Google I / O kehrt vom 18. bis 20. Mai zurück! Reservieren Sie Platz und erstellen Sie Ihren Zeitplan Registrieren Sie sich jetzt

Gehostete Modelle

Das Folgende ist eine unvollständige Liste vorgefertigter Modelle, die für die Arbeit mit TensorFlow Lite optimiert wurden.

Um mit der Auswahl eines Modells zu beginnen, besuchen Sie die Seite Modelle mit End-to-End-Beispielen oder wählen Sie ein TensorFlow Lite-Modell aus TensorFlow Hub aus .

Bildklassifizierung

Weitere Informationen zur Bildklassifizierung finden Sie unter Bildklassifizierung . In der TensorFlow Lite-Aufgabenbibliothek finden Sie Anweisungen zum Integrieren von Bildklassifizierungsmodellen in nur wenigen Codezeilen.

Quantisierte Modelle

Quantisierte Bildklassifizierungsmodelle bieten die kleinste Modellgröße und die schnellste Leistung auf Kosten der Genauigkeit. Die Leistungswerte werden auf Pixel 3 unter Android 10 gemessen.

Sie können viele quantisierte Modelle von TensorFlow Hub finden und dort weitere Modellinformationen erhalten.

Modellname Papier und Modell Modellgröße Top-1-Genauigkeit Top-5 Genauigkeit CPU, 4 Threads NNAPI
Mobilenet_V1_0.25_128_quant Papier , Flit & pb 0,5 Mb 39,5% 64,4% 0,8 ms 2 ms
Mobilenet_V1_0.25_160_quant Papier , Flit & pb 0,5 Mb 42,8% 68,1% 1,3 ms 2,4 ms
Mobilenet_V1_0.25_192_quant Papier , Flit & pb 0,5 Mb 45,7% 70,8% 1,8 ms 2,6 ms
Mobilenet_V1_0.25_224_quant Papier , Flit & pb 0,5 Mb 48,2% 72,8% 2,3 ms 2,9 ms
Mobilenet_V1_0.50_128_quant Papier , Flit & pb 1,4 Mb 54,9% 78,1% 1,7 ms 2,6 ms
Mobilenet_V1_0.50_160_quant Papier , Flit & pb 1,4 Mb 57,2% 80,5% 2,6 ms 2,9 ms
Mobilenet_V1_0.50_192_quant Papier , Flit & pb 1,4 Mb 59,9% 82,1% 3,6 ms 3,3 ms
Mobilenet_V1_0.50_224_quant Papier , Flit & pb 1,4 Mb 61,2% 83,2% 4,7 ms 3,6 ms
Mobilenet_V1_0.75_128_quant Papier , Flit & pb 2,6 Mb 55,9% 79,1% 3,1 ms 3,2 ms
Mobilenet_V1_0.75_160_quant Papier , Flit & pb 2,6 Mb 62,4% 83,7% 4,7 ms 3,8 ms
Mobilenet_V1_0.75_192_quant Papier , Flit & pb 2,6 Mb 66,1% 86,2% 6,4 ms 4,2 ms
Mobilenet_V1_0.75_224_quant Papier , Flit & pb 2,6 Mb 66,9% 86,9% 8,5 ms 4,8 ms
Mobilenet_V1_1.0_128_quant Papier , Flit & pb 4,3 Mb 63,3% 84,1% 4,8 ms 3,8 ms
Mobilenet_V1_1.0_160_quant Papier , Flit & pb 4,3 Mb 66,9% 86,7% 7,3 ms 4,6 ms
Mobilenet_V1_1.0_192_quant Papier , Flit & pb 4,3 Mb 69,1% 88,1% 9,9 ms 5,2 ms
Mobilenet_V1_1.0_224_quant Papier , Flit & pb 4,3 Mb 70,0% 89,0% 13 ms 6,0 ms
Mobilenet_V2_1.0_224_quant Papier , Flit & pb 3,4 Mb 70,8% 89,9% 12 ms 6,9 ms
Inception_V1_quant Papier , Flit & pb 6,4 Mb 70,1% 89,8% 39 ms 36 ms
Inception_V2_quant Papier , Flit & pb 11 Mb 73,5% 91,4% 59 ms 18 ms
Inception_V3_quant Papier , Flit & pb 23 Mb 77,5% 93,7% 148 ms 74 ms
Inception_V4_quant Papier , Flit & pb 41 Mb 79,5% 93,9% 268 ms 155 ms

Gleitkommamodelle

Gleitkommamodelle bieten die beste Genauigkeit auf Kosten der Modellgröße und -leistung. Die GPU-Beschleunigung erfordert die Verwendung von Gleitkommamodellen. Die Leistungswerte werden auf Pixel 3 unter Android 10 gemessen.

Sie können viele finden Bildklassifizierungs- Modelle von TensorFlow Hub und Modellinformationen dorthin gelangen.

Modellname Papier und Modell Modellgröße Top-1-Genauigkeit Top-5 Genauigkeit CPU, 4 Threads GPU NNAPI
DenseNet Papier , Flit & pb 43,6 Mb 64,2% 85,6% 195 ms 60 ms 1656 ms
SqueezeNet Papier , Flit & pb 5,0 Mb 49,0% 72,9% 36 ms 9,5 ms 18,5 ms
NASNet-Handy Papier , Flit & pb 21,4 Mb 73,9% 91,5% 56 ms --- ---. 102 ms
NASNet groß Papier , Flit & pb 355,3 Mb 82,6% 96,1% 1170 ms --- ---. 648 ms
ResNet_V2_101 Papier , Flit & pb 178,3 Mb 76,8% 93,6% 526 ms 92 ms 1572 ms
Inception_V3 Papier , Flit & pb 95,3 Mb 77,9% 93,8% 249 ms 56 ms 148 ms
Inception_V4 Papier , Flit & pb 170,7 Mb 80,1% 95,1% 486 ms 93 ms 291 ms
Inception_ResNet_V2 Papier , Flit & pb 121,0 Mb 77,5% 94,0% 422 ms 100 ms 201 ms
Mobilenet_V1_0.25_128 Papier , Flit & pb 1,9 Mb 41,4% 66,2% 1,2 ms 1,6 ms 3 ms
Mobilenet_V1_0.25_160 Papier , Flit & pb 1,9 Mb 45,4% 70,2% 1,7 ms 1,7 ms 3,2 ms
Mobilenet_V1_0.25_192 Papier , Flit & pb 1,9 Mb 47,1% 72,0% 2,4 ms 1,8 ms 3,0 ms
Mobilenet_V1_0.25_224 Papier , Flit & pb 1,9 Mb 49,7% 74,1% 3,3 ms 1,8 ms 3,6 ms
Mobilenet_V1_0.50_128 Papier , Flit & pb 5,3 Mb 56,2% 79,3% 3,0 ms 1,7 ms 3,2 ms
Mobilenet_V1_0.50_160 Papier , Flit & pb 5,3 Mb 59,0% 81,8% 4,4 ms 2,0 ms 4,0 ms
Mobilenet_V1_0.50_192 Papier , Flit & pb 5,3 Mb 61,7% 83,5% 6,0 ms 2,5 ms 4,8 ms
Mobilenet_V1_0.50_224 Papier , Flit & pb 5,3 Mb 63,2% 84,9% 7,9 ms 2,8 ms 6,1 ms
Mobilenet_V1_0.75_128 Papier , Flit & pb 10,3 Mb 62,0% 83,8% 5,5 ms 2,6 ms 5,1 ms
Mobilenet_V1_0.75_160 Papier , Flit & pb 10,3 Mb 65,2% 85,9% 8,2 ms 3,1 ms 6,3 ms
Mobilenet_V1_0.75_192 Papier , Flit & pb 10,3 Mb 67,1% 87,2% 11,0 ms 4,5 ms 7,2 ms
Mobilenet_V1_0.75_224 Papier , Flit & pb 10,3 Mb 68,3% 88,1% 14,6 ms 4,9 ms 9,9 ms
Mobilenet_V1_1.0_128 Papier , Flit & pb 16,9 Mb 65,2% 85,7% 9,0 ms 4,4 ms 6,3 ms
Mobilenet_V1_1.0_160 Papier , Flit & pb 16,9 Mb 68,0% 87,7% 13,4 ms 5,0 ms 8,4 ms
Mobilenet_V1_1.0_192 Papier , Flit & pb 16,9 Mb 69,9% 89,1% 18,1 ms 6,3 ms 10,6 ms
Mobilenet_V1_1.0_224 Papier , Flit & pb 16,9 Mb 71,0% 89,9% 24,0 ms 6,5 ms 13,8 ms
Mobilenet_V2_1.0_224 Papier , Flit & pb 14,0 Mb 71,8% 90,6% 17,5 ms 6,2 ms 11,23 ms

AutoML-Mobilmodelle

Die folgenden Bildklassifizierungsmodelle wurden mit Cloud AutoML erstellt . Die Leistungswerte werden auf Pixel 3 unter Android 10 gemessen.

Sie finden diese Modelle in TensorFlow Hub und erhalten dort weitere Modellinformationen.

Modellname Papier und Modell Modellgröße Top-1-Genauigkeit Top-5 Genauigkeit CPU, 4 Threads GPU NNAPI
MnasNet_0.50_224 Papier , Flit & pb 8,5 Mb 68,03% 87,79% 9,5 ms 5,9 ms 16,6 ms
MnasNet_0.75_224 Papier , Flit & pb 12 Mb 71,72% 90,17% 13,7 ms 7,1 ms 16,7 ms
MnasNet_1.0_96 Papier , Flit & pb 17 Mb 62,33% 83,98% 5,6 ms 5,4 ms 12,1 ms
MnasNet_1.0_128 Papier , Flit & pb 17 Mb 67,32% 87,70% 7,5 ms 5,8 ms 12,9 ms
MnasNet_1.0_160 Papier , Flit & pb 17 Mb 70,63% 89,58% 11,1 ms 6,7 ms 14,2 ms
MnasNet_1.0_192 Papier , Flit & pb 17 Mb 72,56% 90,76% 14,5 ms 7,7 ms 16,6 ms
MnasNet_1.0_224 Papier , Flit & pb 17 Mb 74,08% 91,75% 19,4 ms 8,7 ms 19 ms
MnasNet_1.3_224 Papier , Flit & pb 24 Mb 75,24% 92,55% 27,9 ms 10,6 ms 22,0 ms

Objekterkennung

Weitere Informationen zur Objekterkennung finden Sie unter Objekterkennung . In der TensorFlow Lite-Aufgabenbibliothek finden Sie Anweisungen zum Integrieren von Objekterkennungsmodellen in nur wenigen Codezeilen.

Hier finden Sie Objekterkennungsmodelle von TensorFlow Hub.

Posenschätzung

Weitere Informationen zur Posenschätzung finden Sie unter Posenschätzung .

Hier finden Sie Posenschätzungsmodelle von TensorFlow Hub.

Bildsegmentierung

Weitere Informationen zur Bildsegmentierung finden Sie unter Segmentierung . In der TensorFlow Lite-Aufgabenbibliothek finden Sie Anweisungen zum Integrieren von Bildsegmentierungsmodellen in nur wenigen Codezeilen.

Hier finden Sie Bildsegmentierungsmodelle von TensorFlow Hub.

Frage und Antwort

Weitere Informationen zu Fragen und Antworten mit MobileBERT finden Sie unter Fragen und Antworten . In der TensorFlow Lite-Aufgabenbibliothek finden Sie Anweisungen zum Integrieren von Frage- und Antwortmodellen in nur wenigen Codezeilen.

Hier finden Sie das Mobile BERT-Modell von TensorFlow Hub.

Kluge Antwort

Weitere Informationen zur intelligenten Antwort finden Sie unter Intelligente Antwort .

Hier finden Sie das Smart Reply-Modell von TensorFlow Hub.