Aide à protéger la Grande barrière de corail avec tensorflow sur Kaggle Rejoignez Défi

Modèles hébergés

Voici une liste incomplète de modèles pré-entraînés optimisés pour fonctionner avec TensorFlow Lite.

Pour commencer à choisir un modèle, visitez la page Modèles avec des exemples de bout en bout ou choisissez un modèle TensorFlow Lite dans TensorFlow Hub .

Classification des images

Pour plus d'informations sur la classification des images, voir Classification des images . Explorez la bibliothèque de tâches TensorFlow Lite pour obtenir des instructions sur la façon d'intégrer des modèles de classification d'images en seulement quelques lignes de code.

Modèles quantifiés

Les modèles de classification d'images quantifiées offrent la plus petite taille de modèle et les performances les plus rapides, au détriment de la précision. Les valeurs de performances sont mesurées sur le Pixel 3 sur Android 10.

Vous pouvez trouver de nombreux modèles quantifiés à partir de TensorFlow Hub et y obtenir plus d'informations sur les modèles.

Nom du modèle Papier et modèle Taille du modèle Précision Top-1 Précision Top-5 CPU, 4 fils NNAPI
Mobilenet_V1_0.25_128_quant papier , tflite et pb 0,5 Mo 39,5% 64,4% 0,8 ms 2 ms
Mobilenet_V1_0.25_160_quant papier , tflite et pb 0,5 Mo 42,8% 68,1% 1,3 ms 2,4 ms
Mobilenet_V1_0.25_192_quant papier , tflite et pb 0,5 Mo 45,7% 70,8% 1,8 ms 2,6 ms
Mobilenet_V1_0.25_224_quant papier , tflite et pb 0,5 Mo 48,2% 72,8% 2,3 ms 2,9 ms
Mobilenet_V1_0.50_128_quant papier , tflite et pb 1,4 Mo 54,9% 78,1% 1,7 ms 2,6 ms
Mobilenet_V1_0.50_160_quant papier , tflite et pb 1,4 Mo 57,2% 80,5% 2,6 ms 2,9 ms
Mobilenet_V1_0.50_192_quant papier , tflite et pb 1,4 Mo 59,9% 82,1% 3,6 ms 3,3 ms
Mobilenet_V1_0.50_224_quant papier , tflite et pb 1,4 Mo 61,2% 83,2% 4,7 ms 3,6 ms
Mobilenet_V1_0.75_128_quant papier , tflite et pb 2,6 Mo 55,9% 79,1% 3,1 ms 3,2 ms
Mobilenet_V1_0.75_160_quant papier , tflite et pb 2,6 Mo 62,4% 83,7% 4,7 ms 3,8 ms
Mobilenet_V1_0.75_192_quant papier , tflite et pb 2,6 Mo 66,1% 86,2% 6,4 ms 4,2 ms
Mobilenet_V1_0.75_224_quant papier , tflite et pb 2,6 Mo 66,9% 86,9% 8,5 ms 4,8 ms
Mobilenet_V1_1.0_128_quant papier , tflite et pb 4,3 Mo 63,3% 84,1% 4,8 ms 3,8 ms
Mobilenet_V1_1.0_160_quant papier , tflite et pb 4,3 Mo 66,9% 86,7% 7,3 ms 4,6 ms
Mobilenet_V1_1.0_192_quant papier , tflite et pb 4,3 Mo 69,1% 88,1% 9,9 ms 5,2 ms
Mobilenet_V1_1.0_224_quant papier , tflite et pb 4,3 Mo 70,0% 89,0% 13 ms 6,0 ms
Mobilenet_V2_1.0_224_quant papier , tflite et pb 3,4 Mo 70,8% 89,9% 12 ms 6,9 ms
Inception_V1_quant papier , tflite et pb 6,4 Mo 70,1% 89,8% 39 ms 36 ms
Inception_V2_quant papier , tflite et pb 11 Mo 73,5% 91,4% 59 ms 18 ms
Inception_V3_quant papier , tflite et pb 23 Mo 77,5% 93,7% 148 ms 74 ms
Inception_V4_quant papier , tflite et pb 41 Mo 79,5% 93,9% 268 ms 155 ms

Modèles à virgule flottante

Les modèles à virgule flottante offrent la meilleure précision, au détriment de la taille et des performances du modèle. L'accélération GPU nécessite l'utilisation de modèles à virgule flottante. Les valeurs de performances sont mesurées sur le Pixel 3 sur Android 10.

Vous pouvez trouver de nombreux modèles de classification d'images à partir de TensorFlow Hub et y obtenir plus d'informations sur les modèles.

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

Modèles mobiles AutoML

Les modèles de classification d'images suivants ont été créés à l'aide de Cloud AutoML . Les valeurs de performances sont mesurées sur le Pixel 3 sur Android 10.

Vous pouvez trouver ces modèles dans TensorFlow Hub et y obtenir plus d'informations sur les modèles.

Nom du modèle Papier et modèle Taille du modèle Précision Top-1 Précision Top-5 CPU, 4 fils GPU NNAPI
MnasNet_0.50_224 papier , tflite et pb 8,5 Mo 68,03% 87,79% 9,5 ms 5,9 ms 16,6 ms
MnasNet_0.75_224 papier , tflite et pb 12 Mo 71,72% 90,17% 13,7 ms 7,1 ms 16,7 ms
MnasNet_1.0_96 papier , tflite et pb 17 Mo 62,33% 83,98% 5,6 ms 5,4 ms 12,1 ms
MnasNet_1.0_128 papier , tflite et pb 17 Mo 67,32% 87,70% 7,5 ms 5,8 ms 12,9 ms
MnasNet_1.0_160 papier , tflite et pb 17 Mo 70,63% 89,58% 11,1 ms 6,7 ms 14,2 ms
MnasNet_1.0_192 papier , tflite et pb 17 Mo 72,56% 90,76% 14,5 ms 7,7 ms 16,6 ms
MnasNet_1.0_224 papier , tflite et pb 17 Mo 74,08% 91,75% 19,4 ms 8,7 ms 19 ms
MnasNet_1.3_224 papier , tflite et pb 24 Mo 75,24% 92,55% 27,9 ms 10,6 ms 22,0 ms

Détection d'objets

Pour plus d'informations sur la détection d'objets, consultez Détection d'objets . Explorez la bibliothèque de tâches TensorFlow Lite pour obtenir des instructions sur la façon d'intégrer des modèles de détection d'objets en quelques lignes de code.

Veuillez trouver des modèles de détection d'objets de TensorFlow Hub.

Estimation de la pose

Pour plus d'informations sur l'estimation de la pose, voir Estimation de la pose .

Veuillez trouver des modèles d'estimation de pose de TensorFlow Hub.

Segmentation d'image

Pour plus d'informations sur la segmentation d'image, voir Segmentation . Explorez la bibliothèque de tâches TensorFlow Lite pour obtenir des instructions sur la façon d'intégrer des modèles de segmentation d'image en quelques lignes de code.

Veuillez trouver des modèles de segmentation d'image de TensorFlow Hub.

Question et réponse

Pour plus d'informations sur les questions et réponses avec MobileBERT, voir Questions et réponses . Explorez la bibliothèque de tâches TensorFlow Lite pour obtenir des instructions sur la façon d'intégrer des modèles de questions et réponses en quelques lignes de code.

Veuillez trouver le modèle Mobile BERT de TensorFlow Hub.

Réponse intelligente

Pour plus d'informations sur la réponse intelligente, voir Réponse intelligente .

Veuillez trouver le modèle Smart Reply de TensorFlow Hub.