軽量RGB画像ベースの高速荷物検出フレームワーク:アクティブラーニングと量子化認識トレーニングを活用
A Lightweight RGB Vision-Based Express Parcel Detection Framework with Active Learning and Quantization-Aware Training
本研究では、複雑な物流環境に対応する軽量RGB画像ベースの高速荷物検出フレームワークを提案する。まず、マルチソースデータ収集で取得したRGB画像から高速荷物認識(EPR)データセットを構築し、統一的な再アノテーションとアクティブラーニングベースの疑似ラベリングにより、手動アノテーションの労力を削減しつつラベルの一貫性を維持する。YOLOv11sをベースに、SFAConvとNGAMを統合した軽量検出器EPR-YOLOを開発し、計算複雑性を制御しながらRGB視覚入力からのマルチスケール特徴抽出とグローバル意味モデリングを強化する。さらに、量子化認識トレーニングを導入し、ストレージ要件を削減し精度低下を限定したINT8量子化モデルを取得し、後続の軽量デプロイメントの基盤を提供する。比較実験、アブレーションスタディ、独立したテストセット評価により、EPR-YOLOはmAP50で71.654%を達成し、YOLOv11sベースラインを0.854パーセンテージポイント向上させつつ、パラメータ数を9.5%削減する。量子化モデルは、浮動小数点モデルの検出能力の大部分を維持する。さらに、FastAPIベースのWebアプリケーションを実装し、RGB画像取得ベースの単一画像およびバッチ検出、結果の可視化、オンライン推論をサポートする。このフレームワークは、荷物認識、データセット構築、軽量モデル最適化、量子化デプロイメント、アプリケーションレベルの検証をカバーする、インテリジェント物流システム向けの統合されたセンシングからデプロイメントまでのソリューションを提供する。
- 軽量荷物検出器EPR-YOLOを開発し、mAP50で71.654%を達成。YOLOv11sベースラインを0.854パーセンテージポイント上回りつつ、パラメータ数を9.5%削減した。
- 量子化認識トレーニングを導入し、精度低下を限定したINT8量子化モデルを取得。ストレージ要件を削減し、軽量デプロイメントの基盤を提供する。
- マルチソースデータ収集と統一的な再アノテーション、アクティブラーニングベースの疑似ラベリングにより高速荷物認識(EPR)データセットを構築し、手動アノテーション労力を削減した。
- FastAPIベースのWebアプリケーションを実装し、単一画像およびバッチ検出、結果可視化、オンライン推論をサポートする。
物流の荷物検出という実運用タスクに対し、YOLOv11sベースの軽量モデルEPR-YOLOでmAP50 71.654%(ベースライン比+0.854pt)かつパラメータ9.5%削減、さらに量子化認識トレーニングによるINT8化まで含めて一気通貫で示した点は、エッジ/現場デプロイを狙うAIベンダーの競争軸(精度あたりの計算コストと量子化後の実効精度)を測る物差しになる。ただし提案手法は論文段階の研究で、商用製品化・導入企業・収益への言及はなく、投資判断には依然として実運用データセットの汎化性とハードウェア適合の検証が必要。物流自動化・倉庫ロボティクス分野の軽量ビジョン技術の動向として注視したい。