💻 computer science

GhostV2-YOLO: A Hardware-Aware Lightweight UAV Detection Network for Edge NPUs

Este artículo propone GhostV2-YOLO, una red de detección de UAV ligera y consciente del hardware que integra la atención DFC-Light, un módulo C2f_GhostV2 de enlace completo y una atención de coordenadas estratégica para lograr alta precisión e inferencia en tiempo real en NPU de borde con recursos limitados, demostrando al mismo tiempo una fuerte generalización entre conjuntos de datos.

Autores originales: Jifa Zhang, Heyang Zhao, Linjiang Jia, Chen Ju, Ting Wei, Zonglin Li, Weiguang Zhang

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jifa Zhang, Heyang Zhao, Linjiang Jia, Chen Ju, Ting Wei, Zonglin Li, Weiguang Zhang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En los cielos congestionados sobre nuestras ciudades y el campo, un nuevo tipo de tráfico invisible está tomando forma. Los vehículos aéreos no tripulados, o drones, han pasado de ser juguetes para aficionados a convertirse en herramientas esenciales para la entrega, la inspección y la vigilancia. Sin embargo, esta proliferación trae consigo un desafío crítico: ¿cómo podemos detectar de manera confiable estas máquinas pequeñas y rápidas contra fondos complejos como los horizontes de las ciudades o las copas de los bosques? La respuesta reside en la visión artificial, un campo donde el software aprende a "ver" analizando patrones en imágenes. Durante años, las herramientas más efectivas para este trabajo han sido las redes de aprendizaje profundo, sistemas complejos que imitan la capacidad del cerebro humano para reconocer objetos. No obstante, estos sistemas suelen ser demasiado pesados y consumen mucha energía para ejecutarse en los dispositivos pequeños, alimentados por baterías, que necesitan vigilar los cielos en tiempo real. El objetivo de los ingenieros ha sido durante mucho tiempo construir un detector que sea lo suficientemente nítido para captar un dron diminuto y lo suficientemente ligero como para ejecutarse en un chip del tamaño de un sello postal.

Un equipo de investigadores de la Universidad Tecnológica de Xi'an ha abordado este problema exacto con un nuevo sistema que llaman GhostV2-YOLO. Su trabajo se centra en un tipo específico de hardware que se encuentra en los dispositivos de borde modernos: las unidades de procesamiento neuronal, o NPUs. Estas son chips especializados diseñados para acelerar las tareas de inteligencia artificial, pero tienen reglas estrictas sobre qué tipos de operaciones matemáticas pueden realizar de manera eficiente. Muchas redes de detección de drones existentes utilizan pasos matemáticos complejos que estos chips no pueden manejar bien, lo que obliga al dispositivo a ralentizarse y utilizar su procesador principal en su lugar. Esto crea un cuello de botella donde la velocidad teórica del chip nunca se alcanza en el mundo real. Los investigadores se propusieron diseñar una red de detección que respete estos límites de hardware desde el principio, asegurando que cada paso del proceso se ejecute sin problemas en el chip sin necesidad de recurrir a métodos más lentos.

El núcleo de su solución es un replanteamiento inteligente de cómo la red procesa la información visual. En lugar de utilizar filtros matemáticos grandes y pesados para escanear una imagen en busca de detalles, los dividieron en pasos más pequeños y simples que el hardware ama. Imagine que intenta mover un mueble pesado a través de una puerta estrecha; en lugar de forzar todo el objeto a la vez, lo descompone en partes manejables que caben fácilmente. Los investigadores aplicaron esta lógica a los "ojos" de la red, reemplazando una única operación de escaneo grande por dos más pequeñas y en cascada. Este cambio redujo la cantidad de datos que el sistema necesitaba manejar en casi un 28 por ciento, manteniendo intacta su capacidad para ver detalles finos. Además, rediseñaron la estructura interna de la red para que este enfoque ligero se utilizara en todas partes, desde la captura inicial de la imagen hasta la etapa final de toma de decisiones, en lugar de solo al principio.

Para hacer que el sistema fuera aún mejor detectando objetos pequeños, el equipo añadió un tipo específico de mecanismo de atención. De la misma manera que un humano podría concentrarse en un punto específico de una habitación concurrida para encontrar a un amigo, esta adición ayuda a la computadora a entender exactamente dónde se encuentra un objeto en el espacio. Al colocar esta herramienta de enfoque en capas clave de la red, el sistema se volvió significativamente mejor para distinguir un pequeño dron de un pájaro o una nube. El resultado es una red que no solo es más pequeña y rápida, sino también más precisa que los modelos estándar anteriores. Al ser probada en una colección personalizada de más de 20,000 imágenes que presentan drones en diversos entornos —desde áreas urbanas hasta bosques—, el nuevo sistema identificó correctamente los objetivos con alta precisión. Logró una precisión de detección del 96.36 por ciento utilizando solo 2.32 millones de parámetros, una medida de la complejidad del modelo, que es un 23 por ciento menos que el modelo de referencia estándar.

La verdadera prueba de este trabajo, sin embargo, no fue solo en simulación, sino en el despliegue físico. Los investigadores tomaron su diseño y lo instalaron en un procesador de borde HiSilicon Hi3403, un chip comúnmente utilizado en equipos de vigilancia del mundo real. El sistema funcionó a una velocidad de 25.5 fotogramas por segundo, lo que significa que podía analizar más de 25 imágenes cada segundo sin retraso. Este rendimiento cumplió con el requisito estricto de seguimiento en tiempo real, permitiendo que el dispositivo siga un dron en movimiento instantáneamente. Crucialmente, el sistema utilizó el 100 por ciento de la potencia de procesamiento especializada del chip, sin que ninguna parte del cálculo recayera en el procesador principal más lento. Esto confirmó que su diseño consciente del hardware eliminó con éxito los cuellos de botella que plagan a otros sistemas. Los investigadores también probaron el sistema en conjuntos de datos públicos que contienen imágenes de drones y aves, y mantuvo su alto rendimiento sin necesidad de entrenamiento adicional, demostrando que puede generalizar bien ante nuevas situaciones.

Este trabajo demuestra que la inteligencia artificial de alto rendimiento no requiere computadoras masivas y que consumen mucha energía. Al alinear cuidadosamente el diseño del software con las capacidades específicas del hardware en el que se ejecuta, es posible crear sistemas que sean tanto ligeros como increíblemente efectivos. La red GhostV2-YOLO ofrece un camino práctico para el despliegue de una detección de drones confiable en el campo, ya sea para asegurar aeropuertos, monitorear la vida silvestre o garantizar la seguridad pública. Demuestra que cuando los ingenieros comprenden las limitaciones de sus herramientas, pueden construir soluciones que no son solo teóricamente sólidas, sino prácticamente listas para el mundo real.

Resumen Técnico: GhostV2-YOLO

Planteamiento del Problema

La rápida proliferación de Vehículos Aéreos No Tripulados (UAV) ha creado una necesidad urgente de sistemas de detección fiables y en tiempo real para la seguridad del espacio aéreo y las operaciones anti-drones. Si bien la detección de objetos basada en aprendizaje profundo (específicamente la serie YOLO) ofrece una alta precisión, el despliegue de estos modelos en plataformas de computación perimetales (edge) con recursos limitados presenta desafíos significativos.

Un cuello de botella crítico identificado en este trabajo es el desajuste entre los diseños de redes ligeras estándar y las restricciones de hardware de las Unidades de Procesamiento Neuronal (NPU) perimetales. Muchas NPU perimetales, como la HiSilicon Hi3403, están endurecidas por hardware para acelerar únicamente operadores específicos (por ejemplo, convoluciones de $1\times1$ y $3\times3$ ). A menudo carecen de soporte nativo para operaciones no estándar comunes en redes ligeras avanzadas, tales como convoluciones de profundidad (depthwise) de $5\times5$ , el reordenamiento de canales (channel shuffling) o funciones de activación específicas (por ejemplo, h-swish). Cuando se encuentran con estos operadores no soportados, los compiladores suelen recurrir a la ejecución en CPU, lo que provoca una caída drástica en la velocidad de inferencia que anula las ganancias teóricas de eficiencia de los modelos ligeros.

Metodología

Para abordar estas restricciones, los autores proponen GhostV2-YOLO, una red de detección ligera consciente del hardware construida sobre el marco de trabajo YOLOv8. La arquitectura está diseñada para lograr un equilibrio óptimo entre precisión y eficiencia, asegurando al mismo tiempo una compatibilidad del 100% con los conjuntos de operadores de las NPU perimetales.

La metodología se basa en tres innovaciones arquitectónicas fundamentales:

Mecanismo de Atención DFC-Light:
- Problema: La atención de Convolución de Filtro Dinámico (DFC) original utiliza una convolución de profundidad de $5\times5$ para capturar dependencias espacales de largo alcance. Este operador no es compatible o es ineficiente en las NPU objetivo.
- Solución: Los autores descomponen la convolución de profundidad de $5\times5$ en dos convoluciones de profundidad de $3\times3$ en cascada. Esto mantiene un campo receptivo equivalente mientras reduce los parámetros en un 28% (de $25C$ a $18C$ ) y garantiza la total compatibilidad con la NPU.
Módulo C2f GhostV2 (Ligereza de Enlace Completo):
- Problema: Trabajos previos suelen reemplazar solo el backbone con módulos ligeros (por ejemplo, GhostNet), manteniendo los módulos estándar más pesados en el cuello (fusión de características) y la cabeza de detección.
- Solución: Los autores reemplazan todos los bloques Bottleneck estándar dentro del módulo C2f de YOLOv8 con estructuras GhostBottleneckV2. Esto extiende el paradigma de GhostNetV2 ligero desde el backbone a través del cuello hasta la cabeza de detección, logrando una verdadera eficiencia de parámetros de extremo a extremo. El GhostBottleneckV2 integra la atención de canal SE (Squeeze-and-Excitation), mientras que la atención espacial DFC-Light se aplica a la salida concatenada de las instancias de GhostModuleV2 dentro del bottleneck cuando el stride es 1.
Integración Estratégica de CoordAtt:
- Problema: La reducción de peso (lightweighting) a menudo conduce a una pérdida de la capacidad de representación de características, particularmente para objetivos de tamaño pequeño y mediano comunes en la detección de UAV.
- Solución: Los módulos de Atención de Coordenadas (CoordAtt) se insertan estratégicamente en las capas de características P3 ( $80\times80$ ) y P4 ( $40\times40$ ) del backbone. Esto proporciona una codificación de posición independiente para mejorar la detección de objetivos pequeños, complementando los mecanismos de atención de canal y espacial ya presentes en el GhostBottleneck.

Entrenamiento y Despliegue:
El modelo fue entrenado con un conjunto de datos personalizado de 20,256 imágenes de UAV utilizando el optimizador AdamW y una función de pérdida compuesta (CIoU + BCE). Para el despliegue, el modelo PyTorch se exportó a ONNX, se compiló mediante el Ascend Tensor Compiler (ATC) en un formato dedicado .om para la HiSilicon Hi3403 con cuantización INT8, y se ejecutó en un dispositivo perimetal basado en Linux.

Contribuciones Clave

Diseño Consciente del Hardware: El artículo introduce una red de detección optimizada específicamente para las restricciones de operadores de las NPU perimetales nacionales, evitando caídas de rendimiento causadas por la reversión a CPU.
Ligereza de Enlace Completo: A diferencia del estado del arte que limita la ligereza al backbone, GhostV2-YOLO extiende la estructura GhostNetV2 a través de toda la red (backbone y cuello), reduciendo los parámetros en un 23% en comparación con la línea base YOLOv8n.
Atención Sinérgica: La combinación de los mecanismos DFC-Light, SE y CoordAtt compensa la pérdida de representación del backbone ligero, lo que resulta en mejoras de precisión a pesar de la reducción en el número de parámetros.
Validación Exhaustiva: El estudio incluye extensos estudios de ablación, comparaciones con arquitecturas principales (MobileNetV3, ShuffleNetV2) y pruebas de transferencia zero-shot en benchmarks públicos (Drone-vs-Bird, DUT Anti-UAV).

Resultados

Los experimentos se realizaron en un conjunto de datos de UAV personalizado y en dos benchmarks públicos.

Compromiso Precisión-Eficiencia: En el conjunto de datos personalizado, GhostV2-YOLO logró un 96.36% de mAP@50 y un 67.05% de mAP@50:95 con solo 2.32M de parámetros y 6.3 GFLOPs.
- En comparación con YOLOv8n, redujo los parámetros en un 23% mientras mejoraba el mAP@50:95 en un 0.53%.
- Superó a otros modelos ligeros como MobileNetV3-YOLO y ShuffleNetV2-YOLO tanto en precisión como en eficiencia.
Generalización: Las pruebas de transferencia zero-shot mostraron mejoras significativas sobre la línea base en conjuntos de datos públicos:
- Drone-vs-Bird: +4.35 puntos porcentuales en mAP@50 (42.29% a 46.64%) y +4.48 puntos porcentuales en mAP@50:95 (21.68% a 26.16%).
- DUT Anti-UAV: +0.41 puntos porcentuales en mAP@50:95 (50.07% a 50.34%).
Despliegue Perimetal: Desplegado en la NPU perimetal HiSilicon Hi3403, el modelo alcanzó una velocidad de inferencia en tiempo real de 25.5 FPS con una latencia de extremo a extremo de 39.2 ms.
- La utilización de la NPU fue del 95.9%, y todos los operadores fueron soportados nativamente, confirmando la compatibilidad del 100% sin reversión a CPU.
- El tamaño del modelo fue de 9.0 MB.

Significado y Reivindicaciones

El artículo afirma que GhostV2-YOLO aborda con éxito el trilema "precisión-eficiencia-hardware" en la detección de UAV perimetales. Su principal significado radica en demostrar que el diseño consciente del hardware —específicamente adaptar la elección de los operadores a las capacidades de la NPU objetivo— es más crítico que simplemente adoptar la última arquitectura ligera.

Los autores aseguran que su enfoque permite:

Rendimiento en tiempo real en dispositivos perimetales de bajo costo y recursos limitados donde los modelos ligeros estándar podrían fallar debido a operadores no soportados.
Una generalización superior para la detección de objetivos pequeños mediante el uso estratégico de la atención de coordenadas, lo cual es crucial para distinguir UAV de aves o ruido de fondo.
Viabilidad de ingeniería, validada por un flujo completo de despliegue desde el entrenamiento del modelo hasta la inferencia en placa en una plataforma NPU nacional específica.

El trabajo concluye que, si bien los mecanismos de atención individuales ofrecen ganancias limitadas, la integración sinérgica de múltiples tipos de atención dentro de una arquitectura con restricciones de hardware permite que el modelo supere a las líneas base más pesadas con significativamente menos parámetros.