Comment apprendre à une caméra à voir plus vite et plus économiquement express
Les caméras intelligentes peuvent désormais analyser des vidéos sans avoir besoin d'ordinateurs encombrants — les ingénieurs ont intégré l'algorithme de reconnaissance directement dans une puce miniature. La caméra fonctionne comme un télescope agile : elle ne scrute pas tout, mais se concentre immédiatement sur les objets importants. Au lieu de décomposer l'image couleur en couches (ce qui est lent), elle fait passer l'image à travers une convolution — c'est comme passer un pochoir sur une photo, qui fait ressortir instantanément les contours. Cette astuce réduit la consommation d'énergie de trois fois, au prix de seulement 5 % de précision. Un processeur spécialisé, conçu pour la vision artificielle, traite 34 images par seconde — plus vite que l'œil humain ne cligne. Chaque image ne coûte que l'énergie d'un simple clic de souris. Cela ouvre la voie à des drones qui peuvent voir le monde pendant des heures sans recharge, et à des robots qui réagissent instantanément.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2607.13106
Edge-based Artificial Intelligence (AI) acceleration has recently improved progress in real-time object detection. Object detection on edge devices requires a balance between accuracy, speed, and power efficiency. This paper proposes a customized Deep Learning Processor Unit (DPU)-aware architecture for attention-based YOLO variants deployed on AMD FPGAs. Specifically, we evaluate and benchmark YOLOv26 and YOLOv11, two modern attention-based YOLO variants, on the Xilinx ZCU104 across both standard and oriented object detection tasks. We replace unsupported activation functions, substitute split operations with 1x1 convolutions, and approximate the spatial attention mechanism in a DPU-compatible way. All models are then trained and evaluated across six benchmark datasets such as COCO, Pascal VOC, KITTI, DOTA, DIOR-R, and an in-house human presence dataset, and benchmarked across all eight DPU configurations (B512 to B4096) in terms of mAP, FPS, latency, power, and resource utilization. Notably, YOLOv26n and YOLOv26n-OBB deliver the highest end-to-end throughput at 34.05 and 29.55 FPS for standard and oriented detection, respectively, with an average of 5% absolute reduction in accuracy due to quantization while achieving up to approximately 3x lower power consumption compared with the state of the art.
Une image est traitée en 29 millisecondes — c'est trois fois plus rapide que la durée d'un clignement (100 à 150 millisecondes).
Tel un mini-Jarvis, cette puce reconnaît les objets en temps réel, tient dans un boîtier de la taille d'un timbre-poste et consomme aussi peu d'énergie qu'une ampoule qui clignote.