Does YOLO26 Truly Offer Advantages Over Its Predecessors for Edge Deployment? A Benchmark Study in Aquaculture

Sintesi Tecnica: Benchmarking di YOLO26 per l'implementazione Edge in Acquacoltura

Problematica
L'adozione della Computer Vision (CV) e dell'Intelligenza Artificiale (AI) nell'acquacoltura intensiva, in particolare nei sistemi di acquacoltura a ricircolo (RAS), offre un potenziale significativo per il monitoraggio automatizzato della salute e del benessere dei pesci. Tuttavia, l'implementazione di questi sistemi affronta sfide uniche, tra cui l'alta densità di stoccaggio, la torbidità dell'acqua, le distorsioni ottiche e il movimento rapido e imprevedibile degli animali acquatici. Un vincolo critico è la dipendenza da dispositivi edge con risorse limitate (ad esempio, computer a scheda singola basati su CPU come il Raspberry Pi) a causa della larghezza di banda limitata per la trasmissione al cloud e dell'elevato costo/consumo energetico delle piattaforme embedded accelerate da GPU.

Sebbene la famiglia di modelli You Only Look Once (YOLO) sia ampiamente utilizzata per il rilevamento di oggetti in tempo reale, le prestazioni dell'ultima generazione, YOLO26, rimangono non validate in scenari specifici del dominio dell'acquacoltura. YOLO26 introduce innovazioni architettoniche come l'inferenza end-to-end priva di Non-Maximum Suppression (NMS) e ottimizzazioni per l'implementazione edge basata su CPU. La domanda centrale affrontata da questo studio è se tali avanzamenti architettonici si traducano in vantaggi tangibili rispetto ai predecessori (YOLOv5u, YOLOv8 e YOLO11), o se la selezione del modello debba essere guidata da altri fattori come la disponibilità di dati e i vincoli hardware.

Metodologia
Questo studio ha condotto una valutazione comparativa completa di dodici varianti di modelli Ultralytics YOLO (quattro generazioni: v5u, v8, 11, 26; attraverso tre scale: nano, small, medium) per il rilevamento della mortalità dei pesci (morti vs vivi).

• Dataset: È stato utilizzato un dataset RAS a scala semi-commerciale (RAS-MortDB), composto da 2.000 immagini annotate manualmente di salmone atlantico (Salmo salar) raccolte in 90 giorni. Il dataset includeva diverse condizioni di illuminazione (ambientale e supplementare) e livelli di mortalità. Le immagini sono state aumentate per creare un set di addestramento di 2.800 immagini con 2.204 istanze di 'morti' e 3.209 istanze di 'vivi'.
• Ambiente di Addestramento: I modelli sono stati addestrati su un cluster di GPU NVIDIA A100 utilizzando iperparametri standardizzati (100 epoche, input 640px, batch size 32) per garantire un confronto equo.
• Metriche di Valutazione:
  1. Accuratezza: Mean Average Precision a IoU 0.50 (mAP50) e 0.50–0.95 (mAP50-95).
  2. Efficienza dei Dati: Analisi della curva di apprendimento attraverso sette dimensioni del dataset (da 100 a 2.800 immagini) per determinare i requisiti minimi di dati per il 90% di mAP50.
  3. Prestazioni GPU: Velocità di inferenza (FPS) e latenza su GPU A100, distinguendo tra tempo di forward-pass grezzo, tempo di post-processing (overhead NMS) e latenza end-to-end.
  4. Implementazione Edge: Benchmarking dell'inferenza su un Raspberry Pi 5 (solo CPU, 8GB RAM) utilizzando ONNX Runtime. Le metriche includevano latenza media, FPS, stato di thermal throttling e dimensione del modello (impronta ONNX).

Risultati Chiave

• Accuratezza del Rilevamento: Tutti i 12 modelli hanno raggiunto un'accuratezza di rilevamento comparabile sull'intero dataset, con valori mAP50 che variano strettamente dal 93,77% (YOLOv8m) al 94,81% (YOLO11m). La differenza di solo 1,04 punti percentuali indica che la generazione architettonica ha un'influenza minima sull'accuratezza finale del rilevamento della mortalità quando sono disponibili sufficienti dati di addestramento.
• Efficienza dei Dati: YOLOv8 ha dimostrato una superiore efficienza di addestramento, raggiungendo ≥90% di mAP50 con solo 400 immagini di addestramento. Al contrario, YOLO26 (varianti nano e small) ha richiesto 1.000 immagini per raggiungere la stessa soglia, risultando circa 2,5 volte meno efficiente in termini di dati. Ciò è attribuito alla strategia di assegnazione delle etichette one-to-one di YOLO26, che produce segnali di supervisione più sparsi rispetto alle strategie many-to-one dei modelli precedenti.
• Inferenza GPU: Su GPU ad alte prestazioni, YOLOv8 ha costantemente raggiunto le velocità di inferenza (FPS) più elevate e la latenza end-to-end più bassa. Nonostante il design senza NMS di YOLO26 riduca significativamente l'overhead di post-processing, esso ha comportato una latenza residua più elevata (pre-processing e allocazione dei tensor), risultando in un FPS complessivo inferiore rispetto a YOLOv8 e YOLOv5u.
• Inferenza Edge (CPU): Le classificazioni delle prestazioni si sono invertite sul Raspberry Pi 5, con risorse limitate:
  • Livelli Nano/Small: YOLO26n ha ottenuto la velocità di inferenza più alta (7,51 FPS), superando YOLOv8n (6,51 FPS) e YOLO11n (6,71 FPS). Questo valida il design senza NMS di YOLO26 per l'efficienza della CPU.
  • Livello Medium: Sorprendentemente, YOLOv5mu ha superato tutti gli altri modelli di scala media (1,25 FPS contro ~1,05 FPS per YOLO26m), probabilmente a causa della semplicità strutturale della sua architettura basata su anchor, più compatibile con i set di istruzioni delle CPU ARM rispetto ai complessi meccanismi di attenzione dei modelli più recenti.
• Dimensione del Modello: YOLO26n ha prodotto l'export ONNX più piccolo (9,8 MB), offrendo vantaggi per i dispositivi edge con memoria limitata.

Contributi Chiaves

1. Validazione Specifico-Dominio: Questo studio fornisce il primo benchmark peer-reviewed di YOLO26 in un contesto di acquacoltura, andando oltre i benchmark generici (ad es. COCO) per validare le prestazioni su dati reali di mortalità dei pesci.
2. Approccio Hardware-Agnostic: La ricerca evidenzia una divergenza critica tra le prestazioni GPU e quelle CPU, dimostrando che i benchmark GPU sono indicatori insufficienti per la idoneità all'implementazione edge.
3. Analisi dell'Efficienza dei Dati: Lo studio quantifica il compromesso tra novità architettonica e requisiti di dati, rivelando che le architetture più recenti (YOLO26) possono richiedere dataset annotati significativamente più grandi per convergere ai livelli di prestazione dei modelli stabiliti (come YOLOv8).
4. Risorse Open-Source: Gli autori si sono impegnati a rilasciare il dataset RAS-MortDB e tutti i pesi dei modelli addestrati (PyTorch e ONNX) per facilitare la riproducibilità e ulteriori ricerche.

Significato e Rivendicazioni
L'articolo conclude che la novità architettonica da sola è un criterio insufficiente per la selezione del modello nelle applicazioni di acquacoltura. Sebbene YOLO26 offra vantaggi distinti per l'implementazione edge basata su CPU (specificamente nei livelli nano/small) grazie alla sua inferenza senza NMS, questi benefici comportano dei compromessi in termini di efficienza dei dati e tempi di addestramento.

Gli autori affermano che la selezione del modello dovrebbe essere guidata da un framework orientato all'implementazione che consideri:

• Disponibilità dei Dati: Se i dati annotati sono scarsi, YOLOv8 è preferibile grazie alla sua convergenza più rapida.
• Hardware Target: Per dispositivi edge con CPU limitata, YOLO26 (livelli nano/small) o YOLOv5 (livello medium) possono offrire velocità di inferenza superiori rispetto alle generazioni più recenti.
• Requisiti di Inferenza: Compiti ad alto throughput su GPU possono favorire YOLOv8, mentre compiti a basso consumo su edge possono beneficiare del design snello di YOLO26.

Lo studio sottolinea che, per il compito specifico del rilevamento della mortalità dei pesci nei RAS, dove gli eventi si sviluppano in minuti piuttosto che in secondi, le differenze marginali di accuratezza tra i modelli sono trascurabili. Pertanto, i vincoli pratici — come il costo dell'annotazione, i limiti hardware e il consumo energetico — dovrebbero guidare le decisioni di implementazione piuttosto che la ricerca dell'ultima generazione architettonica. Gli autori invitano a non fare affidamento esclusivamente sui benchmark GPU e raccomandano una rigorosa validazione sull'hardware edge target per garantire la viabilità operativa.