🤖 AI

XiYOLO: Energy-Aware Object Detection via Iterative Architecture Search and Scaling

XiYOLO は、反復的なニューラルアーキテクチャ探索と 2 段階のエネルギー推定器および複合スケーリングを組み合わせるエネルギー意識型物体検出フレームワークを導入し、YOLO ベースラインに比べて異種エッジデバイスにおいて優れた精度とエネルギーのトレードオフを達成するモデルファミリーを生成する。

原著者： Tony Tran, Richie R. Suganda, Bin Hu

公開日 2026-05-11

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Tony Tran, Richie R. Suganda, Bin Hu

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

高性能カメラシステムを小型のバッテリー駆動ドローンに搭載しようとしていると想像してください。ドローンがすべてを鮮明に捉えること（高精度）を望みつつも、バッテリーが切れることなく長時間飛行できること（低消費電力）も必要です。

問題は、ほとんどの「スマート」カメラシステムが、重くガソリンを大量に消費するトラックのようであることです。よく見えますが、バッテリーを急速に消耗します。一方、小型システムは自転車のようです。エネルギーを節約しますが、重要な詳細を見逃したり、暗闇で苦労したりする可能性があります。

本論文は、ドローンやロボットにとって「完璧なハイブリッド車」となるようなカメラシステムを設計する新しい方法、XiYOLO を紹介します。以下に、その手法を簡単な概念に分解して説明します。

1. 問題：「万能だが実際には何にも合わない」ジレンマ

通常、エンジニアは特定のドローンに対して特定のカメラモデルを選択する必要があります。より大型のドローンが必要な場合、ゼロから新しいカメラを設計しなければなりません。また、カメラが消費するバッテリー量を推測することは、車のエンジンサイズを見るだけでガソリン消費量を推測しようとするようなものです。実際には、エンジンの動き方、車の重量、道路の状況などが消費量に影響します。現実世界のエネルギー消費は、実際にテストしない限り予測が難しく、テストには時間がかかり、節約しようとしているバッテリーを消耗してしまいます。

2. 解決策：「マスター設計図」（XiYOLO）

すべてのドローンに対して新しいカメラを設計する代わりに、著者たちはマスター設計図（「ベースアーキテクチャ」と呼ばれる）を作成しました。これは、高品質で調整可能なテントのようなものです。

探索：彼らは単に最良の設計を推測したわけではありません。「ニューラルアーキテクチャサーチ」と呼ばれるスマートなコンピュータプログラムを使用して、テントの支柱、生地、ジッパーの数千もの微小な変種をテストしました。
XiResOFA ブロック：これは彼らが発明した特別な「建築ブロック」です。形を変えられるレゴブロックを想像してください。厚くも薄くもでき、視野を広くも狭くもでき、レンズをシンプルにも複雑にもできます。コンピュータは、最も少ないエネルギーで最もよく見えるものを見つけるために、これらのレゴの組み合わせを数百万通りテストしました。

3. 「2 段階エネルギー推定器」：スマートな推測マシン

すべての設計をすべての実際のドローンでテストすることはできませんでした（時間がかかりすぎ、バッテリーを消耗しすぎるため）。そのため、彼らは2 段階エネルギー予測器を構築しました。

段階 1（一般則）：「一般的に、レンズが大きいほどエネルギーを消費する」という知識を持つスマートなモデルです。
段階 2（特定修正）：「しかし、この特定のドローンではバッテリーの挙動が少し異なるため、推測を微調整しよう」という、小さく迅速な調整です。
結果：これにより、実際のテストをほんのわずか（鍋全体を試すのではなく、2〜20 杯のスプーンでスープを味見する程度）で最適な設計を見つけることができました。

4. 「コンパウンドスケーリング」：設計図の伸縮

完璧な「マスター設計図」を見つけると、彼らはそこで止まりませんでした。彼らはコンパウンドスケーリングという手法を用いて、その 1 つの設計図からカメラのファミリー全体を作成しました。

ナノ/スモール：設計図をわずかに伸縮させて、小型ドローン向けの超効率的な小型カメラを作成します。
ミディアム：設計図をもう少し伸縮させて、より遠くを見る必要がある大型ドローン向けにします。
魔法：1 つの完璧な設計図から出発したため、これらすべての異なるサイズが互いにうまく機能します。車のサイズごとにエンジンを再設計する必要はありません。同じ効率的な設計をスケーリングするだけです。

5. 結果：より高速、よりスマート、より長持ち

彼らはこれらの新しいカメラを実際のドローン（GPU と NPU チップを搭載した ModalAI Sentinel ドローン）でテストしました。

優れた視覚：PascalVOC テストにおいて、「ミディアム」サイズの XiYOLO カメラは、現在の最高性能（YOLOv12）よりもわずかに物体を良く捉えました。
大幅なエネルギー節約：
- GPU（ドローンの主要な頭脳）では、競合他社よりも20.6% 少ないエネルギーで動作しました。
- NPU（AI 専用チップ）では、35.9% 少ないエネルギーで動作しました。
実世界への影響：長時間の飛行テストにおいて、XiYOLO カメラは旧型カメラよりもはるかに長く飛行できるだけのバッテリーを節約しました。例えば、NPU 上では、テスト期間中に最良の旧モデルと比較して約 165 ジュールのエネルギーを節約しました。

まとめ

著者たちは単に優れたカメラを構築したのではなく、異なるバッテリー制限に適応するより優れたカメラを設計するためのシステムを構築しました。彼らは「大きすぎず小さすぎない」ゴールドilocks のような設計を見つけ、スマートな推測マシンを使用することで、実験室でバッテリーを消耗させることなくこれらの完璧な設計を見つけられることを証明しました。その結果、ドローンが鮮明に見ながら長く飛行できるカメラのファミリーが生まれました。

技術概要：XiYOLO：反復的アーキテクチャ探索とスケーリングによるエネルギー感知オブジェクト検出

問題定義

異種のエッジデバイス（例：UAV、UGV、モバイルロボット）におけるオブジェクト検出は、信頼性の高い知覚の必要性と、エネルギー、遅延、メモリに関する厳格な制約との間で、決定的な矛盾に直面している。より大規模な検出器はしばしば精度を向上させるが、システム耐久性を制限する過大なエネルギーコストを招く。逆に、小規模なモデルは効率的であるが、堅牢性に欠ける可能性がある。

既存のエネルギー感知ニューラルアーキテクチャ探索（NAS）手法は、しばしば限定的なデプロイ設定や単一の最終モデルをターゲットとし、スケーラブルな検出器ファミリーを志向していない。主要なボトルネックは、「真の」エネルギーの最適化の難しさである。FLOPs、MACs、またはパラメータ数といった標準的な代理指標は、エネルギー消費がメモリ移動、演算子の構成、プラットフォーム固有の実行動作に強く依存するため、測定されたエネルギーを正確に予測できない。さらに、大規模な探索空間全体にわたる包括的なハードウェアエネルギー測定はコストが高く、しばしば非現実的である。

手法

著者らは、単一のエネルギー効率の高いベースアーキテクチャを特定し、それを異なるデプロイ予算全体にわたる検出器ファミリーへと拡張するよう設計されたエネルギー適応型フレームワークXiYOLOを提案する。このフレームワークは、4 つの中核コンポーネントから構成される。

1. エネルギー感知探索空間（XiResOFA）

このフレームワークは、Once-for-All（OFA）探索と互換性のある弾力的なアーキテクチャ選択を標準的な残差ボトルネック設計に付加する、新規の探索ブロックXiResOFAを導入する。各ブロックは、 $(r, k, t)$ というタプルでパラメータ化される。

圧縮率（ $r$ ）： チャネル幅を制御するために、 $\{1, 0.5, 0.25\}$ から選択可能。
カーネルサイズ（ $k$ ）： 受容野を調整するために、 $\{1, 3, 5\}$ から選択可能。
アテンションタイプ（ $t$ ）： 「lite」と「full」のアテンション機構の間で選択可能。

これらの選択は、バックボーン、特徴量ピラミッドネットワーク（FPN）、およびパス集約ネットワーク（PAN）全体に一貫して適用され、アーキテクチャ上の決定が検出品質とハードウェアエネルギーの両方に対して直接的かつ解釈可能な関係を持つ、一貫した探索空間を創出する。

2. 2 段階エネルギー推定

ハードウェアエネルギーデータの不足に対処するため、著者らは 2 段階のエネルギー近似モデルを開発した。

段階 1（汎用事前分布）： 事前学習された予測器 $f_{base}(a)$ は、アーキテクチャのみに基づいてエネルギーを推定し、転送可能な構造レベルのエネルギーパターンを捉える。
段階 2（デバイス固有の残差）： 軽量な残差モデル $r(a, h)$ は、事前分布を特定のハードウェアターゲット（ $h$ ）に適応させ、バックエンド実装とメモリ階層を考慮する。
最終的な推定値は $\hat{E}(a, h) = f_{base}(a) + r(a, h)$ となる。このアプローチにより、システムは網羅的なプロファイリングではなく、わずか 2〜20 個の測定サンプル（ファウショット適応）のみを使用して、新しいデバイスに対して較正することが可能になる。

3. 反復的アーキテクチャ探索

バックボーン、FPN、および PAN 全体に対する単一の結合探索の代わりに、このフレームワークは反復的探索戦略を採用する。他のコンポーネントの現在の選択を条件として、各コンポーネントを段階的に洗練させる。

現在の FPN/PAN を与えられた状態でバックボーンを最適化する。
新しいバックボーンと現在の PAN を与えられた状態で FPN を最適化する。
新しいバックボーンと FPN を与えられた状態で PAN を最適化する。
この段階的な洗練は、組み合わせの複雑さを低減しつつ、コンポーネントがエネルギー予算に協調適応することを可能にする。

4. 複合スケーリング

単一の最適化されたベースアーキテクチャ（ $a^*$ ）が特定されると、フレームワークは複合スケーリングを適用して、展開可能なバリエーション（ナノ、スモール、ミディアム）のファミリーを生成する。これにより、アーキテクチャの発見とデプロイ適応が分離され、各点ごとに個別の探索を必要とすることなく、異なる運用領域向けのモデルを生成することが可能になる。

主要な貢献

XiYOLO フレームワーク： 孤立したモデルの探索ではなく、スケーラブルなベース検出器の設計として問題を定式化する、エネルギー適応型知覚に対する新規アプローチ。
XiResOFA 探索空間： 制御可能な圧縮、カーネルサイズ、アテンションを備えたブロック設計により、解釈可能な精度とエネルギーのトレードオフを可能にする。
反復的探索戦略： バックボーン、FPN、および PAN に対する段階的な探索手法であり、グローバルな結合探索よりも効率的に高品質なベースアーキテクチャを特定する。
2 段階エネルギー推定器： 汎用アーキテクチャ予測器とハードウェア固有の残差を組み合わせるモデルであり、疎なハードウェア測定下でのエネルギー感知探索におけるサンプル効率を大幅に向上させる。

実験結果

実験は PascalVOC および COCO データセットで行われ、Qualcomm Adreno 650 GPU と 15 TOPS NPU を搭載した ModalAI Sentinel 開発用ドローンでの実機デプロイが行われた。

PascalVOC パフォーマンス： ミディアム XiYOLO モデルは86.15 mAP50を達成し、YOLOv12m を +0.07 mAP50 上回った。重要なのは、YOLOv12m と比較して**GPU で 20.6%、NPU で 35.9%**のエネルギー消費削減を達成したことである。スモールスケールでは、84.38 mAP50 を達成し、GPU で 47.0%、NPU で 45.7% のエネルギー削減を実現した。
COCO パフォーマンス： ミディアムモデルは、YOLOv12m に対して**GPU で 24.5%、NPU で 38.8%のエネルギー削減を維持しながら、競争力のある精度（50.71 mAP50-95）を維持した。スモールスケールでは、GPU で最大53.7%、NPU で 51.6%**のエネルギー削減を達成した。
デプロイ効率： 時間経過に伴う累積エネルギーベンチマークは、XiYOLO バリエーションが GPU と NPU の両方で YOLO ベースラインよりも一貫して少ないエネルギーを蓄積することを示しており、ミディアムスケールが最も顕著な優位性を示した。
推定器効率： HW-NAS-Bench において、2〜20 個のファウショットサンプルにわたって、2 段階推定器は結合予測器よりも低いテスト RMSE を達成し、新しいハードウェアへの適応における優れたサンプル効率を実証した。
探索空間分析： XiResOFA 空間からランダムにサンプリングされたモデルは、YOLOv12 ベースラインと比較して平均 21.1% のエネルギー削減を示した。反復的探索空間は、グローバル探索空間に対して平均約 3.5% の予測 mAP50 改善をもたらした。

意義と主張

本論文は、XiYOLO が、単一の効率的なモデルの探索ではなく、異種ハードウェア制約と整合する予算適応型運用点の探索としてエッジ検出器設計を扱うことに成功したと主張している。解釈可能な探索空間と疎データエネルギー推定器を組み合わせることで、このフレームワークは既存の YOLO ベースラインよりも強力な精度とエネルギーのトレードオフを達成する。

著者らは、このアプローチが疎なハードウェア測定下で解釈可能な精度とエネルギーのトレードオフを可能にし、正確なエネルギーデータが不足するプラットフォーム間でもエネルギー感知設計を転送可能にすることを強調している。結果は、単一のベースアーキテクチャを探索し、それをスケーリングすることが、多様なエッジデバイス全体で良好に機能する検出器ファミリーを作成する viable な戦略であることを示唆しており、検出品質を犠牲にすることなく、捜索救助やインフラ点検などのアプリケーションにおけるシステム耐久性を拡張する。

本論文は限界を認め、探索が YOLOv12 由来のファミリーに限定されていること、最終モデルがマルチポイント探索ではなく探索後のスケーリングを通じて得られていること、評価が特定の GPU および NPU 設定に限定されていることを指摘している。尽管如此、この研究は、エネルギー感知アーキテクチャ探索が、異種エッジデプロイ向けに精度が高くエネルギー効率の良い検出器設計を生み出すことができることを実証している。