TrashDet：面向高效垃圾检测的迭代神经网络架构搜索

本文在严格的 TinyML 约束下，使用 TACO 数据集进行垃圾检测，提出一种面向边缘和物联网设备的迭代硬件感知神经网络架构搜索框架。该方法构建 Once-for-All 风格的ResDets超级网络，进行交替优化的演化搜索，包括 backbone 与 neck/head 的优化，辅以 population passthrough 机制和准确性预测器，以降低搜索成本并提升稳定性。该框架生成一系列即插即用检测器，称为 TrashDets。在包含纸张、塑料、瓶子、罐子和香烟的五类 TACO 子集上，最强变体 TrashDet-l 实现 19.5 mAP50，参数仅 30.5M，较先前检测器提升最高 3.6 mAP50，同时使用参数更少。TrashDet 系列覆盖 1.2M 到 30.5M 参数，mAP50 在 11.4 到 19.5 之间，为资源受限硬件上不同部署预算提供可扩展的检测器选项。在 MAX78002 微控制器上的 TrashNet 数据集上，两个专用变体 TrashDet-ResNet 和 TrashDet-MBNet 统一领先 ai87-fpndetector 基线，其中 TrashDet-ResNet 实现 7525$\mu$J 每次推理能耗、26.7 ms 时延和 37.45 FPS，TrashDet-MBNet 将 mAP50 提升 10.2%；两者相较于现有 TinyML 检测器，能耗降低最高 88%，时延降低最高 78%，平均功耗降低最高 53%。