論文の概要: XiYOLO: Energy-Aware Object Detection via Iterative Architecture Search and Scaling

• arxiv url: http://arxiv.org/abs/2605.06927v1
• Date: Thu, 07 May 2026 20:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.610909
• Title: XiYOLO: Energy-Aware Object Detection via Iterative Architecture Search and Scaling
• Title（参考訳）: XiYOLO:反復型アーキテクチャサーチとスケーリングによるエネルギー認識オブジェクト検出
• Authors: Tony Tran, Richie R. Suganda, Bin Hu,
• Abstract要約: 不均一エッジデバイスにおけるオブジェクト検出は、下流の自律性に対する信頼性の高い認識を提供する一方で、厳格なエネルギー、レイテンシ、メモリ制約を満たす必要がある。 既存のエネルギー対応NAS手法は、限られた配置設定を目標とするものが多いが、実エネルギーはデバイスに依存し、測定にコストがかかるため、最適化が困難である。 これらの課題に,エネルギーを意識したXiResOFA探索空間と2段階エネルギー推定器と,エネルギー効率のよい1つのベースアーキテクチャを特定する反復探索を組み合わせた,エネルギー適応型フレームワークで対処する。
• 参考スコア（独自算出の注目度）: 2.9598457401329523
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection on heterogeneous edge devices must satisfy strict energy, latency, and memory constraints while still providing reliable perception for downstream autonomy. Existing energy-aware NAS methods often target limited deployment settings, while real energy remains difficult to optimize because it is highly device-dependent and costly to measure. We address these challenges with an energy-adaptive framework that combines an energy-aware XiResOFA search space, a two-stage energy estimator, and iterative search to identify a single energy-efficient base architecture. We then apply compound scaling to transform this base design into the XiYOLO family across deployment budgets, enabling interpretable accuracy-energy tradeoffs under sparse hardware measurements. Experiments on PascalVOC, COCO, and real-device deployment show that XiYOLO achieves a stronger energy-accuracy tradeoff than YOLO baselines. On PascalVOC, the medium XiYOLO model reaches 86.15 mAP50 while reducing energy relative to YOLOv12m by 20.6% on GPU and 35.9% on NPU. On COCO, XiYOLO reduces energy relative to YOLOv12 by up to 53.7% on GPU and 51.6% on NPU at the small scale. The proposed two-stage estimator also improves sample efficiency over a joint predictor under few-shot adaptation with only 2-20 target-device samples.
• Abstract（参考訳）: 不均一エッジデバイスにおけるオブジェクト検出は、下流の自律性に対する信頼性の高い認識を提供する一方で、厳格なエネルギー、レイテンシ、メモリ制約を満たす必要がある。 既存のエネルギー対応NAS手法は、限られた配置設定を目標とするものが多いが、実エネルギーはデバイスに依存し、測定にコストがかかるため、最適化が困難である。 これらの課題に,エネルギーを意識したXiResOFA探索空間と2段階エネルギー推定器と,エネルギー効率のよい1つのベースアーキテクチャを特定する反復探索を組み合わせた,エネルギー適応型フレームワークで対処する。 次に、この基本設計をXiYOLOファミリに展開予算で変換するために複合スケーリングを適用し、スパースなハードウェア測定の下で、解釈可能な精度-エネルギートレードオフを可能にする。 PascalVOC、COCO、および実デバイス展開の実験により、XiYOLOはYOLOベースラインよりも強いエネルギー精度のトレードオフを達成することが示された。 PascalVOCでは、中型XiYOLOモデルは86.15 mAP50に達し、GPUでは20.6%、NPUでは35.9%削減された。 COCO では、XiYOLO は YOLOv12 に対するエネルギーを、GPU では 53.7% 、NPU では 51.6% まで削減する。 提案した2段推定器は, 2-20個のターゲットデバイスサンプルのみを用いて, 数ショットの適応により, 関節予測器の試料効率を向上する。

関連論文リスト

• Reinforcement Learning-Based Energy-Aware Coverage Path Planning for Precision Agriculture [6.218614094739671]
  本稿では,SAC(Soft Actor-Critic)強化学習に基づくエネルギー対応CPPフレームワークを提案する。 エネルギー制限下での堅牢で適応的な意思決定を可能にするため、このフレームワークは空間的特徴抽出のためにCNN(Conal Neural Networks)を統合している。 専用報酬関数は、カバレッジ効率、エネルギー消費、ベース間のリターン制約を共同で最適化するように設計されている。
  論文  参考訳（メタデータ） (2026-01-23T02:33:14Z)
• Energy Scaling Laws for Diffusion Models: Quantifying Compute and Carbon Emissions in Image Generation [50.21021246855702]
  本稿では,計算複雑性(FLOP)に基づく拡散モデルに対するGPUエネルギー消費予測のためのKaplanスケーリング法の適用法を提案する。 提案手法は, テキストエンコーディング, 反復的復号化, 復号化コンポーネントへの拡散モデル推論を分解し, 複数の推論ステップをまたいだ繰り返し実行により, 演算の復号化がエネルギー消費を支配しているという仮説を導いた。 この結果は拡散予測の計算バウンドの性質を検証し、持続可能なAIデプロイメント計画と炭素フットプリント推定の基礎を提供する。
  論文  参考訳（メタデータ） (2025-11-21T08:12:47Z)
• SBP-YOLO:A Lightweight Real-Time Model for Detecting Speed Bumps and Potholes toward Intelligent Vehicle Suspension Systems [14.325572905529507]
  本稿では,組込みシステムにおける高速バンプとポットホールの効率的な検出フレームワークであるSBP-YOLOを提案する。 P2レベル分岐は小対象検出を改善し、軽量で効率的な検出ヘッド(LEDH)は最小限のオーバーヘッドで精度を維持する。 実験の結果、SBP-YOLOは87.0%のmAPを達成し、YOLOv11nベースラインを5.8%上回った。
  論文  参考訳（メタデータ） (2025-08-02T12:15:08Z)
• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• Flexible and Fully Quantized Ultra-Lightweight TinyissimoYOLO for Ultra-Low-Power Edge Systems [13.266626571886354]
  我々は最先端の超低消費電力極端プラットフォームにTinyissimoYOLOの変種をデプロイする。 本稿では, 遅延, エネルギー効率, ワークロードを効率的に並列化する能力について比較する。
  論文  参考訳（メタデータ） (2023-07-12T08:26:27Z)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• FemtoDet: An Object Detection Baseline for Energy Versus Performance Tradeoffs [27.006082622843653]
  常にオンの監視カメラのような畳み込みニューラルネットワークの視覚応用は、エネルギー制約にとって重要である。 本稿では,2つの視点からエネルギーと性能のトレードオフに到達するための検出器を設計し,ベースラインとして機能することを目的とする。
  論文  参考訳（メタデータ） (2023-01-17T06:24:08Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。