Réponse rapide
Un modèle compact consomme moins de mémoire et calcule plus vite, tandis qu’un modèle très profond peut représenter des scènes complexes au prix de latence, énergie, données et validation supplémentaires.
Gagner en réactivité
Réseau réduit, quantification ou entrée limitée facilitent l’embarqué. Le choix est comparé sur les petits objets, classes rares et cas dégradés.
Augmenter la capacité avec preuve
Profondeur et attention peuvent améliorer représentation, mais demandent données, mémoire et refroidissement. La performance utile inclut calibration et temps de réponse.
Choisir le compromis de mission
Fréquence de boucle, énergie, coût d’erreur et possibilités de repli déterminent la solution. Un modèle plus grand est retenu seulement si le gain résiste au contexte réel.
Le score moyen masque les contraintes d’embarqué
Une amélioration sur benchmark peut entraîner dépassement thermique, latence ou perte de précision en bord d’image. Le modèle final doit être mesuré sur le calculateur cible.
Sources et références
- [1] Robotics and Autonomous Systems — NIST