Se usó la API de Cloud Translation para traducir esta página.
Switch to English

Modelos alojados

La siguiente es una lista incompleta de modelos entrenados previamente y optimizados para trabajar con TensorFlow Lite.

Para comenzar a elegir un modelo, visite la página Modelos con ejemplos de un extremo a otro o elija un modelo de TensorFlow Lite de TensorFlow Hub .

Clasificación de imágenes

Para obtener más información sobre la clasificación de imágenes, consulte Clasificación de imágenes . Explore la biblioteca de tareas de TensorFlow Lite para obtener instrucciones sobre cómo integrar modelos de clasificación de imágenes en solo unas pocas líneas de código.

Modelos cuantificados

Los modelos de clasificación de imágenes cuantificados ofrecen el tamaño de modelo más pequeño y el rendimiento más rápido, a expensas de la precisión. Los valores de rendimiento se miden en Pixel 3 en Android 10.

Puede encontrar muchos modelos cuantificados de TensorFlow Hub y obtener más información del modelo allí.

Nombre del modelo Papel y modelo Tamaño del modelo Precisión Top-1 Precisión de los 5 primeros CPU, 4 hilos NNAPI
Mobilenet_V1_0.25_128_quant papel , tflite y pb 0,5 Mb 39,5% 64,4% 0,8 ms 2 ms
Mobilenet_V1_0.25_160_quant papel , tflite y pb 0,5 Mb 42,8% 68,1% 1,3 ms 2,4 ms
Mobilenet_V1_0.25_192_quant papel , tflite y pb 0,5 Mb 45,7% 70,8% 1,8 ms 2,6 ms
Mobilenet_V1_0.25_224_quant papel , tflite y pb 0,5 Mb 48,2% 72,8% 2,3 ms 2,9 ms
Mobilenet_V1_0.50_128_quant papel , tflite y pb 1,4 Mb 54,9% 78,1% 1,7 ms 2,6 ms
Mobilenet_V1_0.50_160_quant papel , tflite y pb 1,4 Mb 57,2% 80,5% 2,6 ms 2,9 ms
Mobilenet_V1_0.50_192_quant papel , tflite y pb 1,4 Mb 59,9% 82,1% 3,6 ms 3,3 ms
Mobilenet_V1_0.50_224_quant papel , tflite y pb 1,4 Mb 61,2% 83,2% 4,7 ms 3,6 ms
Mobilenet_V1_0.75_128_quant papel , tflite y pb 2,6 Mb 55,9% 79,1% 3,1 ms 3,2 ms
Mobilenet_V1_0.75_160_quant papel , tflite y pb 2,6 Mb 62,4% 83,7% 4,7 ms 3,8 ms
Mobilenet_V1_0.75_192_quant papel , tflite y pb 2,6 Mb 66,1% 86,2% 6,4 ms 4,2 ms
Mobilenet_V1_0.75_224_quant papel , tflite y pb 2,6 Mb 66,9% 86,9% 8,5 ms 4,8 ms
Mobilenet_V1_1.0_128_quant papel , tflite y pb 4,3 Mb 63,3% 84,1% 4,8 ms 3,8 ms
Mobilenet_V1_1.0_160_quant papel , tflite y pb 4,3 Mb 66,9% 86,7% 7,3 ms 4,6 ms
Mobilenet_V1_1.0_192_quant papel , tflite y pb 4,3 Mb 69,1% 88,1% 9,9 ms 5,2 ms
Mobilenet_V1_1.0_224_quant papel , tflite y pb 4,3 Mb 70,0% 89,0% 13 ms 6,0 ms
Mobilenet_V2_1.0_224_quant papel , tflite y pb 3,4 Mb 70,8% 89,9% 12 ms 6,9 ms
Inception_V1_quant papel , tflite y pb 6,4 Mb 70,1% 89,8% 39 ms 36 ms
Inception_V2_quant papel , tflite y pb 11 Mb 73,5% 91,4% 59 ms 18 ms
Inception_V3_quant papel , tflite y pb 23 Mb 77,5% 93,7% 148 ms 74 ms
Inception_V4_quant papel , tflite y pb 41 Mb 79,5% 93,9% 268 ms 155 ms

Modelos de coma flotante

Los modelos de punto flotante ofrecen la mejor precisión, a expensas del tamaño y el rendimiento del modelo. La aceleración de la GPU requiere el uso de modelos de punto flotante. Los valores de rendimiento se miden en Pixel 3 en Android 10.

Puede encontrar muchos modelos de clasificación de imágenes de TensorFlow Hub y obtener más información del modelo allí.

Nombre del modelo Papel y modelo Tamaño del modelo Precisión Top-1 Precisión entre los 5 primeros CPU, 4 hilos GPU NNAPI
DenseNet papel , tflite y pb 43,6 Mb 64,2% 85,6% 195 ms 60 ms 1656 ms
SqueezeNet papel , tflite y pb 5,0 Mb 49,0% 72,9% 36 ms 9,5 ms 18,5 ms
NASNet móvil papel , tflite y pb 21,4 Mb 73,9% 91,5% 56 ms --- 102 ms
NASNet grande papel , tflite y pb 355,3 Mb 82,6% 96,1% 1170 ms --- 648 ms
ResNet_V2_101 papel , tflite y pb 178,3 Mb 76,8% 93,6% 526 ms 92 ms 1572 ms
Inception_V3 papel , tflite y pb 95,3 Mb 77,9% 93,8% 249 ms 56 ms 148 ms
Inception_V4 papel , tflite y pb 170,7 Mb 80,1% 95,1% 486 ms 93 ms 291 ms
Inception_ResNet_V2 papel , tflite y pb 121,0 Mb 77,5% 94,0% 422 ms 100 ms 201 ms
Mobilenet_V1_0.25_128 papel , tflite y pb 1,9 Mb 41,4% 66,2% 1,2 ms 1,6 ms 3 ms
Mobilenet_V1_0.25_160 papel , tflite y pb 1,9 Mb 45,4% 70,2% 1,7 ms 1,7 ms 3,2 ms
Mobilenet_V1_0.25_192 papel , tflite y pb 1,9 Mb 47,1% 72,0% 2,4 ms 1,8 ms 3,0 ms
Mobilenet_V1_0.25_224 papel , tflite y pb 1,9 Mb 49,7% 74,1% 3,3 ms 1,8 ms 3,6 ms
Mobilenet_V1_0.50_128 papel , tflite y pb 5,3 Mb 56,2% 79,3% 3,0 ms 1,7 ms 3,2 ms
Mobilenet_V1_0.50_160 papel , tflite y pb 5,3 Mb 59,0% 81,8% 4,4 ms 2,0 ms 4.0 ms
Mobilenet_V1_0.50_192 papel , tflite y pb 5,3 Mb 61,7% 83,5% 6,0 ms 2,5 ms 4,8 ms
Mobilenet_V1_0.50_224 papel , tflite y pb 5,3 Mb 63,2% 84,9% 7,9 ms 2,8 ms 6,1 ms
Mobilenet_V1_0.75_128 papel , tflite y pb 10,3 Mb 62,0% 83,8% 5,5 ms 2,6 ms 5,1 ms
Mobilenet_V1_0.75_160 papel , tflite y pb 10,3 Mb 65,2% 85,9% 8,2 ms 3,1 ms 6,3 ms
Mobilenet_V1_0.75_192 papel , tflite y pb 10,3 Mb 67,1% 87,2% 11,0 ms 4,5 ms 7,2 ms
Mobilenet_V1_0.75_224 papel , tflite y pb 10,3 Mb 68,3% 88,1% 14,6 ms 4,9 ms 9,9 ms
Mobilenet_V1_1.0_128 papel , tflite y pb 16,9 Mb 65,2% 85,7% 9,0 ms 4,4 ms 6,3 ms
Mobilenet_V1_1.0_160 papel , tflite y pb 16,9 Mb 68,0% 87,7% 13,4 ms 5,0 ms 8,4 ms
Mobilenet_V1_1.0_192 papel , tflite y pb 16,9 Mb 69,9% 89,1% 18,1 ms 6,3 ms 10,6 ms
Mobilenet_V1_1.0_224 papel , tflite y pb 16,9 Mb 71,0% 89,9% 24,0 ms 6,5 ms 13,8 ms
Mobilenet_V2_1.0_224 papel , tflite y pb 14,0 Mb 71,8% 90,6% 17,5 ms 6.2 ms 11,23 ms

Modelos móviles de AutoML

Los siguientes modelos de clasificación de imágenes se crearon con Cloud AutoML . Los valores de rendimiento se miden en Pixel 3 en Android 10.

Puede encontrar estos modelos en TensorFlow Hub y obtener más información sobre el modelo allí.

Nombre del modelo Papel y modelo Tamaño del modelo Precisión Top-1 Precisión de los 5 primeros CPU, 4 hilos GPU NNAPI
MnasNet_0.50_224 papel , tflite y pb 8,5 Mb 68,03% 87,79% 9,5 ms 5,9 ms 16,6 ms
MnasNet_0.75_224 papel , tflite y pb 12 Mb 71,72% 90,17% 13,7 ms 7,1 ms 16,7 ms
MnasNet_1.0_96 papel , tflite y pb 17 Mb 62,33% 83,98% 5,6 ms 5,4 ms 12,1 ms
MnasNet_1.0_128 papel , tflite y pb 17 Mb 67,32% 87,70% 7,5 ms 5,8 ms 12,9 ms
MnasNet_1.0_160 papel , tflite y pb 17 Mb 70,63% 89,58% 11,1 ms 6,7 ms 14,2 ms
MnasNet_1.0_192 papel , tflite y pb 17 Mb 72,56% 90,76% 14,5 ms 7,7 ms 16,6 ms
MnasNet_1.0_224 papel , tflite y pb 17 Mb 74,08% 91,75% 19,4 ms 8,7 ms 19 ms
MnasNet_1.3_224 papel , tflite y pb 24 Mb 75,24% 92,55% 27,9 ms 10,6 ms 22,0 ms

Detección de objetos

Para obtener más información sobre la detección de objetos, consulte Detección de objetos . Explore la biblioteca de tareas de TensorFlow Lite para obtener instrucciones sobre cómo integrar modelos de detección de objetos en solo unas pocas líneas de código.

Busque modelos de detección de objetos de TensorFlow Hub.

Estimación de pose

Para obtener más información acerca de la estimación de pose, consulte la estimación Pose .

Encuentre modelos de estimación de pose de TensorFlow Hub.

Segmentación de imagen

Para obtener más información sobre la segmentación de imágenes, consulte Segmentación . Explore la biblioteca de tareas de TensorFlow Lite para obtener instrucciones sobre cómo integrar modelos de segmentación de imágenes en solo unas pocas líneas de código.

Busque modelos de segmentación de imágenes de TensorFlow Hub.

Pregunta y respuesta

Para obtener más información sobre preguntas y respuestas con MobileBERT, consulte Preguntas y respuestas . Explore la biblioteca de tareas de TensorFlow Lite para obtener instrucciones sobre cómo integrar modelos de preguntas y respuestas en solo unas pocas líneas de código.

Busque el modelo Mobile BERT de TensorFlow Hub.

Respuesta inteligente

Para obtener más información sobre la respuesta inteligente, consulte Respuesta inteligente .

Busque el modelo de respuesta inteligente de TensorFlow Hub.