Ajuda a proteger a Grande Barreira de Corais com TensorFlow em Kaggle Junte Desafio

Modelos hospedados

A seguir está uma lista incompleta de modelos pré-treinados otimizados para funcionar com o TensorFlow Lite.

Para começar a escolher um modelo, visite a página Modelos com exemplos completos ou escolha um modelo TensorFlow Lite do TensorFlow Hub .

Classificação de imagem

Para obter mais informações sobre a classificação de imagens, consulte Classificação de imagens . Explore a Biblioteca de Tarefas do TensorFlow Lite para obter instruções sobre como integrar modelos de classificação de imagem em apenas algumas linhas de código.

Modelos quantizados

Os modelos de classificação de imagem quantizados oferecem o menor tamanho de modelo e desempenho mais rápido, em detrimento da precisão. Os valores de desempenho são medidos no Pixel 3 no Android 10.

Você pode encontrar muitos modelos quantizados do TensorFlow Hub e obter mais informações do modelo lá.

Nome do modelo Papel e modelo Tamanho do modelo Precisão principal 5 principais precisão CPU, 4 threads NNAPI
Mobilenet_V1_0.25_128_quant papel , tflite e pb 0,5 Mb 39,5% 64,4% 0,8 ms 2 ms
Mobilenet_V1_0.25_160_quant papel , tflite e pb 0,5 Mb 42,8% 68,1% 1,3 ms 2,4 ms
Mobilenet_V1_0.25_192_quant papel , tflite e pb 0,5 Mb 45,7% 70,8% 1,8 ms 2,6 ms
Mobilenet_V1_0.25_224_quant papel , tflite e pb 0,5 Mb 48,2% 72,8% 2,3 ms 2,9 ms
Mobilenet_V1_0.50_128_quant papel , tflite e pb 1,4 Mb 54,9% 78,1% 1,7 ms 2,6 ms
Mobilenet_V1_0.50_160_quant papel , tflite e pb 1,4 Mb 57,2% 80,5% 2,6 ms 2,9 ms
Mobilenet_V1_0.50_192_quant papel , tflite e pb 1,4 Mb 59,9% 82,1% 3,6 ms 3,3 ms
Mobilenet_V1_0.50_224_quant papel , tflite e pb 1,4 Mb 61,2% 83,2% 4,7 ms 3,6 ms
Mobilenet_V1_0.75_128_quant papel , tflite e pb 2,6 Mb 55,9% 79,1% 3,1 ms 3,2 ms
Mobilenet_V1_0.75_160_quant papel , tflite e pb 2,6 Mb 62,4% 83,7% 4,7 ms 3,8 ms
Mobilenet_V1_0.75_192_quant papel , tflite e pb 2,6 Mb 66,1% 86,2% 6,4 ms 4,2 ms
Mobilenet_V1_0.75_224_quant papel , tflite e pb 2,6 Mb 66,9% 86,9% 8,5 ms 4,8 ms
Mobilenet_V1_1.0_128_quant papel , tflite e pb 4,3 Mb 63,3% 84,1% 4,8 ms 3,8 ms
Mobilenet_V1_1.0_160_quant papel , tflite e pb 4,3 Mb 66,9% 86,7% 7,3 ms 4,6 ms
Mobilenet_V1_1.0_192_quant papel , tflite e pb 4,3 Mb 69,1% 88,1% 9,9 ms 5,2 ms
Mobilenet_V1_1.0_224_quant papel , tflite e pb 4,3 Mb 70,0% 89,0% 13 ms 6,0 ms
Mobilenet_V2_1.0_224_quant papel , tflite e pb 3,4 Mb 70,8% 89,9% 12 ms 6,9 ms
Inception_V1_quant papel , tflite e pb 6,4 Mb 70,1% 89,8% 39 ms 36 ms
Inception_V2_quant papel , tflite e pb 11 Mb 73,5% 91,4% 59 ms 18 ms
Inception_V3_quant papel , tflite e pb 23 Mb 77,5% 93,7% 148 ms 74 ms
Inception_V4_quant papel , tflite e pb 41 Mb 79,5% 93,9% 268 ms 155 ms

Modelos de ponto flutuante

Os modelos de vírgula flutuante oferecem a melhor precisão, em detrimento do tamanho e do desempenho do modelo. A aceleração da GPU requer o uso de modelos de ponto flutuante. Os valores de desempenho são medidos no Pixel 3 no Android 10.

Você pode encontrar muitos modelos de classificação de imagem no TensorFlow Hub e obter mais informações do modelo lá.

Nome do modelo Papel e modelo Tamanho do modelo Precisão principal 5 principais precisão CPU, 4 threads GPU NNAPI
DenseNet papel , tflite e pb 43,6 Mb 64,2% 85,6% 195 ms 60 ms 1656 ms
SqueezeNet papel , tflite e pb 5.0 Mb 49,0% 72,9% 36 ms 9,5 ms 18,5 ms
NASNet móvel papel , tflite e pb 21,4 Mb 73,9% 91,5% 56 ms --- 102 ms
NASNet grande papel , tflite e pb 355,3 Mb 82,6% 96,1% 1170 ms --- 648 ms
ResNet_V2_101 papel , tflite e pb 178,3 Mb 76,8% 93,6% 526 ms 92 ms 1572 ms
Inception_V3 papel , tflite e pb 95,3 Mb 77,9% 93,8% 249 ms 56 ms 148 ms
Inception_V4 papel , tflite e pb 170,7 Mb 80,1% 95,1% 486 ms 93 ms 291 ms
Inception_ResNet_V2 papel , tflite e pb 121,0 Mb 77,5% 94,0% 422 ms 100 ms 201 ms
Mobilenet_V1_0.25_128 papel , tflite e pb 1,9 Mb 41,4% 66,2% 1,2 ms 1,6 ms 3 ms
Mobilenet_V1_0.25_160 papel , tflite e pb 1,9 Mb 45,4% 70,2% 1,7 ms 1,7 ms 3,2 ms
Mobilenet_V1_0.25_192 papel , tflite e pb 1,9 Mb 47,1% 72,0% 2,4 ms 1,8 ms 3,0 ms
Mobilenet_V1_0.25_224 papel , tflite e pb 1,9 Mb 49,7% 74,1% 3,3 ms 1,8 ms 3,6 ms
Mobilenet_V1_0.50_128 papel , tflite e pb 5,3 Mb 56,2% 79,3% 3,0 ms 1,7 ms 3,2 ms
Mobilenet_V1_0.50_160 papel , tflite e pb 5,3 Mb 59,0% 81,8% 4,4 ms 2,0 ms 4,0 ms
Mobilenet_V1_0.50_192 papel , tflite e pb 5,3 Mb 61,7% 83,5% 6,0 ms 2,5 ms 4,8 ms
Mobilenet_V1_0.50_224 papel , tflite e pb 5,3 Mb 63,2% 84,9% 7,9 ms 2,8 ms 6,1 ms
Mobilenet_V1_0.75_128 papel , tflite e pb 10,3 Mb 62,0% 83,8% 5,5 ms 2,6 ms 5,1 ms
Mobilenet_V1_0.75_160 papel , tflite e pb 10,3 Mb 65,2% 85,9% 8,2 ms 3,1 ms 6,3 ms
Mobilenet_V1_0.75_192 papel , tflite e pb 10,3 Mb 67,1% 87,2% 11,0 ms 4,5 ms 7,2 ms
Mobilenet_V1_0.75_224 papel , tflite e pb 10,3 Mb 68,3% 88,1% 14,6 ms 4,9 ms 9,9 ms
Mobilenet_V1_1.0_128 papel , tflite e pb 16,9 Mb 65,2% 85,7% 9,0 ms 4,4 ms 6,3 ms
Mobilenet_V1_1.0_160 papel , tflite e pb 16,9 Mb 68,0% 87,7% 13,4 ms 5,0 ms 8,4 ms
Mobilenet_V1_1.0_192 papel , tflite e pb 16,9 Mb 69,9% 89,1% 18,1 ms 6,3 ms 10,6 ms
Mobilenet_V1_1.0_224 papel , tflite e pb 16,9 Mb 71,0% 89,9% 24,0 ms 6,5 ms 13,8 ms
Mobilenet_V2_1.0_224 papel , tflite e pb 14,0 Mb 71,8% 90,6% 17,5 ms 6,2 ms 11,23 ms

Modelos móveis AutoML

Os seguintes modelos de classificação de imagem foram criados usando o Cloud AutoML . Os valores de desempenho são medidos no Pixel 3 no Android 10.

Você pode encontrar esses modelos no TensorFlow Hub e obter mais informações sobre o modelo lá.

Nome do Modelo Papel e modelo Tamanho do modelo Precisão principal 5 principais precisão CPU, 4 threads GPU NNAPI
MnasNet_0.50_224 papel , tflite e pb 8,5 Mb 68,03% 87,79% 9,5 ms 5,9 ms 16,6 ms
MnasNet_0.75_224 papel , tflite e pb 12 Mb 71,72% 90,17% 13,7 ms 7,1 ms 16,7 ms
MnasNet_1.0_96 papel , tflite e pb 17 Mb 62,33% 83,98% 5,6 ms 5,4 ms 12,1 ms
MnasNet_1.0_128 papel , tflite e pb 17 Mb 67,32% 87,70% 7,5 ms 5,8 ms 12,9 ms
MnasNet_1.0_160 papel , tflite e pb 17 Mb 70,63% 89,58% 11,1 ms 6,7 ms 14,2 ms
MnasNet_1.0_192 papel , tflite e pb 17 Mb 72,56% 90,76% 14,5 ms 7,7 ms 16,6 ms
MnasNet_1.0_224 papel , tflite e pb 17 Mb 74,08% 91,75% 19,4 ms 8,7 ms 19 ms
MnasNet_1.3_224 papel , tflite e pb 24 Mb 75,24% 92,55% 27,9 ms 10,6 ms 22,0 ms

Detecção de objetos

Para obter mais informações sobre a detecção de objetos, consulte Detecção de objetos . Explore a Biblioteca de Tarefas do TensorFlow Lite para obter instruções sobre como integrar modelos de detecção de objetos em apenas algumas linhas de código.

Encontre modelos de detecção de objetos do TensorFlow Hub.

Estimativa de pose

Para obter mais informações sobre estimativa de pose, consulte Estimativa de pose .

Encontre modelos de estimativa de pose do TensorFlow Hub.

Segmentação de imagem

Para obter mais informações sobre segmentação de imagem, consulte Segmentação . Explore a Biblioteca de Tarefas do TensorFlow Lite para obter instruções sobre como integrar modelos de segmentação de imagem em apenas algumas linhas de código.

Encontre modelos de segmentação de imagem do TensorFlow Hub.

Pergunta e resposta

Para obter mais informações sobre perguntas e respostas com o MobileBERT, consulte Perguntas e respostas . Explore a Biblioteca de Tarefas do TensorFlow Lite para obter instruções sobre como integrar modelos de perguntas e respostas em apenas algumas linhas de código.

Encontre o modelo Mobile BERT do TensorFlow Hub.

Resposta inteligente

Para obter mais informações sobre a resposta inteligente, consulte Resposta inteligente .

Encontre o modelo de resposta inteligente do TensorFlow Hub.