[Paper] 更大是否总是更好？资源受限小目标检测的效率分析

Source: arXiv - 2603.02142v1

Overview

论文 Is Bigger Always Better? Efficiency Analysis in Resource‑Constrained Small Object Detection 对计算机视觉模型扩展中流行的 “更大更好” 教条提出质疑。通过在马达加斯加的屋顶光伏（PV）检测任务上，严格测试模型规模、训练集规模和图像分辨率这三种扩展杠杆，作者展示了体积小、分辨率高的模型能够在原始准确率和效率（每兆字节模型的准确率）方面超越其庞大对应模型。

关键贡献

• 系统效率框架：引入一个度量（mAP₅₀ 每单位模型大小），在 公平 的资源预算基础上比较模型。
• 经验性逆转尺度定律：证明最小的 YOLO 11 N 模型 比最大的 YOLO 11 X 高效 24×，同时实现最高的绝对 mAP₅₀（0.617）。
• 分辨率是主导杠杆：显示提升输入分辨率可带来最高 +120 % 的效率提升，远超在低分辨率下增加训练数据的边际收益。
• 在 44 种部署场景中的帕累托优势：小型高分辨率配置在准确率‑吞吐量权衡空间中占主导，消除了传统的“准确率 vs. 速度”妥协需求。
• 面向地球观测（EO）的领域特定洞察：提供了首个大规模、数据稀缺的卫星影像小目标检测尺度定律分析。

方法论

1. 数据集与任务 – 作者从马达加斯加的高分辨率卫星图像中策划了一个屋顶光伏检测基准，这是一类经典的“小目标”问题，每块光伏板仅占几像素。
2. 尺度维度
   • 模型规模：六种 YOLO 11 变体，从超轻量级 YOLO 11 N（≈1 M 参数）到重量级 YOLO 11 X（≈90 M 参数）。
   • 数据集规模：训练集的子样本（10 %、30 %、60 %、100 %）。
   • 输入分辨率：四种分辨率（640×640、960×960、1280×1280、1600×1600）。
3. 训练协议 – 所有模型使用相同的超参数（学习率调度、优化器、数据增强）进行训练，以隔离三个尺度旋钮的影响。
4. 效率指标 – 对于每种配置，作者计算 mAP₅₀ / 模型大小（MB），从而直接比较“每字节的准确率”。
5. 帕累托分析 – 将 44 种可能的配置（6 种模型 × 4 种分辨率 × ~2 种数据集规模）绘制在准确率‑吞吐量空间中；那些未被其他配置支配的配置被识别为帕累托最优。

结果与发现

• YOLO 11 N 在 1600×1600 达到了最高的绝对 mAP₅₀（0.617）和最高的效率，即使在使用相同或更高分辨率的更大模型也被超越。
• 增加标注图像数量的收益递减，尤其在分辨率较低时更为明显；模型很快在每个像素提供的信息上达到饱和。
• 在所有 44 种部署方案中，小‑高分辨率 点位于帕累托前沿，意味着没有其他配置能够在不牺牲吞吐量（或相反）的情况下提升准确率。

实际意义

• 针对边缘/IoT 设备的模型选择 – 在卫星、无人机或内置处理器上部署计算机视觉时，若内存受限，开发者应优先考虑 更高的输入分辨率 而非 更大的主干网络。
• 成本效益的数据采集 – 在数据稀缺的遥感项目中，大量标注更多影像的投入可能得不偿失；相反，应将资源用于获取更高分辨率的传感器或对现有数据进行上采样。
• 简化的流水线 – 更小的模型可降低推理延迟、功耗，并简化容器化，使电网运营商或非政府组织能够实时监测屋顶光伏装置。
• 通用的方案 – 以效率为先的评估方法同样适用于其他小目标检测领域（例如野生动物计数、交通标志检测），这些场景中目标仅占少量像素。

限制与未来工作

• Domain specificity – 本研究聚焦于单一地理区域的屋顶光伏检测；对其他目标类别或地形的结果可能不同。
• Hardware‑agnostic metric – 效率按模型大小每兆字节衡量，而非每 FLOP 或特定硬件上的实际时钟延迟；未来工作可加入设备特定的基准测试。
• Resolution ceiling – 极高分辨率可能在某些边缘设备上触及内存限制；探索切片或多尺度推理策略将是有价值的。
• Model families – 仅研究了 YOLO 11 变体；将分析扩展到基于 Transformer 的检测器或轻量级 CNN（如 MobileNet‑V3）可以验证观察到的逆转是否更广泛适用。

作者

• Kwame Mbobda‑Kuate
• Gabriel Kasmi

论文信息

• arXiv ID: 2603.02142v1
• 分类: cs.CV, cs.LG
• 出版日期: 2026年3月2日
• PDF: Download PDF