下面是一个不完整列表,其中包括为兼容 TensorFlow Lite 而进行优化的预训练模型。
要开始选择模型,请访问带有端到端示例的模型页面,或者从 TensorFlow Hub 中选择 TensorFlow Lite 模型。
注:适用于某个给定应用的最佳模型取决于您的要求。例如,某些应用可能受益于较高的准确率,而另一些应用则需要较小的模型大小。您应该使用各种模型来测试您的应用,在大小、性能和准确率之间找到最佳平衡。
图像分类
有关图像分类的更多信息,请参阅图像分类。探索 TensorFlow Lite Task 库,以获取有关如何在短短几行代码中集成图像分类模型的说明。
量化模型
量化图像分类模型可以提供最小的模型大小和最快的性能,但以牺牲准确率为代价。性能值在运行 Android 10 的 Pixel 3 上测得。
您可以在 TensorFlow Hub 中找到许多量化模型,并获取更多模型信息。
模型名称 | 论文和模型 | 模型大小 | Top-1 准确率 | Top-5 准确率 | CPU(4 线程) | NNAPI |
---|---|---|---|---|---|---|
Mobilenet_V1_0.25_128_quant | 论文,tflite&pb | 0.5 Mb | 39.5% | 64.4% | 0.8 毫秒 | 2 毫秒 |
Mobilenet_V1_0.25_160_quant | 论文,tflite&pb | 0.5 Mb | 42.8% | 68.1% | 1.3 毫秒 | 2.4 毫秒 |
Mobilenet_V1_0.25_192_quant | 论文,tflite&pb | 0.5 Mb | 45.7% | 70.8% | 1.8 毫秒 | 2.6 毫秒 |
Mobilenet_V1_0.25_224_quant | 论文,tflite&pb | 0.5 Mb | 48.2% | 72.8% | 2.3 毫秒 | 2.9 毫秒 |
Mobilenet_V1_0.50_128_quant | 论文,tflite&pb | 1.4 Mb | 54.9% | 78.1% | 1.7 毫秒 | 2.6 毫秒 |
Mobilenet_V1_0.50_160_quant | 论文,tflite&pb | 1.4 Mb | 57.2% | 80.5% | 2.6 毫秒 | 2.9 毫秒 |
Mobilenet_V1_0.50_192_quant | 论文,tflite&pb | 1.4 Mb | 59.9% | 82.1% | 3.6 毫秒 | 3.3 毫秒 |
Mobilenet_V1_0.50_224_quant | 论文,tflite&pb | 1.4 Mb | 61.2% | 83.2% | 4.7 毫秒 | 3.6 毫秒 |
Mobilenet_V1_0.75_128_quant | 论文,tflite&pb | 2.6 Mb | 55.9% | 79.1% | 3.1 毫秒 | 3.2 毫秒 |
Mobilenet_V1_0.75_160_quant | 论文,tflite&pb | 2.6 Mb | 62.4% | 83.7% | 4.7 毫秒 | 3.8 毫秒 |
Mobilenet_V1_0.75_192_quant | 论文,tflite&pb | 2.6 Mb | 66.1% | 86.2% | 6.4 毫秒 | 4.2 毫秒 |
Mobilenet_V1_0.75_224_quant | 论文,tflite&pb | 2.6 Mb | 66.9% | 86.9% | 8.5 毫秒 | 4.8 毫秒 |
Mobilenet_V1_1.0_128_quant | 论文,tflite&pb | 4.3 Mb | 63.3% | 84.1% | 4.8 毫秒 | 3.8 毫秒 |
Mobilenet_V1_1.0_160_quant | 论文,tflite&pb | 4.3 Mb | 66.9% | 86.7% | 7.3 毫秒 | 4.6 毫秒 |
Mobilenet_V1_1.0_192_quant | 论文,tflite&pb | 4.3 Mb | 69.1% | 88.1% | 9.9 毫秒 | 5.2 毫秒 |
Mobilenet_V1_1.0_224_quant | 论文,tflite&pb | 4.3 Mb | 70.0% | 89.0% | 13 毫秒 | 6.0 毫秒 |
Mobilenet_V2_1.0_224_quant | 论文,tflite&pb | 3.4 Mb | 70.8% | 89.9% | 12 毫秒 | 6.9 毫秒 |
Inception_V1_quant | 论文,tflite&pb | 6.4 Mb | 70.1% | 89.8% | 39 毫秒 | 36 毫秒 |
Inception_V2_quant | 论文,tflite&pb | 11 Mb | 73.5% | 91.4% | 59 毫秒 | 18 毫秒 |
Inception_V3_quant | 论文,tflite&pb | 23 Mb | 77.5% | 93.7% | 148 毫秒 | 74 毫秒 |
Inception_V4_quant | 论文,tflite&pb | 41 Mb | 79.5% | 93.9% | 268 毫秒 | 155 毫秒 |
注:模型文件包括 TF Lite FlatBuffer 和 Tensorflow 冻结计算图。
注:性能数值来自在 Pixel-3 (Android 10) 上进行的基准测试。准确率数值使用 TFLite 图像分类评估工具计算得出。
浮点模型
浮点模型可以提供最佳的准确率,但以牺牲模型的大小和性能为代价。GPU 加速需要使用浮点模型。性能值在运行 Android 10 的 Pixel 3 上测得。
您可以在 TensorFlow Hub 中找到许多图像分类模型,并获取更多模型信息。
模型名称 | 论文和模型 | 模型大小 | Top-1 准确率 | Top-5 准确率 | CPU(4 线程) | GPU | NNAPI |
---|---|---|---|---|---|---|---|
DenseNet | 论文,tflite&pb | 43.6 Mb | 64.2% | 85.6% | 195 毫秒 | 60 毫秒 | 1656 毫秒 |
SqueezeNet | 论文,tflite&pb | 5.0 Mb | 49.0% | 72.9% | 36 毫秒 | 9.5 毫秒 | 18.5 毫秒 |
NASNet mobile | 论文,tflite&pb | 21.4 Mb | 73.9% | 91.5% | 56 毫秒 | --- | 102 毫秒 |
NASNet large | 论文,tflite&pb | 355.3 Mb | 82.6% | 96.1% | 1170 毫秒 | --- | 648 毫秒 |
ResNet_V2_101 | 论文,tflite&pb | 178.3 Mb | 76.8% | 93.6% | 526 毫秒 | 92 毫秒 | 1572 毫秒 |
Inception_V3 | 论文,tflite&pb | 95.3 Mb | 77.9% | 93.8% | 249 毫秒 | 56 毫秒 | 148 毫秒 |
Inception_V4 | 论文,tflite&pb | 170.7 Mb | 80.1% | 95.1% | 486 毫秒 | 93 毫秒 | 291 毫秒 |
Inception_ResNet_V2 | 论文,tflite&pb | 121.0 Mb | 77.5% | 94.0% | 422 毫秒 | 100 毫秒 | 201 毫秒 |
Mobilenet_V1_0.25_128 | 论文,tflite&pb | 1.9 Mb | 41.4% | 66.2% | 1.2 毫秒 | 1.6 毫秒 | 3 毫秒 |
Mobilenet_V1_0.25_160 | 论文,tflite&pb | 1.9 Mb | 45.4% | 70.2% | 1.7 毫秒 | 1.7 毫秒 | 3.2 毫秒 |
Mobilenet_V1_0.25_192 | 论文,tflite&pb | 1.9 Mb | 47.1% | 72.0% | 2.4 毫秒 | 1.8 毫秒 | 3.0 毫秒 |
Mobilenet_V1_0.25_224 | 论文,tflite&pb | 1.9 Mb | 49.7% | 74.1% | 3.3 毫秒 | 1.8 毫秒 | 3.6 毫秒 |
Mobilenet_V1_0.50_128 | 论文,tflite&pb | 5.3 Mb | 56.2% | 79.3% | 3.0 毫秒 | 1.7 毫秒 | 3.2 毫秒 |
Mobilenet_V1_0.50_160 | 论文,tflite&pb | 5.3 Mb | 59.0% | 81.8% | 4.4 毫秒 | 2.0 毫秒 | 4.0 毫秒 |
Mobilenet_V1_0.50_192 | 论文,tflite&pb | 5.3 Mb | 61.7% | 83.5% | 6.0 毫秒 | 2.5 毫秒 | 4.8 毫秒 |
Mobilenet_V1_0.50_224 | 论文,tflite&pb | 5.3 Mb | 63.2% | 84.9% | 7.9 毫秒 | 2.8 毫秒 | 6.1 毫秒 |
Mobilenet_V1_0.75_128 | 论文,tflite&pb | 10.3 Mb | 62.0% | 83.8% | 5.5 毫秒 | 2.6 毫秒 | 5.1 毫秒 |
Mobilenet_V1_0.75_160 | 论文,tflite&pb | 10.3 Mb | 65.2% | 85.9% | 8.2 毫秒 | 3.1 毫秒 | 6.3 毫秒 |
Mobilenet_V1_0.75_192 | 论文,tflite&pb | 10.3 Mb | 67.1% | 87.2% | 11.0 毫秒 | 4.5 毫秒 | 7.2 毫秒 |
Mobilenet_V1_0.75_224 | 论文,tflite&pb | 10.3 Mb | 68.3% | 88.1% | 14.6 毫秒 | 4.9 毫秒 | 9.9 毫秒 |
Mobilenet_V1_1.0_128 | 论文,tflite&pb | 16.9 Mb | 65.2% | 85.7% | 9.0 毫秒 | 4.4 毫秒 | 6.3 毫秒 |
Mobilenet_V1_1.0_160 | 论文,tflite&pb | 16.9 Mb | 68.0% | 87.7% | 13.4 毫秒 | 5.0 毫秒 | 8.4 毫秒 |
Mobilenet_V1_1.0_192 | 论文,tflite&pb | 16.9 Mb | 69.9% | 89.1% | 18.1 毫秒 | 6.3 毫秒 | 10.6 毫秒 |
Mobilenet_V1_1.0_224 | 论文,tflite&pb | 16.9 Mb | 71.0% | 89.9% | 24.0 毫秒 | 6.5 毫秒 | 13.8 毫秒 |
Mobilenet_V2_1.0_224 | 论文,tflite&pb | 14.0 Mb | 71.8% | 90.6% | 17.5 毫秒 | 6.2 毫秒 | 11.23 毫秒 |
AutoML 移动端模型
下列图像分类模型使用 Cloud AutoML 创建。性能值在运行 Android 10 的 Pixel 3 上测定。
您可以在 TensorFlow Hub 中找到这些模型,并获取更多模型信息。
模型名称 | 论文和模型 | 模型大小 | Top-1 准确率 | Top-5 准确率 | CPU(4 线程) | GPU | NNAPI |
---|---|---|---|---|---|---|---|
MnasNet_0.50_224 | 论文,tflite&pb | 8.5 Mb | 68.03% | 87.79% | 9.5 毫秒 | 5.9 毫秒 | 16.6 毫秒 |
MnasNet_0.75_224 | 论文,tflite&pb | 12 Mb | 71.72% | 90.17% | 13.7 毫秒 | 7.1 毫秒 | 16.7 毫秒 |
MnasNet_1.0_96 | 论文,tflite&pb | 17 Mb | 62.33% | 83.98% | 5.6 毫秒 | 5.4 毫秒 | 12.1 毫秒 |
MnasNet_1.0_128 | 论文,tflite&pb | 17 Mb | 67.32% | 87.70% | 7.5 毫秒 | 5.8 毫秒 | 12.9 毫秒 |
MnasNet_1.0_160 | 论文,tflite&pb | 17 Mb | 70.63% | 89.58% | 11.1 毫秒 | 6.7 毫秒 | 14.2 毫秒 |
MnasNet_1.0_192 | 论文,tflite&pb | 17 Mb | 72.56% | 90.76% | 14.5 毫秒 | 7.7 毫秒 | 16.6 毫秒 |
MnasNet_1.0_224 | 论文,tflite&pb | 17 Mb | 74.08% | 91.75% | 19.4 毫秒 | 8.7 毫秒 | 19 毫秒 |
MnasNet_1.3_224 | 论文,tflite&pb | 24 Mb | 75.24% | 92.55% | 27.9 毫秒 | 10.6 毫秒 | 22.0 毫秒 |
注:性能数值来自在 Pixel-3 (Android 10) 上进行的基准测试。准确率数值使用 TFLite 图像分类评估工具计算得出。
物体检测
有关物体检测的更多信息,请参阅物体检测。探索 TensorFlow Lite Task 库,以获取有关如何在短短几行代码中集成物体检测模型的说明。
请从 TensorFlow Hub 中获取物体检测模型。
姿势预测
有关姿态估计的更多信息,请参阅姿势预测。
请从 TensorFlow Hub 中获取姿势预测模型。
图像分割
有关图像分割的更多信息,请参阅分割。探索 TensorFlow Lite Task 库,以获取有关如何在短短几行代码中集成图像分割模型的说明。
请从 TensorFlow Hub 中获取图像分割模型。
问答
有关使用 MobileBERT 进行问答的更多信息,请参阅问答。探索 TensorFlow Lite Task 库,以获取有关如何在短短几行代码中集成问答模型的说明。
请从 TensorFlow Hub 中获取 Mobile BERT 模型。
智能回复
有关智能回复的更多信息,请参阅智能回复。
请从 TensorFlow Hub 中获取智能回复模型。