โมเดลที่โฮสต์

ต่อไปนี้เป็นรายการโมเดลที่ผ่านการฝึกอบรมที่ยังไม่สมบูรณ์ซึ่งปรับให้เหมาะกับการทำงานกับ TensorFlow Lite

ในการเริ่มต้นการเลือกโมเดลให้ไปที่หน้า โมเดลที่ มีตัวอย่างตั้งแต่ต้นจนจบหรือเลือก โมเดล TensorFlow Lite จาก TensorFlow Hub

การจำแนกภาพ

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการจัดประเภท รูปภาพ โปรดดูการ จัดประเภทรูปภาพ สำรวจไลบรารีงาน TensorFlow Lite เพื่อดูคำแนะนำเกี่ยวกับ วิธีการรวมโมเดลการจัดประเภทรูปภาพ ในโค้ดเพียงไม่กี่บรรทัด

แบบจำลองเชิงปริมาณ

แบบจำลองการจัดประเภทภาพ เชิงปริมาณ เสนอขนาดของโมเดลที่เล็กที่สุดและประสิทธิภาพที่เร็วที่สุดโดยเสียค่าใช้จ่ายด้านความแม่นยำ ค่าประสิทธิภาพวัดได้ใน Pixel 3 บน Android 10

คุณสามารถค้นหา โมเดลเชิงปริมาณ มากมายจาก TensorFlow Hub และรับข้อมูลโมเดลเพิ่มเติมได้ที่นั่น

ชื่อรุ่น กระดาษและแบบจำลอง ขนาดโมเดล ความแม่นยำอันดับ 1 ความแม่นยำสูงสุด 5 อันดับแรก CPU 4 เธรด NNAPI
Mobilenet_V1_0.25_128_quant กระดาษ tflite & pb 0.5 ลบ 39.5% 64.4% 0.8 มิลลิวินาที 2 มิลลิวินาที
Mobilenet_V1_0.25_160_quant กระดาษ tflite & pb 0.5 ลบ 42.8% 68.1% 1.3 มิลลิวินาที 2.4 มิลลิวินาที
Mobilenet_V1_0.25_192_quant กระดาษ tflite & pb 0.5 ลบ 45.7% 70.8% 1.8 มิลลิวินาที 2.6 มิลลิวินาที
Mobilenet_V1_0.25_224_quant กระดาษ tflite & pb 0.5 ลบ 48.2% 72.8% 2.3 มิลลิวินาที 2.9 มิลลิวินาที
Mobilenet_V1_0.50_128_quant กระดาษ tflite & pb 1.4 ล้านบาท 54.9% 78.1% 1.7 มิลลิวินาที 2.6 มิลลิวินาที
Mobilenet_V1_0.50_160_quant กระดาษ tflite & pb 1.4 ล้านบาท 57.2% 80.5% 2.6 มิลลิวินาที 2.9 มิลลิวินาที
Mobilenet_V1_0.50_192_quant กระดาษ tflite & pb 1.4 ล้านบาท 59.9% 82.1% 3.6 มิลลิวินาที 3.3 มิลลิวินาที
Mobilenet_V1_0.50_224_quant กระดาษ tflite & pb 1.4 ล้านบาท 61.2% 83.2% 4.7 มิลลิวินาที 3.6 มิลลิวินาที
Mobilenet_V1_0.75_128_quant กระดาษ tflite & pb 2.6 ล้านบาท 55.9% 79.1% 3.1 มิลลิวินาที 3.2 มิลลิวินาที
Mobilenet_V1_0.75_160_quant กระดาษ tflite & pb 2.6 ล้านบาท 62.4% 83.7% 4.7 มิลลิวินาที 3.8 มิลลิวินาที
Mobilenet_V1_0.75_192_quant กระดาษ tflite & pb 2.6 ล้านบาท 66.1% 86.2% 6.4 มิลลิวินาที 4.2 มิลลิวินาที
Mobilenet_V1_0.75_224_quant กระดาษ tflite & pb 2.6 ล้านบาท 66.9% 86.9% 8.5 มิลลิวินาที 4.8 มิลลิวินาที
Mobilenet_V1_1.0_128_quant กระดาษ tflite & pb 4.3 ลบ 63.3% 84.1% 4.8 มิลลิวินาที 3.8 มิลลิวินาที
Mobilenet_V1_1.0_160_quant กระดาษ tflite & pb 4.3 ลบ 66.9% 86.7% 7.3 มิลลิวินาที 4.6 มิลลิวินาที
Mobilenet_V1_1.0_192_quant กระดาษ tflite & pb 4.3 ลบ 69.1% 88.1% 9.9 มิลลิวินาที 5.2 มิลลิวินาที
Mobilenet_V1_1.0_224_quant กระดาษ tflite & pb 4.3 ลบ 70.0% 89.0% 13 มิลลิวินาที 6.0 มิลลิวินาที
Mobilenet_V2_1.0_224_quant กระดาษ tflite & pb 3.4 ลบ 70.8% 89.9% 12 มิลลิวินาที 6.9 มิลลิวินาที
Inception_V1_quant กระดาษ tflite & pb 6.4 ล้านบาท 70.1% 89.8% 39 มิลลิวินาที 36 มิลลิวินาที
Inception_V2_quant กระดาษ tflite & pb 11 ล้านบาท 73.5% 91.4% 59 มิลลิวินาที 18 มิลลิวินาที
Inception_V3_quant กระดาษ tflite & pb 23 ล้านบาท 77.5% 93.7% 148 มิลลิวินาที 74 มิลลิวินาที
Inception_V4_quant กระดาษ tflite & pb 41 ล้านบาท 79.5% 93.9% 268 มิลลิวินาที 155 มิลลิวินาที

แบบจำลองจุดลอย

แบบจำลองจุดลอยตัวให้ความแม่นยำสูงสุดโดยเสียขนาดและประสิทธิภาพของโมเดล การเร่ง GPU จำเป็นต้องใช้แบบจำลองจุดลอยตัว ค่าประสิทธิภาพวัดได้ใน Pixel 3 บน Android 10

คุณสามารถค้นหา โมเดลการจำแนกรูปภาพ จำนวนมากจาก TensorFlow Hub และรับข้อมูลโมเดลเพิ่มเติมได้ที่นั่น

ชื่อรุ่น กระดาษและแบบจำลอง ขนาดโมเดล ความแม่นยำอันดับ 1 ความแม่นยำสูงสุด 5 อันดับแรก CPU 4 เธรด GPU NNAPI
DenseNet กระดาษ tflite & pb 43.6 ล้านบาท 64.2% 85.6% 195 มิลลิวินาที 60 มิลลิวินาที 1656 มิลลิวินาที
SqueezeNet กระดาษ tflite & pb 5.0 ล้านบาท 49.0% 72.9% 36 มิลลิวินาที 9.5 มิลลิวินาที 18.5 มิลลิวินาที
NASNet มือถือ กระดาษ tflite & pb 21.4 ล้านบาท 73.9% 91.5% 56 มิลลิวินาที --- 102 มิลลิวินาที
NASNet ขนาดใหญ่ กระดาษ tflite & pb 355.3 ล้านบาท 82.6% 96.1% 1170 มิลลิวินาที --- 648 มิลลิวินาที
ResNet_V2_101 กระดาษ tflite & pb 178.3 ล้านบาท 76.8% 93.6% 526 มิลลิวินาที 92 มิลลิวินาที 1572 มิลลิวินาที
Inception_V3 กระดาษ tflite & pb 95.3 ล้านบาท 77.9% 93.8% 249 มิลลิวินาที 56 มิลลิวินาที 148 มิลลิวินาที
Inception_V4 กระดาษ tflite & pb 170.7 ล้านบาท 80.1% 95.1% 486 มิลลิวินาที 93 มิลลิวินาที 291 มิลลิวินาที
Inception_ResNet_V2 กระดาษ tflite & pb 121.0 ล้านบาท 77.5% 94.0% 422 มิลลิวินาที 100 มิลลิวินาที 201 มิลลิวินาที
Mobilenet_V1_0.25_128 กระดาษ tflite & pb 1.9 ล้านบาท 41.4% 66.2% 1.2 มิลลิวินาที 1.6 มิลลิวินาที 3 มิลลิวินาที
Mobilenet_V1_0.25_160 กระดาษ tflite & pb 1.9 ล้านบาท 45.4% 70.2% 1.7 มิลลิวินาที 1.7 มิลลิวินาที 3.2 มิลลิวินาที
Mobilenet_V1_0.25_192 กระดาษ tflite & pb 1.9 ล้านบาท 47.1% 72.0% 2.4 มิลลิวินาที 1.8 มิลลิวินาที 3.0 มิลลิวินาที
Mobilenet_V1_0.25_224 กระดาษ tflite & pb 1.9 ล้านบาท 49.7% 74.1% 3.3 มิลลิวินาที 1.8 มิลลิวินาที 3.6 มิลลิวินาที
Mobilenet_V1_0.50_128 กระดาษ tflite & pb 5.3 ล้านบาท 56.2% 79.3% 3.0 มิลลิวินาที 1.7 มิลลิวินาที 3.2 มิลลิวินาที
Mobilenet_V1_0.50_160 กระดาษ tflite & pb 5.3 ล้านบาท 59.0% 81.8% 4.4 มิลลิวินาที 2.0 มิลลิวินาที 4.0 มิลลิวินาที
Mobilenet_V1_0.50_192 กระดาษ tflite & pb 5.3 ล้านบาท 61.7% 83.5% 6.0 มิลลิวินาที 2.5 มิลลิวินาที 4.8 มิลลิวินาที
Mobilenet_V1_0.50_224 กระดาษ tflite & pb 5.3 ล้านบาท 63.2% 84.9% 7.9 มิลลิวินาที 2.8 มิลลิวินาที 6.1 มิลลิวินาที
Mobilenet_V1_0.75_128 กระดาษ tflite & pb 10.3 ล้านบาท 62.0% 83.8% 5.5 มิลลิวินาที 2.6 มิลลิวินาที 5.1 มิลลิวินาที
Mobilenet_V1_0.75_160 กระดาษ tflite & pb 10.3 ล้านบาท 65.2% 85.9% 8.2 มิลลิวินาที 3.1 มิลลิวินาที 6.3 มิลลิวินาที
Mobilenet_V1_0.75_192 กระดาษ tflite & pb 10.3 ล้านบาท 67.1% 87.2% 11.0 มิลลิวินาที 4.5 มิลลิวินาที 7.2 มิลลิวินาที
Mobilenet_V1_0.75_224 กระดาษ tflite & pb 10.3 ล้านบาท 68.3% 88.1% 14.6 มิลลิวินาที 4.9 มิลลิวินาที 9.9 มิลลิวินาที
Mobilenet_V1_1.0_128 กระดาษ tflite & pb 16.9 ล้านบาท 65.2% 85.7% 9.0 มิลลิวินาที 4.4 มิลลิวินาที 6.3 มิลลิวินาที
Mobilenet_V1_1.0_160 กระดาษ tflite & pb 16.9 ล้านบาท 68.0% 87.7% 13.4 มิลลิวินาที 5.0 มิลลิวินาที 8.4 มิลลิวินาที
Mobilenet_V1_1.0_192 กระดาษ tflite & pb 16.9 ล้านบาท 69.9% 89.1% 18.1 มิลลิวินาที 6.3 มิลลิวินาที 10.6 มิลลิวินาที
Mobilenet_V1_1.0_224 กระดาษ tflite & pb 16.9 ล้านบาท 71.0% 89.9% 24.0 มิลลิวินาที 6.5 มิลลิวินาที 13.8 มิลลิวินาที
Mobilenet_V2_1.0_224 กระดาษ tflite & pb 14.0 ล้านบาท 71.8% 90.6% 17.5 มิลลิวินาที 6.2 มิลลิวินาที 11.23 มิลลิวินาที

AutoML รุ่นมือถือ

โมเดลการจัดประเภทรูปภาพต่อไปนี้สร้างขึ้นโดยใช้ Cloud AutoML ค่าประสิทธิภาพวัดได้ใน Pixel 3 บน Android 10

คุณสามารถค้นหาโมเดลเหล่านี้ได้ใน TensorFlow Hub และรับข้อมูลโมเดลเพิ่มเติมได้ที่นั่น

ชื่อรุ่น กระดาษและแบบจำลอง ขนาดโมเดล ความแม่นยำอันดับ 1 ความแม่นยำสูงสุด 5 อันดับแรก CPU 4 เธรด GPU NNAPI
MnasNet_0.50_224 กระดาษ tflite & pb 8.5 ลบ 68.03% 87.79% 9.5 มิลลิวินาที 5.9 มิลลิวินาที 16.6 มิลลิวินาที
MnasNet_0.75_224 กระดาษ tflite & pb 12 ล้านบาท 71.72% 90.17% 13.7 มิลลิวินาที 7.1 มิลลิวินาที 16.7 มิลลิวินาที
MnasNet_1.0_96 กระดาษ tflite & pb 17 ล้านบาท 62.33% 83.98% 5.6 มิลลิวินาที 5.4 มิลลิวินาที 12.1 มิลลิวินาที
MnasNet_1.0_128 กระดาษ tflite & pb 17 ล้านบาท 67.32% 87.70% 7.5 มิลลิวินาที 5.8 มิลลิวินาที 12.9 มิลลิวินาที
MnasNet_1.0_160 กระดาษ tflite & pb 17 ล้านบาท 70.63% 89.58% 11.1 มิลลิวินาที 6.7 มิลลิวินาที 14.2 มิลลิวินาที
MnasNet_1.0_192 กระดาษ tflite & pb 17 ล้านบาท 72.56% 90.76% 14.5 มิลลิวินาที 7.7 มิลลิวินาที 16.6 มิลลิวินาที
MnasNet_1.0_224 กระดาษ tflite & pb 17 ล้านบาท 74.08% 91.75% 19.4 มิลลิวินาที 8.7 มิลลิวินาที 19 มิลลิวินาที
MnasNet_1.3_224 กระดาษ tflite & pb 24 ล้านบาท 75.24% 92.55% 27.9 มิลลิวินาที 10.6 มิลลิวินาที 22.0 มิลลิวินาที

การตรวจจับวัตถุ

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการตรวจจับวัตถุโปรดดูที่ การตรวจจับวัตถุ สำรวจไลบรารีงาน TensorFlow Lite สำหรับคำแนะนำเกี่ยวกับ วิธีรวมโมเดลการตรวจจับวัตถุ ในโค้ดเพียงไม่กี่บรรทัด

โปรดค้นหา โมเดลการตรวจจับวัตถุ จาก TensorFlow Hub

ก่อให้เกิดการประมาณค่า

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการประมาณ ท่าทาง โปรดดูที่ ก่อให้เกิดการประมาณค่า

โปรดค้นหา แบบจำลองการประมาณค่าโพสต์ จาก TensorFlow Hub

การแบ่งส่วนภาพ

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการแบ่งส่วนภาพโปรดดู การแบ่ง กลุ่ม สำรวจไลบรารีงาน TensorFlow Lite สำหรับคำแนะนำเกี่ยวกับ วิธีการรวมโมเดลการแบ่งส่วนภาพ ในโค้ดเพียงไม่กี่บรรทัด

โปรดค้นหา โมเดลการแบ่งส่วนภาพ จาก TensorFlow Hub

คำถามและคำตอบ

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับคำถามและคำตอบกับ MobileBERT โปรดดู คำถามและคำตอบ สำรวจไลบรารีงาน TensorFlow Lite สำหรับคำแนะนำเกี่ยวกับ วิธีการรวมโมเดลคำถามและคำตอบ ในโค้ดเพียงไม่กี่บรรทัด

โปรดค้นหา โมเดล Mobile BERT จาก TensorFlow Hub

ตอบกลับอย่างชาญฉลาด

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการตอบกลับ อัจฉริยะ โปรดดูการ ตอบกลับอัจฉริยะ

โปรดค้นหา โมเดลตอบกลับอัจฉริยะ จาก TensorFlow Hub