Résumé Technique : XiYOLO : Détection d'objets consciente de l'énergie via une recherche d'architecture itérative et un mise à l'échelle

Énoncé du Problème

La détection d'objets sur des périphériques hétérogènes (par exemple, drones aériens sans pilote, robots terrestres sans pilote, robots mobiles) fait face à un conflit critique entre la nécessité d'une perception fiable et des contraintes strictes en matière d'énergie, de latence et de mémoire. Bien que des détecteurs plus grands améliorent souvent la précision, ils entraînent des coûts énergétiques prohibitifs qui limitent l'autonomie du système. À l'inverse, les modèles plus petits sont efficaces mais peuvent manquer de robustesse.

Les méthodes existantes de recherche d'architecture neuronale (NAS) conscientes de l'énergie visent souvent des environnements de déploiement limités ou des modèles finaux uniques plutôt que des familles de détecteurs évolutifs. Un goulot d'étranglement majeur réside dans la difficulté d'optimiser l'énergie « réelle » : les proxies standards tels que les FLOPs, les MAC ou les nombres de paramètres échouent à prédire avec précision l'énergie mesurée, car la consommation d'énergie dépend fortement de l'appareil, influencée par le déplacement de la mémoire, la composition des opérateurs et les comportements d'exécution spécifiques à la plateforme. De plus, obtenir des mesures exhaustives de l'énergie matérielle sur un vaste espace de recherche est coûteux et souvent peu pratique.

Méthodologie

Les auteurs proposent XiYOLO, un cadre adaptatif à l'énergie conçu pour identifier une architecture de base unique économe en énergie et la mettre à l'échelle en une famille de détecteurs couvrant différents budgets de déploiement. Le cadre se compose de quatre composants principaux :

1. Espace de Recherche Conscient de l'Énergie (XiResOFA)

Le cadre introduit un nouveau bloc de recherche, XiResOFA, qui enrichit les conceptions standard de goulots d'étranglement résiduels avec des choix architecturaux élastiques compatibles avec la recherche Once-for-All (OFA). Chaque bloc est paramétré par un tuple $(r, k, t)$ :

• Taux de Compression ($r$) : Sélectionnable parmi $\{1, 0.5, 0.25\}$ pour contrôler la largeur des canaux.
• Taille du Noyau ($k$) : Sélectionnable parmi $\{1, 3, 5\}$ pour ajuster les champs récepteurs.
• Type d'Attention ($t$) : Sélectionnable entre des mécanismes d'attention « lite » et « full ».

Ces choix sont appliqués de manière cohérente à travers le backbone, le réseau de pyramide de caractéristiques (FPN) et le réseau d'agrégation de chemins (PAN), créant un espace de recherche cohérent où les décisions architecturales ont une relation directe et interprétable avec la qualité de détection et l'énergie matérielle.

2. Estimation de l'Énergie en Deux Étapes

Pour pallier la rareté des données d'énergie matérielle, les auteurs développent un modèle d'approximation de l'énergie en deux étapes :

• Étape 1 (Prior Générique) : Un prédicteur préentraîné $f_{base}(a)$ estime l'énergie uniquement sur la base de l'architecture, capturant des motifs énergétiques structurels transférables.
• Étape 2 (Résidu Spécifique à l'Appareil) : Un modèle résiduel léger $r(a, h)$ adapte le prior à des cibles matérielles spécifiques ($h$), tenant compte de l'implémentation backend et de la hiérarchie mémoire.
  L'estimation finale est $\hat{E}(a, h) = f_{base}(a) + r(a, h)$. Cette approche permet au système de se calibrer pour un nouvel appareil en utilisant uniquement 2 à 20 échantillons mesurés (adaptation few-shot) plutôt qu'un profilage exhaustif.

3. Recherche d'Architecture Itérative

Au lieu d'une recherche conjointe monolithique sur le backbone, le FPN et le PAN, le cadre emploie une stratégie de recherche itérative. Il affine progressivement chaque composant tout en se conditionnant sur les choix actuels des autres :

1. Optimiser le backbone étant donné le FPN/PAN actuel.
2. Optimiser le FPN étant donné le nouveau backbone et le PAN actuel.
3. Optimiser le PAN étant donné le nouveau backbone et le FPN.
   Cette raffinement par étapes réduit la complexité combinatoire tout en permettant aux composants de s'adapter conjointement au budget énergétique.

4. Mise à l'Échelle Composée

Une fois une architecture de base optimisée unique ($a^*$) identifiée, le cadre applique une mise à l'échelle composée pour générer une famille de variantes déployables (nano, small, medium). Cela sépare la découverte d'architecture de l'adaptation au déploiement, permettant la génération de modèles pour différents régimes de fonctionnement sans nécessiter de recherches distinctes pour chaque point.

Contributions Clés

• Cadre XiYOLO : Une approche novatrice de la perception adaptative à l'énergie qui formule le problème comme la conception d'un détecteur de base évolutif plutôt que la recherche de modèles isolés.
• Espace de Recherche XiResOFA : Une conception de bloc avec compression, taille de noyau et attention contrôlables qui permet des compromis précision-énergie interprétables.
• Stratégie de Recherche Itérative : Une méthode de recherche progressive sur le backbone, le FPN et le PAN qui identifie une architecture de base de haute qualité plus efficacement qu'une recherche conjointe globale.
• Estimateur d'Énergie en Deux Étapes : Un modèle qui combine un prédicteur d'architecture générique avec un résidu spécifique au matériel, améliorant considérablement l'efficacité de l'échantillonnage pour la recherche consciente de l'énergie sous des mesures matérielles éparses.

Résultats Expérimentaux

Les expériences ont été menées sur les ensembles de données PascalVOC et COCO, avec un déploiement sur appareil réel sur un drone de développement ModalAI Sentinel (équipé d'un GPU Qualcomm Adreno 650 et d'un NPU de 15 TOPS).

• Performance PascalVOC : Le modèle XiYOLO medium a atteint 86,15 mAP50, surpassant YOLOv12m de +0,07 mAP50. Crucialement, il a réduit la consommation d'énergie de 20,6 % sur GPU et 35,9 % sur NPU par rapport à YOLOv12m. À l'échelle small, il a atteint 84,38 mAP50 avec des réductions d'énergie de 47,0 % (GPU) et 45,7 % (NPU).
• Performance COCO : Le modèle medium a maintenu une précision compétitive (50,71 mAP50-95) tout en réduisant l'énergie de 24,5 % sur GPU et 38,8 % sur NPU par rapport à YOLOv12m. À l'échelle small, l'énergie a été réduite jusqu'à 53,7 % sur GPU et 51,6 % sur NPU.
• Efficacité de Déploiement : Les benchmarks d'énergie cumulatifs dans le temps ont montré que les variantes XiYOLO accumulaient systématiquement moins d'énergie que les bases YOLO sur GPU et NPU, l'échelle medium montrant les avantages les plus significatifs.
• Efficacité de l'Estimateur : Sur HW-NAS-Bench, l'estimateur en deux étapes a atteint un RMSE de test inférieur à celui d'un prédicteur conjoint sur 2 à 20 échantillons few-shot, démontrant une efficacité d'échantillonnage supérieure dans l'adaptation à de nouveaux matériels.
• Analyse de l'Espace de Recherche : Des modèles échantillonnés aléatoirement dans l'espace XiResOFA ont montré une réduction moyenne d'énergie de 21,1 % par rapport à la base YOLOv12. L'espace de recherche itératif a produit une amélioration moyenne prédite du mAP50 d'environ 3,5 % par rapport à un espace de recherche global.

Signification et Revendications

L'article revendique que XiYOLO traite avec succès la conception de détecteurs pour périphériques comme une recherche de points de fonctionnement adaptatifs au budget alignés sur des contraintes matérielles hétérogènes, plutôt que comme une recherche d'un modèle unique efficace. En combinant un espace de recherche interprétable avec un estimateur d'énergie à données éparses, le cadre atteint un compromis précision-énergie plus fort que les bases YOLO existantes.

Les auteurs soulignent que leur approche permet des compromis précision-énergie interprétables sous des mesures matérielles éparses, rendant la conception consciente de l'énergie transférable entre des plateformes où les données énergétiques précises sont rares. Les résultats suggèrent que la recherche d'une architecture de base unique et sa mise à l'échelle constituent une stratégie viable pour créer des familles de détecteurs performants sur divers périphériques, prolongeant l'autonomie du système pour des applications telles que la recherche et le sauvetage et l'inspection des infrastructures sans sacrifier la qualité de détection.

L'article reconnaît des limites, notant que la recherche est confinée à une famille dérivée de YOLOv12, que les modèles finaux sont obtenus par mise à l'échelle post-recherche plutôt que par recherche multi-points, et que l'évaluation est limitée à des paramètres GPU et NPU spécifiques. Néanmoins, ce travail démontre que la recherche d'architecture consciente de l'énergie peut produire des conceptions de détecteurs à la fois précises et économes en énergie pour un déploiement hétérogène sur périphériques.