💻 computer science

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

Ce document propose GhostV2-YOLO, un réseau de détection d'UAV léger et conscient du matériel qui intègre l'attention DFC-Light, un module C2f_GhostV2 à liaison complète et une attention de coordonnées stratégique afin d'atteindre une grande précision et une inférence en temps réel sur des NPU de bord aux ressources limitées, tout en démontrant une forte généralisation inter-jeux de données.

Auteurs originaux : Jifa Zhang, Heyang Zhao, Linjiang Jia, Chen Ju, Ting Wei, Zonglin Li, Weiguang Zhang

Publié 2026-08-25

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jifa Zhang, Heyang Zhao, Linjiang Jia, Chen Ju, Ting Wei, Zonglin Li, Weiguang Zhang

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans les cieux encombrés au-dessus de nos villes et de nos campagnes, un nouveau type de trafic invisible est en train de prendre forme. Les véhicules aériens sans pilote, ou drones, ont dépassé le stade du simple jouet pour les amateurs pour devenir des outils essentiels pour la livraison, l'inspection et la surveillance. Pourtant, cette prolifération apporte un défi critique : comment repérer de manière fiable ces petites machines rapides sur des arrière-plans complexes comme les silhouettes urbaines ou les canopées forestières ? La réponse réside dans la vision par ordinateur, un domaine où le logiciel apprend à « voir » en analysant les motifs dans les images. Pendant des années, les outils les plus efficaces pour cette tâche ont été les réseaux d'apprentissage profond, des systèmes complexes qui imitent la capacité du cerveau humain à reconnaître les objets. Cependant, ces systèmes sont souvent trop lourds et gourmands en énergie pour fonctionner sur les petits appareils à batterie qui doivent surveiller les cieux en temps réel. L'objectif des ingénieurs a longtemps été de construire un détecteur qui soit à la fois assez précis pour capturer un minuscule drone et assez léger pour fonctionner sur une puce de la taille d'un timbre-poste.

Une équipe de chercheurs de l'Université technologique de Xi'an a abordé ce problème exact avec un nouveau système qu'ils appellent GhostV2-YOLO. Leur travail se concentre sur un type spécifique de matériel que l'on trouve dans les appareils de pointe modernes : les unités de traitement neuronal, ou NPU. Ce sont des puces spécialisées conçues pour accélérer les tâches d'intelligence artificielle, mais elles ont des règles strictes concernant les types d'opérations mathématiques qu'elles peuvent effectuer efficacement. De nombreux réseaux de détection de drones existants utilisent des étapes mathématiques complexes que ces puces ne peuvent pas gérer correctement, forçant l'appareil à ralentir et à utiliser son processeur principal. Cela crée un goulot d'étranglement où la vitesse théorique de la puce n'est jamais atteinte dans le monde réel. Les chercheurs ont entrepris de concevoir un réseau de détection qui respecte ces limites matérielles dès le départ, garantissant que chaque étape du processus s'exécute de manière fluide sur la puce sans avoir besoin de recourir à des méthodes plus lentes.

Le cœur de leur solution est une refonte intelligente de la manière dont le réseau traite l'information visuelle. Au lieu d'utiliser de grands et lourds filtres mathématiques pour scanner une image à la recherche de détails, ils ont décomposé ces filtres en étapes plus petites et plus simples que le matériel affectionne. Imaginez essayer de déplacer un meuble lourd à travers une porte étroite ; au lieu de forcer l'objet entier à passer d'un coup, vous le décomposez en parties maniables qui passent facilement. Les chercheurs ont appliqué cette logique aux « yeux » du réseau, remplaçant une seule grande opération de balayage par deux opérations plus petites et en cascade. Ce changement a réduit la quantité de données que le système devait traiter de près de 28 % tout en préservant sa capacité à voir les détails fins. De plus, ils ont redessiné la structure interne du réseau afin que cette approche légère soit utilisée partout, de la capture initiale de l'image jusqu'à l'étape finale de prise de décision, plutôt que seulement au début.

Pour rendre le système encore meilleur pour la détection de petits objets, l'équipe a ajouté un type spécifique de mécanisme d'attention. De la même manière qu'un humain pourrait se concentrer sur un point précis dans une pièce bondée pour trouver un ami, cet ajout aide l'ordinateur à comprendre exactement où se situe un objet dans l'espace. En plaçant cet outil de concentration à des couches clés du réseau, le système est devenu nettement plus apte à distinguer un petit drone d'un oiseau ou d'un nuage. Le résultat est un réseau qui est non seulement plus petit et plus rapide, mais aussi plus précis que les modèles standards précédents. Testé sur une collection personnalisée de plus de 20 000 images présentant des drones dans divers environnements — des zones urbaines aux forêts — le nouveau système a identifié les cibles avec une grande précision. Il a atteint une précision de détection de 96,36 % tout en utilisant seulement 2,32 millions de paramètres, une mesure de la complexité du modèle, soit 23 % de moins que le modèle de référence standard.

Le véritable test de ce travail, cependant, n'était pas seulement en simulation, mais en déploiement physique. Les chercheurs ont pris leur conception et l'ont installée sur un processeur de bord HiSilicon Hi3403, une puce couramment utilisée dans les équipements de surveillance réels. Le système fonctionnait à une vitesse de 25,5 images par seconde, ce qui signifie qu'il pouvait analyser plus de 25 images chaque seconde sans latence. Cette performance répondait à l'exigence stricte du suivi en temps réel, permettant à l'appareil de suivre un drone en mouvement instantanément. Crucialement, le système utilisait 100 % de la puissance de traitement spécialisée de la puce, sans qu'aucune partie du calcul ne retombe sur le processeur principal plus lent. Cela a confirmé que leur conception tenant compte du matériel avait réussi à éliminer les goulots d'étranglement qui affectent d'autres systèmes. Les chercheurs ont également testé le système sur des ensembles de données publics contenant des images de drones et d'oiseaux, et il a maintenu ses hautes performances sans nécessiter d'entraînement supplémentaire, prouvant qu'il peut bien se généraliser à de nouvelles situations.

Ce travail démontre que l'intelligence artificielle de haute performance ne nécessite pas de gros ordinateurs gourmands en énergie. En alignant soigneusement la conception du logiciel avec les capacités spécifiques du matériel sur lequel il fonctionne, il est possible de créer des systèmes qui soient à la fois légers et incroyablement efficaces. Le réseau GhostV2-YOLO offre une voie pratique pour le déploiement d'une détection de drones fiable sur le terrain, que ce soit pour sécuriser des aéroports, surveiller la faune ou assurer la sécurité publique. Il montre que lorsque les ingénieurs comprennent les contraintes de leurs outils, ils peuvent construire des solutions qui ne sont pas seulement théoriquement solides, mais pratiquement prêtes pour le monde réel.

Résumé Technique : GhostV2-YOLO

Problématique

La prolifération rapide des véhicules aériens sans pilote (UAV) a créé un besoin urgent de systèmes de détection fiables et en temps réel pour la sécurité de l'espace aérien et les opérations anti-drones. Bien que l'apprentissage profond basé sur la détection d'objets (spécifiquement la série YOLO) offre une grande précision, le déploiement de ces modèles sur des plateformes de calcul de bord (edge computing) aux ressources limitées présente des défis importants.

Un goulot d'étranglement critique identifié dans ce travail est le décalage entre les conceptions de réseaux légers standards et les contraintes matérielles des unités de traitement neuronal (NPU) de bord. De nombreux NPU de bord, tels que le HiSilicon Hi3403, sont durcis matériellement pour accélérer uniquement des opérateurs spécifiques (par exemple, des convolutions $1\times1$ et $3\times3$ ). Ils manquent souvent de support natif pour les opérations non standard courantes dans les réseaux légers avancés, telles que les convolutions depthwise $5\times5$ , le mélange de canaux (channel shuffling), ou des fonctions d'activation spécifiques (par exemple, h-swish). Lorsque ces opérateurs non supportés sont rencontrés, les compilateurs basculent souvent vers une exécution par CPU, provoquant une chute drastique de la vitesse d'inférence qui annule les gains théoriques d'efficacité des modèles légers.

Méthodologie

Pour répondre à ces contraintes, les auteurs proposent GhostV2-YOLO, un réseau de détection léger conscient du matériel (hardware-aware), construit sur le framework YOLOv8. L'architecture est conçue pour atteindre un équilibre optimal entre précision et efficacité tout en garantissant une compatibilité à 100 % avec les ensembles d'opérateurs des NPU de bord.

La méthodologie repose sur trois innovations architecturales fondamentales :

Mécanisme d'attention DFC-Light :
- Problème : L'attention originale par Convolution à Filtre Dynamique (DFC) utilise une convolution depthwise $5\times5$ pour capturer les dépendances spatiales à longue portée. Cet opérateur est soit non supporté, soit inefficace sur les NPU cibles.
- Solution : Les auteurs décomposent la convolution depthwise $5\times5$ en deux convolutions depthwise $3\times3$ en cascade. Cela maintient un champ récepteur équivalent tout en réduisant les paramètres de 28 % (de $25C$ à $18C$ ) et en assurant une pleine compatibilité NPU.
Module C2f GhostV2 (Légèreté Full-Link) :
- Problème : Des travaux antérieurs remplacent souvent uniquement le backbone par des modules légers (par exemple, GhostNet), tout en conservant des modules standards plus lourds dans le neck (fusion de caractéristiques) et la tête de détection.
- Solution : Les auteurs remplacent tous les blocs Bottleneck standards au sein du module C2f de YOLOv8 par des structures GhostBottleneckV2. Cela étend le paradigme GhostNetV2 de l'ensemble du backbone à travers le neck jusqu'à la tête de détection, atteignant une véritable efficacité de paramètres de bout en bout. Le GhostBottleneckV2 intègre l'attention de canal SE (Squeeze-and-Excitation), tandis que l'attention spatiale DFC-Light est appliquée à la sortie concaténée des instances GhostModuleV2 au sein du bottleneck lorsque le stride est de 1.
Intégration stratégique de CoordAtt :
- Problème : L'allègement entraîne souvent une perte de capacité de représentation des caractéristiques, particulièrement pour les cibles de petite et moyenne taille courantes dans la détection d'UAV.
- Solution : Des modules d'attention de coordonnées (CoordAtt) sont insérés stratégiquement aux couches de caractéristiques P3 ( $80\times80$ ) et P4 ( $40\times40$ ) du backbone. Cela fournit un encodage de position indépendant pour améliorer la détection des petites cibles, complétant ainsi les mécanismes d'attention de canal et spatiale déjà présents dans le GhostBottleneck.

Entraînement et Déploiement :
Le modèle a été entraîné sur un jeu de données personnalisé de 20 256 images d'UAV en utilisant l'optimiseur AdamW et une fonction de perte composite (CIoU + BCE). Pour le déploiement, le modèle PyTorch a été exporté vers ONNX, compilé via l'Ascend Tensor Compiler (ATC) en un format .om dédié pour le HiSilicon Hi3403 avec une quantification INT8, et exécuté sur un dispositif de bord sous Linux.

Principales Contributions

Conception Sensible au Matériel (Hardware-Aware) : Le papier introduit un réseau de détection spécifiquement optimisé pour les contraintes d'opérateurs des NPU de bord domestiques, évitant les chutes de performance causées par les replis (fallbacks) vers le CPU.
Légèreté Full-Link : Contrairement à l'état de l'art qui limite l'allègement au backbone, GhostV2-YOLO étend la structure GhostNetV2 à l'ensemble du réseau (backbone et neck), réduisant les paramètres de 23 % par rapport à la base YOLOv8n.
Attention Synergique : La combinaison des mécanismes DFC-Light, SE et CoordAtt compense la perte de représentation du backbone léger, résultant en des améliorations de précision malgré la réduction du nombre de paramètres.
Validation Complète : L'étude comprend des études d'ablation approfondies, des comparaisons avec des architectures dominantes (MobileNetV3, ShuffleNetV2) et des tests de transfert zero-shot sur des benchmarks publics (Drone-vs-Bird, DUT Anti-UAV).

Résultats

Des expériences ont été menées sur un jeu de données UAV personnalisé et deux benchmarks publics.

Compromis Précision-Efficacité : Sur le jeu de données personnalisé, GhostV2-YOLO a atteint 96,36 % de mAP@50 et 67,05 % de mAP@50:95 avec seulement 2,32 M de paramètres et 6,3 GFLOPs.
- Par rapport à YOLOv8n, il réduit les paramètres de 23 % tout en améliorant le mAP@50:95 de 0,53 %.
- Il surpasse d'autres modèles légers comme MobileNetV3-YOLO et ShuffleNetV2-YOLO en termes de précision et d'efficacité.
Généralisation : Les tests de transfert zero-shot ont montré des améliorations significatives par rapport à la base sur les jeux de données publics :
- Drone-vs-Bird : +4,35 points de pourcentage en mAP@50 (42,29 % à 46,64 %) et +4,48 points de pourcentage en mAP@50:95 (21,68 % à 26,16 %).
- DUT Anti-UAV : +0,41 point de pourcentage en mAP@50:95 (50,07 % à 50,34 %).
Déploiement sur Bord : Déployé sur le NPU de bord HiSilicon Hi3403, le modèle a atteint une vitesse d'inférence en temps réel de 25,5 FPS avec une latence de bout en bout de 39,2 ms.
- L'utilisation du NPU était de 95,9 %, et tous les opérateurs étaient supportés nativement, confirmant une compatibilité de 100 % sans repli vers le CPU.
- La taille du modèle est de 9,0 Mo.

Signification et Revendications

Le papier affirme que GhostV2-YOLO résout avec succès le trilemme "précision-efficacité-matériel" dans la détection d'UAV sur bord. Sa principale importance réside dans la démonstration que la conception sensible au matériel — spécifiquement l'adaptation du choix des opérateurs aux capacités du NPU cible — est plus critique que l'adoption simple de la dernière architecture légère.

Les auteurs affirment que leur approche permet :

Une performance en temps réel sur des dispositifs de bord à faible coût et aux ressources limitées, là où les modèles légers standards pourraient échouer en raison d'opérateurs non supportés.
Une généralisation supérieure pour la détection de petites cibles grâce à l'utilisation stratégique de l'attention de coordonnées, ce qui est crucial pour distinguer les UAV des oiseaux ou des bruits de fond.
Une faisabilité technique, validée par un pipeline de déploiement complet, de l'entraînement du modèle jusqu'à l'inférence embarquée sur une plateforme NPU domestique spécifique.

Le travail conclut que si les mécanismes d'attention isolés offrent des gains limités, l'intégration synergique de plusieurs types d'attention au sein d'une architecture contrainte par le matériel permet au modèle de surpasser des bases plus lourdes avec nettement moins de paramètres.