論文の概要: YOLOF-MLD: A Multi-Level Distillation Framework for Efficient Object Detection

• arxiv url: http://arxiv.org/abs/2610.39408v1
• Date: Thu, 29 Oct 2026 05:45:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:55:28.656442
• Title: YOLOF-MLD: A Multi-Level Distillation Framework for Efficient Object Detection
• Title（参考訳）: YOLOF-MLD:効率的な物体検出のための多層蒸留フレームワーク
• Abstract要約: 本稿では, YOLO26nのバックボーン, SiSoのネック, MLDを組み合わせたCPU効率のマルチレベル蒸留(MLD)フレームワークであるYOLOF-MLDを提案する。 D-Fire と Annotated Fire-Smoke データセットでは、YOLOF-MLD は YOLO26n のパラメータ数を 35.7% 削減している。 結果として、エッジデプロイメントのための競合する精度、レイテンシのトレードオフが示される。
• 参考スコア（独自算出の注目度）: 15.607755349807716
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Efficient object detection on resource-constrained edge devices is essential for safety-critical applications such as fire-smoke monitoring. However, current lightweight frameworks, such as YOLO26, still rely on the parameter-dense multi-branch Feature Pyramid Network (FPN), preventing full exploitation of their lightweight advantage. Replacing FPN with YOLOF's single-input-single-output (SiSo) neck is a promising solution but causes substantial accuracy loss. To alleviate this, we propose YOLOF-MLD, a CPU-efficient multi-level distillation (MLD) framework that combines a YOLO26n backbone, a SiSo neck, and MLD. It aligns features at the backbone via sliced-semantics matching, neck with receptive-field matching, and response levels. On D-Fire and Annotated Fire-Smoke (AFS) datasets, YOLOF-MLD reduces the parameter count of YOLO26n by 35.7\% and achieves a 62.3\% speedup on Raspberry Pi 5, attaining 71.6% and 59.9% mAP@50, respectively, compared with 75.5% and 60.0% for YOLO26n. These results demonstrate a competitive accuracy--latency trade-off for edge deployment. Our code is available at https://github.com/XiaolongWU111/YOLOF---MLD/blob/main/README.md.
• Abstract（参考訳）: 資源制約されたエッジデバイス上での効率的なオブジェクト検出は、火災煙モニタリングなどの安全上重要なアプリケーションに不可欠である。 しかし、YOLO26のような現在の軽量フレームワークはパラメータ依存のマルチブランチ機能ピラミッドネットワーク(FPN)に依存しており、軽量なアドバンテージのフル活用を防いでいる。 YOLOFのシングルインプット・シングルアウトプット(SiSo)ネックでFPNをリプレースすることは有望な解決策であるが、かなりの精度の損失をもたらす。 そこで我々は, YOLO26nのバックボーン, SiSoのネック, MLDを組み合わせたCPU効率のマルチレベル蒸留(MLD)フレームワークであるYOLOF-MLDを提案する。 バックボーンの機能をスライス・セマンティック・マッチング、ネックとレセプティブ・フィールドのマッチング、応答レベルで調整する。 D-Fire と Annotated Fire-Smoke (AFS) データセットでは、YOLOF-MLD は YOLO26n のパラメータ数を 35.7 % 削減し、Raspberry Pi 5 で 62.3 % のスピードアップを達成した。 これらの結果は、エッジデプロイメントのための競合する精度-レイテンシトレードオフを示している。 私たちのコードはhttps://github.com/XiaolongWU111/YOLOF--MLD/blob/main/README.mdで利用可能です。

関連論文リスト

• YOLO-FireAD: Efficient Fire Detection via Attention-Guided Inverted Residual Learning and Dual-Pooling Feature Preservation [5.819675225521611]
  本研究は, 意識誘導型逆残差・デュアルプールダウンスケール核融合(YOLO-FireAD)による火災検出に一度だけ注目することを提案する。 注意誘導型逆残差ブロック(AIR)は、ハイブリッドチャネル空間の注意と逆残差を統合し、火災特性を適応的に増強し、環境騒音を抑制する。 Dual Pool Downscale Fusion Block (DPDF)は、最大平均プール出力の学習可能な融合を通じて、マルチスケールの火災パターンを保存する。
  論文  参考訳（メタデータ） (2025-05-27T08:29:07Z)
• 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)
• MODIPHY: Multimodal Obscured Detection for IoT using PHantom Convolution-Enabled Faster YOLO [10.183459286746196]
  YOLO Phantomは、史上最小のYOLOモデルのひとつです。 YOLO Phantomは最新のYOLOv8nモデルと同等の精度を実現し、パラメータとモデルサイズを同時に削減する。 実際の有効性は、高度な低照度カメラとRGBカメラを備えたIoTプラットフォーム上で実証され、AWSベースの通知エンドポイントにシームレスに接続される。
  論文  参考訳（メタデータ） (2024-02-12T18:56:53Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• 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)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• You Only Look One-level Feature [32.42416304550846]
  本稿では,一段検出器のピラミッドネットワーク(FPN)を再検討し,FPNの成功は,その分割・対数解によるものであることを指摘した。 複雑な機能ピラミッドを採用する代わりに、この問題に対処する別の方法を導入する。 シンプルで効率的なソリューションに基づいて、You Only Look One-level Feature(YOLOF)を紹介します。
  論文  参考訳（メタデータ） (2021-03-17T06:24:10Z)

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。