Technische Samenvatting: Federated Learning voor Objectdetectie in Gedistribueerde Dronevloten

Probleemstelling

Objectdetectie is een cruciale capaciteit voor veiligheidskritische drone-toepassingen, waaronder rampenbestrijding, infrastructuurmonitoring en defensie. Het bereiken van robuuste prestaties in deze dynamische, heterogene omgevingen vereist echter grote, diverse datasets. Conventionele benaderingen vertrouwen op het centraliseren van luchtbeelden voor het trainen van modellen, een praktijk die kampt met significante barrières:

• Privacy- en regelgevingsbeperkingen: Gegevens bevatten vaak gevoelige geografische informatie of propriëtaire operationele details, waardoor aggregatie juridisch of ethisch problematisch is.
• Operationele beperkingen: Gedistribueerde drone-inzet heeft vaak te maken met beperkte connectiviteit, beperkingen in de opslagcapaciteit aan boord en hoge bandbreedtekosten die gepaard gaan met het verzenden van grote volumes ruwe video- of beeldgegevens naar centrale servers.
• Generalisatieproblemen: Trainen op gegevens van een enkele drone (Single-drone) beperkt de blootstelling van het model aan diverse gezichtspunten, schalen en omgevingscondities, wat het vermogen om te generaliseren vermindert.

De kernuitdaging die wordt aangepakt, is hoe de collectieve kennis van gedistribueerde dronevloten kan worden benut om objectdetectiemodellen te verbeteren zonder de datasoevereiniteit te schenden of excessieve communicatiekosten te veroorzaken.

Methodologie

De auteurs stellen een Federated Learning (FL)-framework voor en evalueren dit specifiek voor objectdetectie-taken met behulp van Horizontal FL (HFL). In dit paradigma trainen meerdere knooppunten (drones) gezamenlijk een gedeeld globaal model terwijl zij hun ruwe beeldgegevens lokaal houden.

Experimentele Opstelling

• Dataset: De studie maakt gebruik van de KIIT-MiTA dataset, een dataset met dronebeelden met een hoge resolutie die zeven militair relevante klassen bevat (artillerie, raket, radar, meerwandig raketsysteem, soldaat, tank en voertuig).
• Datapartitie: Om een realistische gedistribueerde omgeving te simuleren, werd de trainingsdata verdeeld over vier knooppunten met behulp van een Dirichlet-gebaseerd protocol ($\alpha=1$). Dit creëert een non-IID (niet-onafhankelijk en niet-identiek verdeelde) setting waarbij elk knooppunt een andere distributie van objectklassen en scènes bevat, wat de werkelijke heterogeniteit nabootst.
• Geëvalueerde Modellen: De studie benchmarkt vier lichtgewicht YOLO nano-architecturen geïmplementeerd via het Ultralytics-framework: YOLOv5 nano, YOLOv8 nano, YOLO11 nano en YOLO26 nano.
• Trainingsscenario's: Drie scenario's werden vergeleken onder een gemeenschappelijk protocol:
  1. Centralized (Gecentraliseerd): Alle data wordt bij een server samengevoegd voor training.
  2. Single-drone: Elk knooppunt traint onafhankelijk op zijn eigen lokale partitie.
  3. Federated (Federated Learning): Knooppunten voeren lokale training uit (10 epochs per ronde) en wisselen modelgewichten uit (geen data) met een centrale aggregator via Federated Averaging (FedAvg) over 10 communicatierondes.
• Infrastructuur: Federated experimenten werden uitgevoerd op AWS EC2-instances (g4dn-familie) met behulp van het Sherpa.ai FL-platform.

Evaluatiemetrieken

Prestaties werden beoordeeld met standaard objectdetectie-metrieken:

• mAP@0.50: Mean Average Precision bij een Intersection over Union (IoU) drempelwaarde van 0,50.
• mAP@0.50:0,95: Mean Average Precision gemiddeld over IoU-drempelwaarden van 0,50 tot 0,95 (strakkere lokalisatievereiste).
• Efficiëntie: Frames Per Second (FPS) en Giga Floating Point Operations (GFLOPs) werden gemeten om de geschiktheid voor edge-implementatie te beoordelen.

Belangrijkste Resultaten

De experimenten laten zien dat Federated Learning effectief de kloof overbrugt tussen geïsoleerde lokale training en gecentraliseerde training.

1. Prestatiewinsten

• vs. Single-drone: Federated training leverde substantiële verbeteringen op ten opzichte van geïsoleerde training. Het beste model, YOLO26 nano, behaalde relatieve winsten van 52,89% in mAP@0,50 en 67,80% in mAP@0,50:0,95 vergeleken met de Single-drone baseline.
• vs. Centralized: De Federated modellen bleven competitief met de Centralized baseline. Voor YOLO26 nano was de Federated mAP@0,50 0,7137, vergeleken met 0,7322 voor Centralized training, wat aangeeft dat de FL-benadering de meeste voordelen van datacentralisatie herstelt zonder de bijbehorende privacyrisico's.
• Per-klasse Analyse: Verbeteringen waren consistent over alle zeven klassen. Klassen met een lagere representatie in individuele knooppunten (bijv. Raket, Radar) zagen aanzienlijke winsten, wat bevestigt dat FL helpt het model robuuste representaties te leren uit diverse datadistributies.

2. Efficiëntie en Implementatie

• Infersiesnelheid: De trainingsstrategie (Centralized vs. Federated) had geen invloed op de inferentiesnelheid. Alle nano-modellen behielden een hoge FPS (ongeveer 98–106 FPS op GPU) en een lage computationele complexiteit (6,1 GFLOPs voor YOLO26 nano).
• Bandbreedtebeperkingen: Een stresstest die een beperkte bandbreedte simuleerde (600 Kbps bidirectionele limiet) toonde aan dat hoewel de trainingstijd toenam (van 2 uur naar 3 uur 20 minuten), de detectieprestaties vergelijkbaar bleven met de onbeperkte baseline. Dit suggereert dat FL robuust is tegen de communicatiebeperkingen die typisch zijn voor draadloze dronenetwerken.

Betekenis en Claims

Het artikel positioneert de bijdrage niet als een nieuw algoritme of detectorarchitectuur, maar als een gecontroleerde experimentele evaluatie van standaard FL-strategieën in een realistische, privacy-beperkte drone-scenario.

• Privacy-bewarende Schaalbaarheid: Het werk toont aan dat FL een hoogwaardige, schaalbare objectdetectie mogelijk maakt over gedistribueerde vloten zonder de noodzaak om ruwe luchtbeelden te centraliseren, waarmee het voldoet aan regelgevende en operationele barrières voor datadeling.
• Praktische Leefbaarheid: Door aan te tonen dat FL-modellen de Centralized prestaties benaderen terwijl ze de Single-drone modellen aanzienlijk overtreffen, beargumenteren de auteurs dat FL een praktisch alternatief is voor veiligheidskritische edge AI waar datasoevereiniteit essentieel is.
• Edge Geschiktheid: De resultaten bevestigen dat lichtgewicht modellen (met name YOLO26 nano) getraind via FL geschikt zijn voor implementatie op hulpbronnenarme edge-infrastructuur, waarbij real-time inferentiecapaciteiten behouden blijven.

De auteurs concluderen dat hoewel FL communicatiekosten tijdens de training introduceert, het een levensvatbare afweging biedt voor gedistribueerde drone-operaties, waardoor continue modelverbetering in diverse operationele omgevingen mogelijk is zonder de privacy van gegevens in gevaar te brengen of een hoge bandbreedteoverdracht te vereisen.