Robustez de la Cuantización ante Degradaciones de Entrada para la Detección de Objetos

Quantization Robustness to Input Degradations for Object Detection

August 27, 2025

Autores: Toghrul Karimov, Hassan Imani, Allan Kazakov

cs.AI

Resumen

La cuantización post-entrenamiento (PTQ, por sus siglas en inglés) es crucial para implementar modelos eficientes de detección de objetos, como YOLO, en dispositivos con recursos limitados. Sin embargo, el impacto de la reducción de precisión en la robustez del modelo frente a degradaciones del mundo real, como ruido, desenfoque y artefactos de compresión, es una preocupación significativa. Este artículo presenta un estudio empírico exhaustivo que evalúa la robustez de los modelos YOLO (desde la escala nano hasta extra grande) en múltiples formatos de precisión: FP32, FP16 (TensorRT), UINT8 dinámico (ONNX) e INT8 estático (TensorRT). Introducimos y evaluamos una estrategia de calibración consciente de la degradación para PTQ en INT8 estático, donde el proceso de calibración de TensorRT se expone a una mezcla de imágenes limpias y sintéticamente degradadas. Los modelos se evaluaron en el conjunto de datos COCO bajo siete condiciones de degradación distintas (incluyendo varios tipos y niveles de ruido, desenfoque, bajo contraste y compresión JPEG) y un escenario de degradación mixta. Los resultados indican que, aunque los motores INT8 estático de TensorRT ofrecen aceleraciones sustanciales (~1.5-3.3x) con una caída moderada en la precisión (~3-7% mAP50-95) en datos limpios, la calibración consciente de la degradación propuesta no produjo mejoras consistentes y generalizadas en la robustez en comparación con la calibración estándar en datos limpios en la mayoría de los modelos y degradaciones. Se observó una excepción notable en escalas de modelos más grandes bajo condiciones específicas de ruido, lo que sugiere que la capacidad del modelo puede influir en la eficacia de este enfoque de calibración. Estos hallazgos resaltan los desafíos de mejorar la robustez de la PTQ y brindan insights para implementar detectores cuantizados en entornos no controlados. Todo el código y las tablas de evaluación están disponibles en https://github.com/AllanK24/QRID.

English

Post-training quantization (PTQ) is crucial for deploying efficient object detection models, like YOLO, on resource-constrained devices. However, the impact of reduced precision on model robustness to real-world input degradations such as noise, blur, and compression artifacts is a significant concern. This paper presents a comprehensive empirical study evaluating the robustness of YOLO models (nano to extra-large scales) across multiple precision formats: FP32, FP16 (TensorRT), Dynamic UINT8 (ONNX), and Static INT8 (TensorRT). We introduce and evaluate a degradation-aware calibration strategy for Static INT8 PTQ, where the TensorRT calibration process is exposed to a mix of clean and synthetically degraded images. Models were benchmarked on the COCO dataset under seven distinct degradation conditions (including various types and levels of noise, blur, low contrast, and JPEG compression) and a mixed-degradation scenario. Results indicate that while Static INT8 TensorRT engines offer substantial speedups (~1.5-3.3x) with a moderate accuracy drop (~3-7% mAP50-95) on clean data, the proposed degradation-aware calibration did not yield consistent, broad improvements in robustness over standard clean-data calibration across most models and degradations. A notable exception was observed for larger model scales under specific noise conditions, suggesting model capacity may influence the efficacy of this calibration approach. These findings highlight the challenges in enhancing PTQ robustness and provide insights for deploying quantized detectors in uncontrolled environments. All code and evaluation tables are available at https://github.com/AllanK24/QRID.