XiYOLO：基于迭代架构搜索与缩放的能量感知目标检测
计算机视觉与模式识别
2026-05-11 v1 人工智能
摘要
在异构边缘设备上进行目标检测必须满足严格的能耗、延迟和内存限制，同时仍需为下游自主任务提供可靠的感知。现有的能量感知 NAS 方法通常针对有限的部署设置，而真正的能耗由于高度依赖设备且测量成本高昂，仍然难以优化。我们通过一个能量自适应框架来解决这些挑战，该框架结合了能量感知的 XiResOFA 搜索空间、两阶段能量估计器和迭代搜索，以识别单一的能量高效基础架构。然后，我们应用复合缩放，将该基础设计转换为跨部署预算的 XiYOLO 系列，在稀疏硬件测量下实现可解释的精度-能量权衡。在 PascalVOC、COCO 和真实设备部署上的实验表明，XiYOLO 比 YOLO 基线实现了更强的能量-精度权衡。在 PascalVOC 上，中等规模的 XiYOLO 模型达到了 86.15 mAP50，同时在 GPU 上相对于 YOLOv12m 减少了 20.6% 的能耗，在 NPU 上减少了 35.9%。在 COCO 上，小规模的 XiYOLO 在 GPU 上相对于 YOLOv12 最多减少 53.7% 的能耗，在 NPU 上减少 51.6%。所提出的两阶段估计器在仅有 2-20 个目标设备样本的少样本适应下，也比联合预测器提高了样本效率。
引用
@article{arxiv.2605.06927,
title = {XiYOLO: Energy-Aware Object Detection via Iterative Architecture Search and Scaling},
author = {Tony Tran and Richie R. Suganda and Bin Hu},
journal= {arXiv preprint arXiv:2605.06927},
year = {2026}
}