💻 computer science

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

Este artigo propõe o GhostV2-YOLO, uma rede de detecção de UAV leve e consciente de hardware que integra a atenção DFC-Light, um módulo C2f_GhostV2 de link completo e a Atenção de Coordenadas estratégica para alcançar alta precisão e inferência em tempo real em NPUs de borda com recursos limitados, demonstrando simultaneamente uma forte generalização entre conjuntos de dados.

Autores originais: Jifa Zhang, Heyang Zhao, Linjiang Jia, Chen Ju, Ting Wei, Zonglin Li, Weiguang Zhang

Publicado 2026-08-25

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jifa Zhang, Heyang Zhao, Linjiang Jia, Chen Ju, Ting Wei, Zonglin Li, Weiguang Zhang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Nos céus congestionados acima de nossas cidades e campos, um novo tipo de tráfego invisível está tomando forma. Veículos aéreos não tripulados, ou drones, deixaram de ser brinquedos para entusiastas para se tornarem ferramentas essenciais para entrega, inspeção e vigilância. No entanto, essa proliferação traz um desafio crítico: como podemos detectar de forma confiável essas máquinas pequenas e rápidas contra cenários complexos, como o horizonte das cidades ou copas de florestas? A resposta reside na visão computacional, um campo onde o software aprende a "ver" ao analisar padrões em imagens. Durante anos, as ferramentas mais eficazes para este trabalho têm sido as redes de aprendizado profundo (deep learning), sistemas complexos que imitam a capacidade do cérebro humano de reconhecer objetos. Contudo, esses sistemas são frequentemente pesados e consomem muita energia para rodar em dispositivos pequenos, operados por bateria, que precisam vigiar os céus em tempo real. O objetivo dos engenheiros tem sido, há muito tempo, construir um detector que seja simultaneamente aguçado o suficiente para capturar um drone minúsculo e leve o suficiente para rodar em um chip do tamanho de um selo postal.

Uma equipe de pesquisadores da Universidade Tecnológica de Xi'an enfrentou exatamente esse problema com um novo sistema que chamam de GhostV2-YOLO. O trabalho deles foca em um tipo específico de hardware encontrado em dispositivos de borda modernos: unidades de processamento neural, ou NPUs. Estas são chips especializados projetados para acelerar tarefas de inteligência artificial, mas possuem regras estritas sobre quais tipos de operações matemáticas podem realizar de forma eficiente. Muitas redes de detecção de drones existentes utilizam etapas matemáticas complexas que esses chips não conseguem processar bem, forçando o dispositivo a desacelerar e utilizar seu processador principal em vez disso. Isso cria um gargalo onde a velocidade teórica do chip nunca é alcançada no mundo real. Os pesquisadores buscaram projetar uma rede de detecção que respeitasse esses limites de hardware desde o início, garantindo que cada etapa do processo ocorra sem problemas no chip, sem a necessidade de recorrer a métodos mais lentos.

O núcleo de sua solução é um reposicionamento inteligente de como a rede processa informações visuais. Em vez de usar filtros matemáticos grandes e pesados para escanear uma imagem em busca de detalhes, eles fragmentaram esses filtros em etapas menores e mais simples que o hardware adora. Imagine tentar passar um móvel pesado por uma porta estreita; em vez de forçar o objeto inteiro de uma vez, você o divide em partes manejáveis que cabem facilmente. Os pesquisadores aplicaram essa lógica aos "olhos" da rede, substituindo uma única operação de varredura grande por duas menores e em cascata. Essa mudança reduziu a quantidade de dados que o sistema precisava manipular em quase 28%, mantendo intacta sua capacidade de ver detalhes finos. Além disso, eles redesenharam a estrutura interna da rede para que essa abordagem leve fosse utilizada em todos os lugares, desde a captura inicial da imagem até a etapa final de tomada de decisão, e não apenas no início.

Para tornar o sistema ainda melhor na detecção de objetos pequenos, a equipe adicionou um tipo específico de mecanismo de atenção. Da mesma forma que um humano pode focar em um ponto específico em uma sala lotada para encontrar um amigo, essa adição ajuda o computador a entender exatamente onde um objeto está localizado no espaço. Ao colocar essa ferramenta de foco em camadas fundamentais da rede, o sistema tornou-se significativamente melhor em distinguir um pequeno drone de um pássaro ou de uma nuvem. O resultado é uma rede que não é apenas menor e mais rápida, mas também mais precisa do que os modelos padrão anteriores. Quando testado em uma coleção personalizada de mais de 20.000 imagens apresentando drones em vários ambientes — de áreas urbanas a florestas — o novo sistema identificou os alvos corretamente com alta precisão. Ele alcançou uma precisão de detecção de 96,36% enquanto utilizava apenas 2,32 milhões de parâmetros, uma medida da complexidade do modelo, o que representa 23% a menos do que o modelo de referência padrão.

O verdadeiro teste deste trabalho, contudo, não foi apenas em simulação, mas em implantação física. Os pesquisadores pegaram seu design e o instalaram em um processador de borda HiSilicon Hi3403, um chip comumente usado em equipamentos de vigilância do mundo real. O sistema rodou a uma velocidade de 25,5 quadros por segundo, o que significa que ele podia analisar mais de 25 imagens a cada segundo sem atraso (lag). Este desempenho atendeu ao requisito rigoroso de rastreamento em tempo real, permitindo que o dispositivo acompanhasse um drone em movimento instantaneamente. Crucialmente, o sistema utilizou 100% do poder de processamento especializado do chip, sem que nenhuma parte do cálculo recaísse sobre o processador principal mais lento. Isso confirmou que seu design consciente do hardware eliminou com sucesso os gargalos que assolam outros sistemas. Os pesquisadores também testaram o sistema em conjuntos de dados públicos contendo imagens de drones e pássaros, e ele manteve seu alto desempenho sem a necessidade de qualquer treinamento adicional, provando que pode generalizar bem para novas situações.

Este trabalho demonstra que a inteligência artificial de alto desempenho não requer computadores massivos e vorazes em consumo de energia. Ao alinhar cuidadosamente o design do software com as capacidades específicas do hardware em que ele roda, é possível criar sistemas que sejam simultaneamente leves e incrivelmente eficazes. A rede GhostV2-YOLO oferece um caminho prático para a implementação de detecção de drones confiável no campo, seja para a segurança de aeroportos, monitoramento de vida selvagem ou garantia da segurança pública. Ela mostra que, quando os engenheiros compreendem as restrições de suas ferramentas, podem construir soluções que não são apenas teoricamente sólidas, mas praticamente prontas para o mundo real.

Resumo Técnico: GhostV2-YOLO

Declaração do Problema

A rápida proliferação de Veículos Aéreos Não Tripulados (UAVs) criou uma necessidade urgente de sistemas de detecção confiáveis e em tempo real para segurança do espaço aéreo e operações anti-drone. Embora a detecção de objetos baseada em aprendizado profundo (especificamente a série YOLO) ofereça alta precisão, a implantação desses modelos em plataformas de computação de borda (edge computing) com recursos limitados apresenta desafios significativos.

Um gargalo crítico identificado neste trabalho é o descompasso entre os designs de redes leves padrão e as restrições de hardware das Unidades de Processamento Neural (NPUs) de borda. Muitas NPUs de borda, como a HiSilicon Hi3403, são endurecidas por hardware para acelerar apenas operadores específicos (ex: convoluções $1\times1$ e $3\times3$ ). Elas frequentemente carecem de suporte nativo para operações não padronizadas comuns em redes leves avançadas, como convoluções depthwise de $5\times5$ , shuffling de canais ou funções de ativação específicas (ex: h-swish). Quando esses operadores não suportados são encontrados, os compiladores frequentemente recorrem à execução pela CPU, causando uma queda drástica na velocidade de inferência que anula os ganhos teóricos de eficiência dos modelos leves.

Metodologia

Para abordar essas restrições, os autores propõem o GhostV2-YOLO, uma rede de detecção leve consciente do hardware construída sobre o framework YOLOv8. A arquitetura é projetada para alcançar um equilíbrio ideal entre precisão e eficiência, garantindo simultaneamente 100% de compatibilidade com os conjuntos de operadores de NPU de borda.

A metodologia baseia-se em três inovações arquiteturais principais:

Mecanismo de Atenção DFC-Light:
- Problema: A atenção de Convolução de Filtro Dinâmico (DFC) original utiliza uma convolução depthwise de $5\times5$ para capturar dependências espaciais de longo alcance. Este operador é não suportado ou ineficiente em NPUs alvo.
- Solução: Os autores decompõem a convolução depthwise de $5\times5$ em duas convoluções depthwise de $3\times3$ em cascata. Isso mantém um campo receptivo equivalente enquanto reduz os parâmetros em 28% (de $25C$ para $18C$ ) e garante total compatibilidade com a NPU.
Módulo C2f GhostV2 (Leveza de Link Total):
- Problema: Trabalhos anteriores frequentemente substituíam apenas o backbone por módulos leves (ex: GhostNet), mantendo módulos padrão mais pesados no neck (fusão de características) e na cabeça de detecção.
- Solução: Os autores substituem todos os blocos Bottleneck padrão dentro do módulo C2f do YOLOv8 por estruturas GhostBottleneckV2. Isso estende o paradigma GhostNetV2 de ponta a ponta, do backbone ao neck e até a cabeça de detecção, alcançando uma verdadeira eficiência de parâmetros de ponta a ponta. O GhostBottleneckV2 integra a atenção de canal SE (Squeeze-and-Excitation), enquanto a atenção espacial DFC-Light é aplicada à saída concatenada das instâncias do GhostModuleV2 dentro do bottleneck quando o stride é 1.
Integração Estratégica de CoordAtt:
- Problema: A leveza muitas vezes leva a uma perda de capacidade de representação de características, particularmente para alvos de pequeno e médio porte comuns na detecção de UAVs.
- Solução: Módulos de Atenção de Coordenadas (CoordAtt) são inseridos estrategicamente nas camadas de características P3 ( $80\times80$ ) e P4 ( $40\times40$ ) do backbone. Isso fornece codificação de posição independente para melhorar a detecção de alvos pequenos, complementando os mecanismos de atenção de canal e espacial já presentes no GhostBottleneck.

Treinamento e Implantação:
O modelo foi treinado em um conjunto de dados customizado de 20.256 imagens de UAV usando o otimizador AdamW e uma função de perda composta (CIoU + BCE). Para a implantação, o modelo PyTorch foi exportado para ONNX, compilado via Ascend Tensor Compiler (ATC) para um formato .om dedicado para a HiSilicon Hi3403 com quantização INT8, e executado em um dispositivo de borda baseado em Linux.

Principais Contribuições

Design Consciente do Hardware: O artigo introduz uma rede de detecção especificamente otimizada para as restrições de operadores de NPUs de borda domésticas, evitando quedas de desempenho causadas por retornos à CPU.
Leveza de Link Total: Diferente da arte anterior que limita a leveza ao backbone, o GhostV2-YOLO estende a estrutura GhostNetV2 por toda a rede (backbone e neck), reduzindo parâmetros em 23% em comparação com a linha de base YOLOv8n.
Atenção Sinérgica: A combinação dos mecanismos DFC-Light, SE e CoordAtt compensa a perda de representação do backbone leve, resultando em melhorias de precisão apesar da redução no número de parâmetros.
Validação Abrangente: O estudo inclui extensos estudos de ablação, comparações contra arquiteturas mainstream (MobileNetV3, ShuffleNetV2) e testes de transferência zero-shot em benchmarks públicos (Drone-vs-Bird, DUT Anti-UAV).

Resultados

Experimentos foram conduzidos em um conjunto de dados customizado de UAV e dois benchmarks públicos.

Troca de Precisão-Eficiência: No conjunto de dados customizado, o GhostV2-YOLO alcançou 96,36% de mAP@50 e 67,05% de mAP@50:95 com apenas 2,32M de parâmetros e 6,3 GFLOPs.
- Comparado ao YOLOv8n, ele reduziu parâmetros em 23% enquanto melhorou o mAP@50:95 em 0,53%.
- Superou outros modelos leves como MobileNetV3-YOLO e ShuffleNetV2 tanto em precisão quanto em eficiência.
Generalização: Testes de transferência zero-shot mostraram melhorias significativas sobre a linha de base em datasets públicos:
- Drone-vs-Bird: +4,35 pontos percentuais em mAP@50 (42,29% para 46,64%) e +4,48 pontos percentuais em mAP@50:95 (21,68% para 26,16%).
- DUT Anti-UAV: +0,41 pontos percentuais em mAP@50:95 (50,07% para 50,34%).
Implantação em Borda: Implantado na NPU de borda HiSilicon Hi3403, o modelo alcançou uma velocidade de inferência em tempo real de 25,5 FPS com uma latência de ponta a ponta de 39,2 ms.
- A utilização da NPU foi de 95,9%, e todos os operadores foram suportados nativamente, confirmando 100% de compatibilidade sem fallback para CPU.
- O tamanho do modelo foi de 9,0 MB.

Significância e Alegações

O artigo afirma que o GhostV2-YOLO aborda com sucesso o trilema "precisão-eficiência-hardware" na detecção de UAV em borda. Sua principal significância reside em demonstrar que o design consciente do hardware — especificamente adaptar a escolha de operadores às capacidades da NPU alvo — é mais crítico do que simplesmente adotar a arquitetura leve mais recente.

Os autores asseveram que sua abordagem permite:

Desempenho em tempo real em dispositivos de borda de baixo custo e recursos limitados onde modelos leves padrão poderiam falhar devido a operadores não suportados.
Generalização superior para detecção de alvos pequenos através do uso estratégico de atenção de coordenadas, o que é crucial para distinguir UAVs de pássaros ou ruído de fundo.
Viabilidade de engenharia, validada por um pipeline completo de implantação, desde o treinamento do modelo até a inferência embarcada em uma plataforma NPU doméstica específica.

O trabalho conclui que, embora mecanismos de atenção isolados ofereçam ganhos limitados, a integração sinérgica de múltiplos tipos de atenção dentro de uma arquitetura com restrição de hardware permite que o modelo supere linhas de base mais pesadas com significativamente menos parâmetros.