YOLO-NAS-Bench：面向 YOLO 架构搜索的自演化预测器代理基准
计算机视觉与模式识别
2026-05-19 v2
摘要
目标检测的神经网络架构搜索 (NAS) 严重受限于高评估成本，因为在 COCO 上完全训练每个候选 YOLO 架构需要数天的 GPU 时间。同时，现有 NAS 基准大多针对图像分类，导致检测社区缺乏类似的 NAS 评估基准。为解决这一问题，我们引入 YOLO-NAS-Bench，这是首个针对 YOLO 风格检测器设计的代理基准。YOLO-NAS-Bench 定义的搜索空间覆盖 backbone 和 neck 中的通道宽度、块深度和算子类型，涵盖 YOLOv8 至 YOLO12 的核心模块。我们通过随机抽样、分层抽样和拉丁超立体策略采样 1,000 个架构，在 COCO-mini 上训练，并构建 LightGBM 代理预测器。为锐化高性能段（NAS 最相关的性能段）内的预测器，我们提出自演化机制 (Self-Evolving Mechanism)，通过使用预测器自身发现和评估每个迭代中具有信息量的架构来逐步对齐预测器训练分布与高性能前沿。该方法将数据池增至 1,500 个架构，使 ensemble 预测器的 R2 从 0.770 提升至 0.815，稀疏 Kendall Tau 从 0.694 提升至 0.752，显示出强大的预测准确性和排序一致性。使用最终预测器作为演化搜索的适应性函数，我们发现发现的架构在 COCO-mini 上延迟可比的所有官方 YOLOv8-YOLO12 基线性能更佳，确认了预测器对顶级检测架构的判别能力。代码已公开于 https://github.com/VDIGPKU/YOLO-NAS-Bench。
引用
@article{arxiv.2603.09405,
title = {YOLO-NAS-Bench: A Surrogate Benchmark with Self-Evolving Predictors for YOLO Architecture Search},
author = {Zhe Li and Xiaoyu Ding and Jiaxin Zheng and Yongtao Wang},
journal= {arXiv preprint arXiv:2603.09405},
year = {2026}
}
备注
Accepted as Oral at CVPR 2026 Workshop on Neural Architecture Search (NAS)