altamente dependiente de la escala, favoreciendo a YOLOv12 solo en la escala nano y a YOLOv11 en las escalas medium y large.
3. Rigor Estadístico: Al aplicar la prueba exacta de McNemar al recall, los autores descubrieron brechas de rendimiento significativas que fueron enmascaradas por las métricas de mAP agregado, proporcionando una visión más matizada de la sensibilidad de detección.

Significancia y Reclamaciones

El artículo sostiene que la selección de modelos para la detección automatizada de células sanguíneas no debe basarse únicamente en las puntuaciones de mAP agregado, sino que debe considerar la escala específica del modelo y los requisitos operativos (latencia vs. recall).

• Para Despliegue en el Borde (Edge): YOLOv12n se identifica como la opción superior, ofreciendo el mAP más alto, la latencia más baja y una ventaja de recall estadísticamente significativa sobre su contraparte YOLOv11.
• Para Aplicaciones Críticas de Recall: En las escalas medium y large, YOLOv11 es preferible, ya que proporciona mejoras de recall estadísticamente significativas (hasta 7.5 puntos porcentuales) sobre YOLOv12.
• Rendimientos Decrecientes: En la escala extra-large, ambas arquitecturas convergen, lo que sugiere que simplemente aumentar la capacidad del modelo no resolverá los errores de detección restantes causados por la superposición de células y el bajo contraste. Las ganancias futuras probablemente dependerán de la consistencia de la anotación y el manejo de eritrocitos superpuestos, más que de cambios arquitectónicos.

Los autores concluyen que la introducción de la Atención de Área en YOLOv12 proporciona un beneficio mensurable solo en la capacidad de modelo más pequeña, mientras que el diseño convolucional de YOLOv11 sigue siendo más robusto para escalas intermedias en este dominio específico.