Resumo Técnico: XiYOLO: Detecção de Objetos Consciente de Energia via Busca de Arquitetura Iterativa e Escalonamento

Declaração do Problema

A detecção de objetos em dispositivos de borda heterogêneos (por exemplo, UAVs, UGVs, robôs móveis) enfrenta um conflito crítico entre a necessidade de percepção confiável e restrições rigorosas de energia, latência e memória. Embora detectores maiores frequentemente melhorem a precisão, eles incorrem em custos energéticos proibitivos que limitam a endurance do sistema. Por outro lado, modelos menores são eficientes, mas podem carecer de robustez.

Métodos existentes de Busca de Arquitetura Neural (NAS) conscientes de energia frequentemente visam configurações de implantação limitadas ou modelos finais únicos, em vez de famílias de detectores escaláveis. Um gargalo primário é a dificuldade de otimizar para energia "real": proxies padrão como FLOPs, MACs ou contagens de parâmetros falham em prever com precisão a energia medida, pois o consumo energético é altamente dependente do dispositivo, influenciado pelo movimento de memória, composição de operadores e comportamentos de execução específicos da plataforma. Além disso, obter medições exaustivas de energia de hardware em um grande espaço de busca é custoso e frequentemente impraticável.

Metodologia

Os autores propõem o XiYOLO, um framework adaptativo a energia projetado para identificar uma única arquitetura base energeticamente eficiente e escalá-la em uma família de detectores através de diferentes orçamentos de implantação. O framework consiste em quatro componentes principais:

1. Espaço de Busca Consciente de Energia (XiResOFA)

O framework introduz um novo bloco de busca, XiResOFA, que amplia designs padrão de gargalo residual com escolhas arquitetônicas elásticas compatíveis com a busca Once-for-All (OFA). Cada bloco é parametrizado por uma tupla $(r, k, t)$:

• Razão de Compressão ($r$): Selecionável entre $\{1, 0.5, 0.25\}$ para controlar a largura do canal.
• Tamanho do Kernel ($k$): Selecionável entre $\{1, 3, 5\}$ para ajustar campos receptivos.
• Tipo de Atenção ($t$): Selecionável entre mecanismos de atenção "lite" e "full".

Essas escolhas são aplicadas consistentemente através do backbone, da Rede de Pirâmide de Características (FPN) e da Rede de Agregação de Caminhos (PAN), criando um espaço de busca coerente onde decisões arquitetônicas têm uma relação direta e interpretável tanto com a qualidade de detecção quanto com a energia de hardware.

2. Estimativa de Energia em Duas Etapas

Para abordar a escassez de dados de energia de hardware, os autores desenvolvem um modelo de aproximação de energia em duas etapas:

• Etapa 1 (Priori Genérico): Um preditor pré-treinado $f_{base}(a)$ estima a energia baseando-se apenas na arquitetura, capturando padrões de energia transferíveis em nível de estrutura.
• Etapa 2 (Resíduo Específico do Dispositivo): Um modelo residual leve $r(a, h)$ adapta o priori a alvos de hardware específicos ($h)$, levando em conta a implementação de backend e a hierarquia de memória.
  A estimativa final é $\hat{E}(a, h) = f_{base}(a) + r(a, h)$. Essa abordagem permite que o sistema calibre para um novo dispositivo usando apenas 2–20 amostras medidas (adaptação few-shot) em vez de perfis exaustivos.

3. Busca de Arquitetura Iterativa

Em vez de uma busca conjunta monolítica sobre o backbone, FPN e PAN, o framework emprega uma estratégia de busca iterativa. Refina progressivamente cada componente enquanto condiciona as escolhas atuais dos outros:

1. Otimize o backbone dado o FPN/PAN atual.
2. Otimize o FPN dado o novo backbone e o PAN atual.
3. Otimize o PAN dado o novo backbone e FPN.
   Essa refinamento etapa por etapa reduz a complexidade combinatória enquanto permite que os componentes se co-adaptem ao orçamento de energia.

4. Escalonamento Composto

Uma vez identificada uma única arquitetura base otimizada ($a^*$), o framework aplica escalonamento composto para gerar uma família de variantes implantáveis (nano, small, medium). Isso separa a descoberta de arquitetura da adaptação de implantação, permitindo a geração de modelos para diferentes regimes operacionais sem exigir buscas separadas para cada ponto.

Contribuições Principais

• Framework XiYOLO: Uma abordagem nova para percepção adaptativa a energia que formula o problema como o design de um detector base escalável, em vez de buscar modelos isolados.
• Espaço de Busca XiResOFA: Um design de bloco com compressão controlável, tamanho de kernel e atenção que permite tradeoffs interpretáveis entre precisão e energia.
• Estratégia de Busca Iterativa: Um método de busca progressiva sobre backbone, FPN e PAN que identifica uma arquitetura base de alta qualidade mais eficientemente do que uma busca conjunta global.
• Estimador de Energia em Duas Etapas: Um modelo que combina um preditor de arquitetura genérico com um resíduo específico de hardware, melhorando significativamente a eficiência de amostras para busca consciente de energia sob medições de hardware esparsas.

Resultados Experimentais

Os experimentos foram conduzidos nos conjuntos de dados PascalVOC e COCO, com implantação em dispositivo real em um Drone de Desenvolvimento ModalAI Sentinel (com GPU Qualcomm Adreno 650 e NPU de 15 TOPS).

• Desempenho PascalVOC: O modelo XiYOLO medium alcançou 86,15 mAP50, superando o YOLOv12m em +0,07 mAP50. Crucialmente, reduziu o consumo de energia em 20,6% na GPU e 35,9% na NPU em comparação com o YOLOv12m. Na escala small, alcançou 84,38 mAP50 com reduções de energia de 47,0% (GPU) e 45,7% (NPU).
• Desempenho COCO: O modelo medium manteve precisão competitiva (50,71 mAP50-95) enquanto reduzia a energia em 24,5% na GPU e 38,8% na NPU em relação ao YOLOv12m. Na escala small, a energia foi reduzida em até 53,7% na GPU e 51,6% na NPU.
• Eficiência de Implantação: Benchmarks cumulativos de energia ao longo do tempo mostraram que as variantes do XiYOLO acumularam consistentemente menos energia do que as bases YOLO tanto na GPU quanto na NPU, com a escala medium mostrando as vantagens mais significativas.
• Eficiência do Estimador: No HW-NAS-Bench, o estimador em duas etapas alcançou RMSE de teste menor do que um preditor conjunto em 2–20 amostras few-shot, demonstrando eficiência de amostras superior na adaptação a novos hardwares.
• Análise do Espaço de Busca: Modelos amostrados aleatoriamente do espaço XiResOFA mostraram uma redução média de energia de 21,1% em comparação com a base YOLOv12. O espaço de busca iterativa rendeu uma melhoria média prevista de mAP50 de ~3,5% sobre um espaço de busca global.

Significado e Alegações

O artigo afirma que o XiYOLO trata com sucesso o design de detectores de borda como uma busca por pontos operacionais adaptativos ao orçamento alinhados com restrições de hardware heterogêneas, em vez de uma busca por um único modelo eficiente. Ao combinar um espaço de busca interpretável com um estimador de energia de dados esparsos, o framework alcança um tradeoff precisão-energia mais forte do que as bases YOLO existentes.

Os autores enfatizam que sua abordagem permite tradeoffs interpretáveis entre precisão e energia sob medições de hardware esparsas, tornando o design consciente de energia transferível entre plataformas onde dados de energia precisos são escassos. Os resultados sugerem que buscar uma única arquitetura base e escalá-la é uma estratégia viável para criar famílias de detectores que performam bem em diversos dispositivos de borda, estendendo a endurance do sistema para aplicações como busca e resgate e inspeção de infraestrutura sem sacrificar a qualidade de detecção.

O artigo reconhece limitações, notando que a busca está confinada a uma família derivada do YOLOv12, os modelos finais são obtidos via escalonamento pós-busca em vez de busca multi-ponto, e a avaliação é limitada a configurações específicas de GPU e NPU. No entanto, o trabalho demonstra que a busca de arquitetura consciente de energia pode produzir designs de detectores que são tanto precisos quanto energeticamente eficientes para implantação de borda heterogênea.