放棄 YOLO 用於安全植物辨識

#ood-detection #computer-vision #embedded-ai #safety-criticalhandheld-foraging-deviceyolo efficientnet-b2 mobilenetv3 hailo-8l

💡YOLO 在安全應用 OOD 靜默失效 + 邊緣 CV 驗證修復

⚡ 30-Second TL;DR

有什麼變化

YOLO 封閉集 softmax 對 OOD 輸入給高信心，對採集致命。

為什麼重要

揭露封閉集模型在安全關鍵應用風險，推動 OOD 感知管線用於可靠邊緣 ML 部署。

下一步行動

在你的模型原始 logits 上測試能量評分以改善 OOD 偵測。

誰應關注：Developers & AI Engineers

關鍵要點

•YOLO 封閉集 softmax 對 OOD 輸入給高信心，對採集致命。
•原始 logits 能量評分優於信心閥值用於 OOD 偵測。
•專用模型處理菌類、漿果、採集，加上 MobileNetV3 路由器與 K+1 類別。
•集成分歧作為次要 OOD 訊號，優化 Hailo 8L 推論。

🧠 深度解析

AI-generated analysis for this event.

🔑 增強重點摘要

•在邊緣運算裝置上，使用能量評分（Energy-based models）進行 OOD 偵測已被證實能有效降低誤報率，特別是在處理具有高風險的生物辨識場景時，其表現優於傳統的 Softmax 信心度量。
•Hailo-8L AI 加速器因其高能效比（TOPS/Watt），已成為手持式安全關鍵裝置的主流選擇，特別是在需要運行多模型管線（如路由器加專用模型）的場景中。
•針對植物與真菌辨識，採用分層式架構（Hierarchical Architecture）能顯著提升對罕見或有毒物種的辨識準確度，解決了單一大型模型在處理長尾分佈（Long-tail distribution）時的局限性。

🛠️ 技術深入

• 路由器架構：採用 MobileNetV3 作為輕量級路由器，負責將輸入影像分類至對應的專用模型（如：菌類專用、漿果專用）。 • OOD 偵測機制：利用能量函數（Energy Function）計算 Logits 的負對數總和，當能量值超過預設閾值時，系統判定該輸入為 OOD 並拒絕辨識。 • 硬體部署：模型經過 Hailo Dataflow Compiler 優化，將 EfficientNet B2 與 MobileNetV3 進行量化（INT8）並映射至 Hailo-8L 的神經網路核心。 • 集成分歧：透過多個模型對同一輸入的預測差異（Variance）作為輔助指標，若分歧過大則觸發安全警示。