吳唯 編譯自 Google Research Blog
量子位出品 | 公眾號 QbitAI

今早谷歌在自家的科研博客上發文，宣布開源MobileNets——一組移動端優先的計算機視覺模型。通過TensorFlow Mobile，這些模型可以在脫機狀態下在移動設備上高效運行。

量子位將原文編譯如下：

近幾年來，伴隨著神經網絡不斷將視覺識別技術向前推進，深度學習已經為計算機視覺領域的進步貢獻了太多太多。而這其中的許多技術，包括對物體、地標、logo和文本的識別等，都是通過云視覺API在聯網設備上實現的。

但我們相信，移動設備計算力的不斷提升，將可能讓用戶在脫機狀態下隨時、隨地地接觸到這些技術。然而，在設備端和嵌入式應用上的視覺識別面臨著諸多挑戰——在資源受限的環境下，這些模型必須利用有限的計算力、能耗和空間來保證運行的速度與精確度。

今天我們很高興地宣布開放MobileNets，一個為TensorFlow所準備、移動端優先的計算機視覺模型包，其設計考慮了設備端和嵌入式應用上首先的資源，力圖最大化地提升精確度。MobileNets具有小規模、低延遲、低功耗的特點，為多種不同應用案例中的資源限制進行了參數化設計。和Inception這類主流的大型模型一樣，這些模型同樣可以用于分類、檢測、嵌入、分割等任務。

這次開源包含了MobileNets的模型定義，它在TensorFlow上使用了TF-Slim以及其他16個用于全規模移動項目的預訓練ImageNet分類檢查點。通過TensorFlow Mobile，這些模型能夠在移動設備上高效運行。

△?根據你的預期的延遲和模型大小選擇合適的MobileNet模型。神經網絡在內存和磁盤上占用的空間與參數的數量成正比。網絡的延遲和功耗規模與乘積累加運算（MACs）的數字相對應。Top-1和Top-5的準確率是在ILSVRC的數據集上進行測量的。

致謝：

核心貢獻者：Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam

特別感謝： Benoit Jacob, Skirmantas Kligys, George Papandreou, Liang-Chieh Chen, Derek Chow, Sergio Guadarrama, Jonathan Huang, Andre Hentz, Pete Warden

Code：

https://github.com/tensorflow/models/blob/master/slim/README.md

Paper：

https://arxiv.org/abs/1704.04861

TensorFlow Mobie的官方指南：

https://www.tensorflow.org/mobile/

【完】

總結

以上是生活随笔為你收集整理的谷歌开源MobileNets：在移动设备上高效运行的计算机视觉模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。