Otimização de Modelos de Visão Computacional via Quantização para Detecção de Pólipos em Tempo Real

• Davi de Jesus Teixeira UFG
• Carlos Eduardo Gonçalves de Oliveira UFG
• Gustavo Novack Viana Lima UFG
• Rian de Souza Santos UFG
• Ricardo Augusto Pereira Franco UFG

DOI: https://doi.org/10.5753/sbcas.2026.21502

Resumo

Este trabalho avalia variantes do modelos YOLO para a detecção de pólipos colorretais em tempo real, com e sem quantização. Os modelos foram treinados e avaliados em um conjunto de imagens de colonoscopia em GPU, adotando 60 FPS como limiar de tempo real. A quantização aumentou a velocidade de inferência entre 20,1% e 121,4% em todas as variantes do modelo, com pequeno impacto nas métricas. Os YOLOv8m FP16 e YOLOv11m FP16 apresentaram o melhor equilíbrio entre acurácia e velocidade de inferência: mAP@0.5 de 0,904 e 0,903, Recall de 0,916 e 0,921, a 96,9 e 83,0 FPS, respectivamente. Os resultados demonstram que a quantização FP16 é uma estratégia de otimização segura e eficaz para a detecção de pólipos em tempo real.

Referências

ASGE/ACG (2024). Asge–acg quality indicators for colonoscopy — faq. Issue Date: Oct 2024.

Bernal, J., Sánchez, F. J., Fernández-Esparrach, G., Gil, D., Rodríguez, C., and Vilariño, F. (2015). Cvc-clinicdb.

Borgli, H., Thambawita, V., Smedsrud, P. H., Hicks, S., and et.al. (2020). HyperKvasir, a comprehensive multi-class image and video dataset for gastrointestinal endoscopy. Scientific Data, 7(1):283.

Bray, F., Laversanne, M., Sung, H., Ferlay, J., Siegel, R. L., Soerjomataram, I., and Jemal, A. (2024). Global cancer statistics 2022: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 74(3):229–263.

Carrinho, P. and Falcao, G. (2023). Highly accurate and fast yolov4-based polyp detection. Expert Systems with Applications, 232:120834.

Corley, D. A., Jensen, C. D., Marks, A. R., Zhao, Y., and et.al. (2014). Adenoma detection rate and risk of colorectal cancer and death. New England Journal of Medicine, 370:1298–1306.

Gholami, A., Kim, S., Dong, Z., Yao, Z., Mahoney, M. W., and Keutzer, K. (2021). A survey of quantization methods for efficient neural network inference. arXiv preprint arXiv:2103.13630.

Huang, C.-H., Wu, H.-Y., and Lin, Y.-L. (2024). Etis-larib polyp db.

Instituto Nacional de Câncer (INCA) (2023). Câncer de cólon e reto — estimativa 2023–2025. Acesso em: 02 set. 2025.

Jacob, B., Kligys, S., Chen, B., Zhu, M., Tang, M., and et.al. (2018). Quantization and training of neural networks for efficient integer-arithmetic-only inference. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 2704–2713.

Jha, D., Ali, S., Tomar, N. K., Johansen, H. D., Johansen, D., Rittscher, J., Riegler, M. A., and Halvorsen, P. (2021). Real-time polyp detection, localization and segmentation in colonoscopy using deep learning. IEEE Access, 9:40496–40510.

Jocher, G., Qiu, J., and Chaurasia, A. (2023). Ultralytics yolo.

Kader, R., Hassan, C., Lanas, Á., et al. (2026). A novel cloud-based artificial intelligence for real-time detection of colorectal neoplasia – a randomized controlled trial (EAGLE). npj Digital Medicine, 9(84).

Lalinia, M. and Sahafi, A. (2024). Colorectal polyp detection in colonoscopy images using yolo-v8 network. Signal, Image and Video Processing, 18(3):2047–2058.

Makar, J., Abdelmalak, J., Con, D., Hafeez, B., and Garg, M. (2025). Use of artificial intelligence improves colonoscopy performance in adenoma detection: a systematic review and meta-analysis. Gastrointestinal Endoscopy, 101(1):68–81.e8.

NVIDIA (2024). TensorRT Developer Guide, Version 10.0.1.

Pacal, I. and Karaboga, D. (2021). A robust real-time deep learning based automatic polyp detection system. Computers in Biology and Medicine, 134:104519.

Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 779–788.

Rex, D. K., Anderson, J. C., Butterly, L. F., and et al. (2024). Quality indicators for colonoscopy. Gastrointestinal Endoscopy, 100(3):352–381.

Wan, J., Chen, B., and Yu, Y. (2021). Polyp detection from colorectum images by using attentive yolov5. Diagnostics, 11(12).

Wang, P., Berzin, T. M., Glissen Brown, J. R., and et al. (2019). Real-time automatic detection system increases colonoscopic polyp and adenoma detection rates: a randomized controlled study. Gut, 68(10):1813–1819.