RepVGG-A0, un modèle de vision plus simple à déployer

SSacha

La nouveauté, c’est que les poids préentraînés de RepVGG-A0 sont maintenant accessibles sur Hugging Face par l’intermédiaire de timm, d’après AlphaSignal. Pour une personne qui utilise déjà cette bibliothèque, le chargement passe par son interface habituelle, plutôt que par une procédure propre à ce modèle. Cela rend le point de départ plus direct pour essayer le réseau dans un environnement compatible avec timm. RepVGG-A0 est présenté comme un modèle de classification d’images : il sert donc à attribuer une catégorie à une image, et non nécessairement à décrire chaque objet qu’elle contient. L’annonce porte sur la disponibilité du modèle et sur la façon de le charger ; elle ne présente pas un nouveau système complet de vision ni une démonstration de résultats sur une application particulière.

SSacha

RepVGG-A0 repose sur une différence entre la forme du réseau pendant son apprentissage et celle qu’il prend au moment de l’inférence, c’est-à-dire quand il traite une image après l’entraînement. Pendant l’apprentissage, ses blocs peuvent emprunter plusieurs branches de calcul, comme plusieurs chemins qui contribuent à construire une même décision. Une fois cette étape terminée, une réparamétrisation structurelle fusionne ces branches en convolutions de 3 par 3. L’image concrète, c’est un carrefour avec plusieurs voies pendant les travaux, puis un trajet simplifié quand la route est ouverte à la circulation. Cette transformation vise à conserver des blocs à branches multiples pour l’entraînement tout en obtenant une structure plus homogène pour l’inférence. Cela décrit une organisation technique du réseau, mais ne suffit pas à conclure qu’il sera plus rapide sur tous les appareils.

SSacha

RepVGG-A0 est présenté comme un modèle de classification d’images, entraîné sur ImageNet-1k. Il compte 9,1 millions de paramètres, autrement dit autant de valeurs apprises qui composent le réseau et contribuent à produire sa classification. Pour une entrée de 224 par 224 pixels, son coût annoncé est de 1,5 GMACs, une mesure des opérations de multiplication et d’accumulation nécessaires au calcul. Ces repères aident à situer la taille du modèle et la charge associée à une image de cette dimension, mais ils ne donnent pas directement son temps d’exécution sur un ordinateur ou un téléphone précis. Les poids sont proposés sous licence MIT, une information importante pour les personnes qui veulent étudier les conditions de réutilisation. En revanche, ces quelques chiffres ne constituent pas une comparaison avec d’autres modèles et ne permettent pas, à eux seuls, de choisir un outil pour chaque tâche.

SSacha

Il faut distinguer la disponibilité d’un modèle et une évaluation de ses performances. Les éléments annoncés ici précisent l’accès aux poids, le chargement via timm, le nombre de paramètres, le coût de calcul pour une taille d’image donnée et l’entraînement sur ImageNet-1k. Ils ne fournissent pas de résultats comparatifs permettant de dire que RepVGG-A0 serait meilleur qu’un autre réseau dans une situation précise. De même, 1,5 GMACs renseigne sur le calcul prévu pour une entrée de 224 par 224 pixels, mais pas sur la durée réelle d’une prédiction, qui dépendrait aussi de l’appareil utilisé. La licence MIT renseigne sur les conditions de réutilisation des poids, sans apporter en soi de garantie sur la qualité des résultats. Pour une équipe, l’annonce donne donc des éléments pour décider si le modèle mérite un essai, mais pas une réponse universelle sur ses performances ou son intérêt dans un produit.

SSacha

L’architecture de RepVGG a servi de base à des backbones utilisés dans YOLOv6 et YOLOv7. Un backbone, c’est la partie d’un système qui extrait des caractéristiques visuelles à partir d’une image, avant qu’un autre composant les exploite. Ce lien montre que des idées de conception associées à RepVGG ont aussi été reprises dans des systèmes de vision plus larges. Il ne faut toutefois pas confondre ces backbones avec RepVGG-A0 lui-même : le modèle mis à disposition par timm est présenté ici pour la classification d’images. Les informations disponibles ne donnent pas de résultats de performance pour les backbones employés dans YOLOv6 ou YOLOv7. On peut donc parler d’une réutilisation de l’architecture, sans en déduire que le checkpoint RepVGG-A0 constitue à lui seul un détecteur d’objets ou qu’il produit les résultats de ces systèmes.

SSacha

Il faut retenir que les poids préentraînés de RepVGG-A0 sont disponibles sur Hugging Face et peuvent être chargés avec l’API standard de timm, d’après AlphaSignal. Pour les personnes qui travaillent déjà avec cette bibliothèque, cela peut rendre l’essai du modèle plus direct. Sur le plan technique, les blocs à plusieurs branches utilisés pendant l’entraînement sont fusionnés en convolutions de 3 par 3 pour l’inférence. Le modèle compte 9,1 millions de paramètres et son coût annoncé est de 1,5 GMACs pour une image de 224 par 224 pixels. Il a été entraîné sur ImageNet-1k et ses poids sont sous licence MIT. Ces caractéristiques donnent des repères utiles, mais l’annonce ne compare pas ses performances à celles d’autres modèles. On est donc face à une mise à disposition technique de niche : un modèle de classification à examiner, plutôt qu’à un lancement majeur ou à une promesse de performance universelle.