День сообщества ML - 9 ноября! Присоединяйтесь к нам для обновления от TensorFlow, JAX, и многое другое Подробнее

Размещенные модели

Ниже приводится неполный список предварительно обученных моделей, оптимизированных для работы с TensorFlow Lite.

Чтобы приступить к выбору модели, посетите страницу « Модели» со сквозными примерами или выберите модель TensorFlow Lite из TensorFlow Hub .

Классификация изображений

Дополнительные сведения о классификации изображений см. В разделе Классификация изображений . Изучите библиотеку задач TensorFlow Lite, чтобы узнать, как интегрировать модели классификации изображений всего в несколько строк кода.

Квантованные модели

Модели классификации квантованных изображений предлагают наименьший размер модели и максимальную производительность за счет точности. Значения производительности измерены на Pixel 3 на Android 10.

Вы можете найти множество квантованных моделей в TensorFlow Hub и получить там больше информации о моделях.

Название модели Бумага и модель Размер модели ТОП-1 точность Топ-5 точности CPU, 4 потока ННАПИ
Mobilenet_V1_0.25_128_quant бумага , флит и пб 0.5 Мб 39,5% 64,4% 0,8 мс 2 мс
Mobilenet_V1_0.25_160_quant бумага , флит и пб 0.5 Мб 42,8% 68,1% 1,3 мс 2,4 мс
Mobilenet_V1_0.25_192_quant бумага , флит и пб 0.5 Мб 45,7% 70,8% 1,8 мс 2,6 мс
Mobilenet_V1_0.25_224_quant бумага , флит и пб 0.5 Мб 48,2% 72,8% 2.3 мс 2,9 мс
Mobilenet_V1_0.50_128_quant бумага , флит и пб 1.4 Мб 54,9% 78,1% 1,7 мс 2,6 мс
Mobilenet_V1_0.50_160_quant бумага , флит и пб 1.4 Мб 57,2% 80,5% 2,6 мс 2,9 мс
Mobilenet_V1_0.50_192_quant бумага , флит и пб 1.4 Мб 59,9% 82,1% 3,6 мс 3,3 мс
Mobilenet_V1_0.50_224_quant бумага , флит и пб 1.4 Мб 61,2% 83,2% 4,7 мс 3,6 мс
Mobilenet_V1_0.75_128_quant бумага , флит и пб 2.6 Мб 55,9% 79,1% 3,1 мс 3,2 мс
Mobilenet_V1_0.75_160_quant бумага , флит и пб 2.6 Мб 62,4% 83,7% 4,7 мс 3,8 мс
Mobilenet_V1_0.75_192_quant бумага , флит и пб 2.6 Мб 66,1% 86,2% 6,4 мс 4,2 мс
Mobilenet_V1_0.75_224_quant бумага , флит и пб 2.6 Мб 66,9% 86,9% 8,5 мс 4,8 мс
Mobilenet_V1_1.0_128_quant бумага , флит и пб 4.3 Мб 63,3% 84,1% 4,8 мс 3,8 мс
Mobilenet_V1_1.0_160_quant бумага , флит и пб 4.3 Мб 66,9% 86,7% 7,3 мс 4,6 мс
Mobilenet_V1_1.0_192_quant бумага , флит и пб 4.3 Мб 69,1% 88,1% 9,9 мс 5,2 мс
Mobilenet_V1_1.0_224_quant бумага , флит и пб 4.3 Мб 70,0% 89,0% 13 мс 6.0 мс
Mobilenet_V2_1.0_224_quant бумага , флит и пб 3.4 Мб 70,8% 89,9% 12 мс 6,9 мс
Inception_V1_quant бумага , флит и пб 6.4 Мб 70,1% 89,8% 39 мс 36 мс
Inception_V2_quant бумага , флит и пб 11 Мб 73,5% 91,4% 59 мс 18 мс
Inception_V3_quant бумага , флит и пб 23 Мб 77,5% 93,7% 148 мс 74 мс
Inception_V4_quant бумага , флит и пб 41 Мб 79,5% 93,9% 268 мс 155 мс

Модели с плавающей запятой

Модели с плавающей запятой предлагают лучшую точность за счет размера модели и производительности. Ускорение GPU требует использования моделей с плавающей запятой. Значения производительности измерены на Pixel 3 на Android 10.

Вы можете найти множество моделей классификации изображений в TensorFlow Hub и получить там дополнительную информацию о моделях.

Название модели Бумага и модель Размер модели ТОП-1 точность Топ-5 точности CPU, 4 потока GPU ННАПИ
DenseNet бумага , флит и пб 43,6 Мб 64,2% 85,6% 195 мс 60 мс 1656 мс
SqueezeNet бумага , флит и пб 5.0 Мб 49,0% 72,9% 36 мс 9,5 мс 18,5 мс
NASNet для мобильных устройств бумага , флит и пб 21,4 Мб 73,9% 91,5% 56 мс --- 102 мс
NASNet большой бумага , флит и пб 355,3 Мб 82,6% 96,1% 1170 мс --- 648 мс
ResNet_V2_101 бумага , флит и пб 178,3 Мб 76,8% 93,6% 526 мс 92 мс 1572 мс
Inception_V3 бумага , флит и пб 95,3 Мб 77,9% 93,8% 249 мс 56 мс 148 мс
Inception_V4 бумага , флит и пб 170,7 Мб 80,1% 95,1% 486 мс 93 мс 291 мс
Inception_ResNet_V2 бумага , флит и пб 121.0 Мб 77,5% 94,0% 422 мс 100 мс 201 мс
Mobilenet_V1_0.25_128 бумага , флит и пб 1.9 Мб 41,4% 66,2% 1,2 мс 1,6 мс 3 мс
Mobilenet_V1_0.25_160 бумага , флит и пб 1.9 Мб 45,4% 70,2% 1,7 мс 1,7 мс 3,2 мс
Mobilenet_V1_0.25_192 бумага , флит и пб 1.9 Мб 47,1% 72,0% 2,4 мс 1,8 мс 3,0 мс
Mobilenet_V1_0.25_224 бумага , флит и пб 1.9 Мб 49,7% 74,1% 3,3 мс 1,8 мс 3,6 мс
Mobilenet_V1_0.50_128 бумага , флит и пб 5,3 Мб 56,2% 79,3% 3,0 мс 1,7 мс 3,2 мс
Mobilenet_V1_0.50_160 бумага , флит и пб 5,3 Мб 59,0% 81,8% 4,4 мс 2,0 мс 4,0 мс
Mobilenet_V1_0.50_192 бумага , флит и пб 5,3 Мб 61,7% 83,5% 6.0 мс 2,5 мс 4,8 мс
Mobilenet_V1_0.50_224 бумага , флит и пб 5,3 Мб 63,2% 84,9% 7,9 мс 2,8 мс 6,1 мс
Mobilenet_V1_0.75_128 бумага , флит и пб 10.3 Мб 62,0% 83,8% 5,5 мс 2,6 мс 5,1 мс
Mobilenet_V1_0.75_160 бумага , флит и пб 10.3 Мб 65,2% 85,9% 8,2 мс 3,1 мс 6.3 мс
Mobilenet_V1_0.75_192 бумага , флит и пб 10.3 Мб 67,1% 87,2% 11.0 мс 4,5 мс 7,2 мс
Mobilenet_V1_0.75_224 бумага , флит и пб 10.3 Мб 68,3% 88,1% 14,6 мс 4,9 мс 9,9 мс
Mobilenet_V1_1.0_128 бумага , флит и пб 16.9 Мб 65,2% 85,7% 9.0 мс 4,4 мс 6,3 мс
Mobilenet_V1_1.0_160 бумага , флит и пб 16.9 Мб 68,0% 87,7% 13,4 мс 5,0 мс 8,4 мс
Mobilenet_V1_1.0_192 бумага , флит и пб 16.9 Мб 69,9% 89,1% 18,1 мс 6.3 мс 10,6 мс
Mobilenet_V1_1.0_224 бумага , флит и пб 16.9 Мб 71,0% 89,9% 24,0 мс 6.5 мс 13,8 мс
Mobilenet_V2_1.0_224 бумага , флит и пб 14.0 Мб 71,8% 90,6% 17,5 мс 6,2 мс 11,23 мс

Мобильные модели AutoML

Следующие модели классификации изображений были созданы с использованием Cloud AutoML . Значения производительности измерены на Pixel 3 на Android 10.

Вы можете найти эти модели в TensorFlow Hub и получить там дополнительную информацию о моделях.

Название модели Бумага и модель Размер модели ТОП-1 точность Топ-5 точности CPU, 4 потока GPU ННАПИ
MnasNet_0.50_224 бумага , флит и пб 8,5 Мб 68,03% 87,79% 9,5 мс 5,9 мс 16,6 мс
MnasNet_0.75_224 бумага , флит и пб 12 Мб 71,72% 90,17% 13,7 мс 7,1 мс 16,7 мс
MnasNet_1.0_96 бумага , флит и пб 17 Мб 62,33% 83,98% 5,6 мс 5,4 мс 12,1 мс
MnasNet_1.0_128 бумага , флит и пб 17 Мб 67,32% 87,70% 7,5 мс 5,8 мс 12,9 мс
MnasNet_1.0_160 бумага , флит и пб 17 Мб 70,63% 89,58% 11,1 мс 6,7 мс 14,2 мс
MnasNet_1.0_192 бумага , флит и пб 17 Мб 72,56% 90,76% 14,5 мс 7,7 мс 16,6 мс
MnasNet_1.0_224 бумага , флит и пб 17 Мб 74,08% 91,75% 19,4 мс 8,7 мс 19 мс
MnasNet_1.3_224 бумага , флит и пб 24 Мб 75,24% 92,55% 27,9 мс 10,6 мс 22,0 мс

Обнаружение объекта

Дополнительные сведения об обнаружении объектов см. В разделе Обнаружение объектов . Изучите библиотеку задач TensorFlow Lite, чтобы получить инструкции о том, как интегрировать модели обнаружения объектов всего в несколько строк кода.

Пожалуйста, найдите модели обнаружения объектов в TensorFlow Hub.

Оценка позы

Дополнительные сведения об оценке позы см. В разделе Оценка позы .

Пожалуйста, найдите модели оценки позы в TensorFlow Hub.

Сегментация изображения

Дополнительные сведения о сегментации изображений см. В разделе « Сегментация» . Изучите библиотеку задач TensorFlow Lite, чтобы получить инструкции о том, как интегрировать модели сегментации изображений всего в несколько строк кода.

Вы можете найти модели сегментации изображений в TensorFlow Hub.

Вопрос и ответ

Для получения дополнительной информации о вопросах и ответах с MobileBERT см. Вопросы и ответы . Изучите библиотеку задач TensorFlow Lite, чтобы узнать, как интегрировать модели вопросов и ответов всего в несколько строк кода.

Пожалуйста, найдите модель Mobile BERT на сайте TensorFlow Hub.

Умный ответ

Дополнительные сведения об умном ответе см. В разделе Умный ответ .

Пожалуйста, найдите модель Smart Reply на сайте TensorFlow Hub.