Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Modele hostowane

Poniżej znajduje się niekompletna lista wstępnie wytrenowanych modeli zoptymalizowanych do pracy z TensorFlow Lite.

Aby rozpocząć wybór modelu, odwiedź stronę Modele z kompleksowymi przykładami lub wybierz model TensorFlow Lite z TensorFlow Hub .

Klasyfikacja obrazu

Aby uzyskać więcej informacji na temat klasyfikacji obrazów, zobacz Klasyfikacja obrazów . Zapoznaj się z biblioteką zadań TensorFlow Lite, aby uzyskać instrukcje dotyczące integracji modeli klasyfikacji obrazów w zaledwie kilku wierszach kodu.

Modele kwantowe

Modele skwantyzowanej klasyfikacji obrazu oferują najmniejszy rozmiar modelu i najszybszą wydajność kosztem dokładności. Wartości wydajności są mierzone na Pixelu 3 na Androida 10.

Możesz znaleźć wiele skwantowanych modeli z TensorFlow Hub i uzyskać więcej informacji o modelach.

Nazwa modelu Papier i wzór Rozmiar modelu Najwyższa dokładność Najwyższa dokładność CPU, 4 wątki NNAPI
Mobilenet_V1_0.25_128_quant papier , tflite i pb 0,5 Mb 39,5% 64, 4% 0,8 ms 2 ms
Mobilenet_V1_0.25_160_quant papier , tflite i pb 0,5 Mb 42,8% 68,1% 1,3 ms 2,4 ms
Mobilenet_V1_0.25_192_quant papier , tflite i pb 0,5 Mb 45,7% 70, 8% 1,8 ms 2,6 ms
Mobilenet_V1_0.25_224_quant papier , tflite i pb 0,5 Mb 48, 2% 72, 8% 2,3 ms 2,9 ms
Mobilenet_V1_0.50_128_quant papier , tflite i pb 1,4 Mb 54,9% 78,1% 1,7 ms 2,6 ms
Mobilenet_V1_0.50_160_quant papier , tflite i pb 1,4 Mb 57,2% 80,5% 2,6 ms 2,9 ms
Mobilenet_V1_0.50_192_quant papier , tflite i pb 1,4 Mb 59,9% 82,1% 3,6 ms 3,3 ms
Mobilenet_V1_0.50_224_quant papier , tflite i pb 1,4 Mb 61, 2% 83,2% 4,7 ms 3,6 ms
Mobilenet_V1_0.75_128_quant papier , tflite i pb 2,6 Mb 55,9% 79,1% 3,1 ms 3,2 ms
Mobilenet_V1_0.75_160_quant papier , tflite i pb 2,6 Mb 62,4% 83,7% 4,7 ms 3,8 ms
Mobilenet_V1_0.75_192_quant papier , tflite i pb 2,6 Mb 66,1% 86, 2% 6,4 ms 4,2 ms
Mobilenet_V1_0.75_224_quant papier , tflite i pb 2,6 Mb 66,9% 86,9% 8,5 ms 4,8 ms
Mobilenet_V1_1.0_128_quant papier , tflite i pb 4,3 Mb 63, 3% 84,1% 4,8 ms 3,8 ms
Mobilenet_V1_1.0_160_quant papier , tflite i pb 4,3 Mb 66,9% 86,7% 7,3 ms 4,6 ms
Mobilenet_V1_1.0_192_quant papier , tflite i pb 4,3 Mb 69,1% 88,1% 9,9 ms 5,2 ms
Mobilenet_V1_1.0_224_quant papier , tflite i pb 4,3 Mb 70,0% 89,0% 13 ms 6,0 ms
Mobilenet_V2_1.0_224_quant papier , tflite i pb 3,4 Mb 70, 8% 89,9% 12 ms 6,9 ms
Inception_V1_quant papier , tflite i pb 6,4 Mb 70,1% 89,8% 39 ms 36 ms
Inception_V2_quant papier , tflite i pb 11 Mb 73,5% 91,4% 59 ms 18 ms
Inception_V3_quant papier , tflite i pb 23 Mb 77,5% 93,7% 148 ms 74 ms
Inception_V4_quant papier , tflite i pb 41 Mb 79,5% 93,9% 268 ms 155 ms

Modele zmiennoprzecinkowe

Modele zmiennoprzecinkowe zapewniają najlepszą dokładność kosztem rozmiaru i wydajności modelu. Akceleracja GPU wymaga użycia modeli zmiennoprzecinkowych. Wartości wydajności są mierzone na Pixelu 3 na Androida 10.

W TensorFlow Hub można znaleźć wiele modeli klasyfikacji obrazów i uzyskać więcej informacji o modelach.

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

Modele mobilne AutoML

Poniższe modele klasyfikacji obrazów zostały utworzone przy użyciu Cloud AutoML . Wartości wydajności są mierzone na Pixelu 3 na Androida 10.

Możesz znaleźć te modele w TensorFlow Hub i uzyskać tam więcej informacji o modelach.

Nazwa modelu Papier i wzór Rozmiar modelu Najwyższa dokładność Najwyższa dokładność CPU, 4 wątki GPU NNAPI
MnasNet_0.50_224 papier , tflite i pb 8,5 Mb 68,03% 87,79% 9,5 ms 5,9 ms 16,6 ms
MnasNet_0.75_224 papier , tflite i pb 12 Mb 71,72% 90,17% 13,7 ms 7,1 ms 16,7 ms
MnasNet_1.0_96 papier , tflite i pb 17 Mb 62,33% 83,98% 5,6 ms 5,4 ms 12,1 ms
MnasNet_1.0_128 papier , tflite i pb 17 Mb 67,32% 87,70% 7,5 ms 5,8 ms 12,9 ms
MnasNet_1.0_160 papier , tflite i pb 17 Mb 70,63% 89,58% 11,1 ms 6,7 ms 14,2 ms
MnasNet_1.0_192 papier , tflite i pb 17 Mb 72,56% 90,76% 14,5 ms 7,7 ms 16,6 ms
MnasNet_1.0_224 papier , tflite i pb 17 Mb 74,08% 91,75% 19,4 ms 8,7 ms 19 ms
MnasNet_1.3_224 papier , tflite i pb 24 Mb 75,24% 92,55% 27,9 ms 10,6 ms 22,0 ms

Wykrywanie obiektów

Aby uzyskać więcej informacji na temat wykrywania obiektów, zobacz Wykrywanie obiektów . Zapoznaj się z biblioteką zadań TensorFlow Lite, aby uzyskać instrukcje dotyczące integracji modeli wykrywania obiektów w zaledwie kilku wierszach kodu.

Znajdź modele wykrywania obiektów z TensorFlow Hub.

Ocena pozycji

Aby uzyskać więcej informacji na temat szacowania pozycji, zobacz Szacowanie pozycji .

Proszę znaleźć modele szacowania ułożenia z TensorFlow Hub.

Segmentacja obrazu

Aby uzyskać więcej informacji na temat segmentacji obrazu, zobacz Segmentacja . Zapoznaj się z biblioteką zadań TensorFlow Lite, aby uzyskać instrukcje dotyczące integracji modeli segmentacji obrazu w zaledwie kilku wierszach kodu.

Proszę znaleźć modele segmentacji obrazu z TensorFlow Hub.

Pytanie i odpowiedź

Aby uzyskać więcej informacji na temat pytań i odpowiedzi dotyczących MobileBERT, zobacz temat Pytania i odpowiedzi . Zapoznaj się z biblioteką zadań TensorFlow Lite, aby uzyskać instrukcje dotyczące integracji modeli pytań i odpowiedzi w zaledwie kilku wierszach kodu.

Znajdź model Mobile BERT z TensorFlow Hub.

Inteligentna odpowiedź

Aby uzyskać więcej informacji na temat inteligentnej odpowiedzi, zobacz Inteligentna odpowiedź .

Znajdź model Smart Reply w TensorFlow Hub.