LeYOLO, Nouvelle architecture embarquée pour la détection d'objets

Le calcul efficace dans les réseaux de neurones profonds est crucial pour la détection d’objets en temps réel. Toutefois, les avancées récentes s’appuient principalement sur des améliorations matérielles performantes plutôt que sur l’optimisation des paramètres et de l’efficacité en FLOP (opérations flottantes par seconde). Ce phénomène est particulièrement marqué dans les architectures YOLO les plus récentes, où la vitesse est privilégiée par rapport à une conception légère. En conséquence, les modèles de détection d’objets optimisés pour les environnements à ressources limitées, tels que les microcontrôleurs, ont reçu moins d’attention. Pour les dispositifs aux capacités de calcul restreintes, les solutions existantes reposent principalement sur SSDLite ou des combinaisons de classificateurs à faible nombre de paramètres, créant ainsi un écart notable entre les architectures du type YOLO et des détecteurs véritablement efficaces et légers. Cela soulève une question fondamentale : un modèle optimisé pour l’efficacité en paramètres et en FLOP peut-il atteindre un niveau de précision comparable à celui des modèles YOLO dominants ? Pour répondre à cette question, nous présentons deux contributions majeures dans le domaine de la détection d’objets, en utilisant MSCOCO comme ensemble de validation de base. Premièrement, nous proposons LeNeck, un cadre généraliste de détection qui maintient une vitesse d’inférence comparable à celle de SSDLite tout en améliorant significativement la précision et en réduisant fortement le nombre de paramètres. Deuxièmement, nous introduisons LeYOLO, un modèle de détection d’objets efficace conçu pour améliorer l’efficacité computationnelle dans les architectures basées sur YOLO. LeYOLO comble efficacement l’écart entre les détecteurs basés sur SSDLite et les modèles YOLO, offrant une haute précision dans un modèle aussi compact que MobileNets. Ces deux contributions s’inscrivent particulièrement bien dans les applications mobiles, embarquées et à très faible consommation d’énergie, notamment sur les microcontrôleurs, où l’efficacité computationnelle est primordiale.