다음은 TensorFlow Lite와 함께 동작하도록 최적화된 사전 훈련된 모델의 일부를 수록한 목록입니다.
모델 선택을 시작하려면 엔드 투 엔드 예제가 있는 모델 페이지를 방문하거나 TensorFlow Hub에서 TensorFlow Lite 모델을 선택하세요.
참고: 특정 애플리케이션에 가장 적합한 모델은 요구 사항에 따라 다릅니다. 예를 들어, 일부 애플리케이션에는 높은 정확성이 유익할 수 있지만 다른 애플리케이션에는 작은 모델 크기가 필요할 수 있습니다. 다양한 모델로 애플리케이션을 테스트하여 크기, 성능 및 정확성 간의 최적 균형을 찾아야 합니다.
이미지 분류
이미지 분류에 대한 자세한 내용은 이미지 분류를 참조하세요. TensorFlow Lite 작업 라이브러리에서 단 몇 줄의 코드만으로 이미지 분류 모델을 통합하는 방법에 대한 지침을 살펴보세요.
양자화된 모델
양자화된 이미지 분류 모델은 정확성을 희생하면서 가장 작은 모델 크기와 가장 빠른 성능을 제공합니다. 성능 값은 Android 10의 Pixel 3에서 측정했습니다.
TensorFlow Hub에서 많은 양자화된 모델을 찾아 더 많은 모델 정보를 얻을 수 있습니다.
모델 이름 | 논문과 모델 | 모델 크기 | Top-1 정확성 | Top-5 정확성 | CPU, 4 스레드 | NNAPI |
---|---|---|---|---|---|---|
Mobilenet_V1_0.25_128_quant | 논문, tflite&pb | 0.5Mb | 39.5% | 64.4% | 0.8ms | 2ms |
Mobilenet_V1_0.25_160_quant | 논문, tflite&pb | 0.5Mb | 42.8% | 68.1% | 1.3ms | 2.4ms |
Mobilenet_V1_0.25_192_quant | 논문, tflite&pb | 0.5Mb | 45.7% | 70.8% | 1.8ms | 2.6ms |
Mobilenet_V1_0.25_224_quant | 논문, tflite&pb | 0.5Mb | 48.2% | 72.8% | 2.3ms | 2.9ms |
Mobilenet_V1_0.50_128_quant | 논문, tflite&pb | 1.4Mb | 54.9% | 78.1% | 1.7ms | 2.6ms |
Mobilenet_V1_0.50_160_quant | 논문, tflite&pb | 1.4Mb | 57.2% | 80.5% | 2.6ms | 2.9ms |
Mobilenet_V1_0.50_192_quant | 논문, tflite&pb | 1.4Mb | 59.9% | 82.1% | 3.6ms | 3.3ms |
Mobilenet_V1_0.50_224_quant | 논문, tflite&pb | 1.4Mb | 61.2% | 83.2% | 4.7ms | 3.6ms |
Mobilenet_V1_0.75_128_quant | 논문, tflite&pb | 2.6Mb | 55.9% | 79.1% | 3.1ms | 3.2ms |
Mobilenet_V1_0.75_160_quant | 논문, tflite&pb | 2.6Mb | 62.4% | 83.7% | 4.7ms | 3.8ms |
Mobilenet_V1_0.75_192_quant | 논문, tflite&pb | 2.6Mb | 66.1% | 86.2% | 6.4ms | 4.2ms |
Mobilenet_V1_0.75_224_quant | 논문, tflite&pb | 2.6Mb | 66.9% | 86.9% | 8.5ms | 4.8ms |
Mobilenet_V1_1.0_128_quant | 논문, tflite&pb | 4.3Mb | 63.3% | 84.1% | 4.8ms | 3.8ms |
Mobilenet_V1_1.0_160_quant | 논문, tflite&pb | 4.3Mb | 66.9% | 86.7% | 7.3ms | 4.6ms |
Mobilenet_V1_1.0_192_quant | 논문, tflite&pb | 4.3Mb | 69.1% | 88.1% | 9.9ms | 5.2ms |
Mobilenet_V1_1.0_224_quant | 논문, tflite&pb | 4.3Mb | 70.0% | 89.0% | 13ms | 6.0ms |
Mobilenet_V2_1.0_224_quant | 논문, tflite&pb | 3.4Mb | 70.8% | 89.9% | 12ms | 6.9ms |
Inception_V1_quant | 논문, tflite&pb | 6.4Mb | 70.1% | 89.8% | 39ms | 36ms |
Inception_V2_quant | 논문, tflite&pb | 11Mb | 73.5% | 91.4% | 59ms | 18ms |
Inception_V3_quant | 논문, tflite&pb | 23Mb | 77.5% | 93.7% | 148ms | 74ms |
Inception_V4_quant | 논문, tflite&pb | 41Mb | 79.5% | 93.9% | 268ms | 155ms |
참고: 모델 파일에는 TF Lite FlatBuffer 및 Tensorflow 고정 그래프가 모두 포함됩니다.
참고: 성능 수치는 Pixel-3(Android 10)에서 벤치마킹했습니다. 정확성 수치는 TFLite 이미지 분류 평가 도구를 사용하여 계산했습니다.
부동 소수점 모델
부동 소수점 모델은 모델 크기와 성능을 희생하면서 최고의 정확성을 제공합니다. GPU 가속을 사용하려면 부동 소수점 모델을 사용해야 합니다. 성능 값은 Android 10의 Pixel 3에서 측정했습니다.
TensorFlow Hub에서 많은 이미지 분류 모델을 찾아 더 많은 모델 정보를 얻을 수 있습니다.
모델 이름 | 논문과 모델 | 모델 크기 | Top-1 정확성 | Top-5 정확성 | CPU, 4 스레드 | GPU | NNAPI |
---|---|---|---|---|---|---|---|
DenseNet | 논문, tflite&pb | 43.6Mb | 64.2% | 85.6% | 195ms | 60ms | 1656ms |
SqueezeNet | 논문, tflite&pb | 5.0Mb | 49.0% | 72.9% | 36ms | 9.5ms | 18.5ms |
NASNet 모바일 | 논문, tflite&pb | 21.4Mb | 73.9% | 91.5% | 56ms | --- | 102ms |
NASNet 대형 | 논문, tflite&pb | 355.3Mb | 82.6% | 96.1% | 1170ms | --- | 648ms |
ResNet_V2_101 | 논문, tflite&pb | 178.3Mb | 76.8% | 93.6% | 526ms | 92ms | 1572ms |
Inception_V3 | 논문, tflite&pb | 95.3Mb | 77.9% | 93.8% | 249ms | 56ms | 148ms |
Inception_V4 | 논문, tflite&pb | 170.7Mb | 80.1% | 95.1% | 486ms | 93ms | 291ms |
Inception_ResNet_V2 | 논문, tflite&pb | 121.0Mb | 77.5% | 94.0% | 422ms | 100ms | 201ms |
Mobilenet_V1_0.25_128 | 논문, tflite&pb | 1.9MB | 41.4% | 66.2% | 1.2ms | 1.6ms | 3ms |
Mobilenet_V1_0.25_160 | 논문, tflite&pb | 1.9MB | 45.4% | 70.2% | 1.7ms | 1.7ms | 3.2ms |
Mobilenet_V1_0.25_192 | 논문, tflite&pb | 1.9MB | 47.1% | 72.0% | 2.4ms | 1.8ms | 3.0ms |
Mobilenet_V1_0.25_224 | 논문, tflite&pb | 1.9MB | 49.7% | 74.1% | 3.3ms | 1.8ms | 3.6ms |
Mobilenet_V1_0.50_128 | 논문, tflite&pb | 5.3Mb | 56.2% | 79.3% | 3.0ms | 1.7ms | 3.2ms |
Mobilenet_V1_0.50_160 | 논문, tflite&pb | 5.3Mb | 59.0% | 81.8% | 4.4ms | 2.0ms | 4.0ms |
Mobilenet_V1_0.50_192 | 논문, tflite&pb | 5.3Mb | 61.7% | 83.5% | 6.0ms | 2.5ms | 4.8ms |
Mobilenet_V1_0.50_224 | 논문, tflite&pb | 5.3Mb | 63.2% | 84.9% | 7.9ms | 2.8ms | 6.1ms |
Mobilenet_V1_0.75_128 | 논문, tflite&pb | 10.3Mb | 62.0% | 83.8% | 5.5ms | 2.6ms | 5.1ms |
Mobilenet_V1_0.75_160 | 논문, tflite&pb | 10.3Mb | 65.2% | 85.9% | 8.2ms | 3.1ms | 6.3ms |
Mobilenet_V1_0.75_192 | 논문, tflite&pb | 10.3Mb | 67.1% | 87.2% | 11.0ms | 4.5ms | 7.2ms |
Mobilenet_V1_0.75_224 | 논문, tflite&pb | 10.3Mb | 68.3% | 88.1% | 14.6ms | 4.9ms | 9.9ms |
Mobilenet_V1_1.0_128 | 논문, tflite&pb | 16.9Mb | 65.2% | 85.7% | 9.0ms | 4.4ms | 6.3ms |
Mobilenet_V1_1.0_160 | 논문, tflite&pb | 16.9Mb | 68.0% | 87.7% | 13.4ms | 5.0ms | 8.4ms |
Mobilenet_V1_1.0_192 | 논문, tflite&pb | 16.9Mb | 69.9% | 89.1% | 18.1ms | 6.3ms | 10.6ms |
Mobilenet_V1_1.0_224 | 논문, tflite&pb | 16.9Mb | 71.0% | 89.9% | 24.0ms | 6.5ms | 13.8ms |
Mobilenet_V2_1.0_224 | 논문, tflite&pb | 14.0Mb | 71.8% | 90.6% | 17.5ms | 6.2ms | 11.23ms |
AutoML 모바일 모델
다음 이미지 분류 모델은 Cloud AutoML을 사용하여 생성되었습니다. 성능 값은 Android 10의 Pixel 3에서 측정했습니다.
TensorFlow Hub 에서 이러한 모델을 찾아 더 많은 모델 정보를 얻을 수 있습니다.
모델 이름 | 논문과 모델 | 모델 크기 | Top-1 정확성 | Top-5 정확성 | CPU, 4 스레드 | GPU | NNAPI |
---|---|---|---|---|---|---|---|
MnasNet_0.50_224 | 논문, tflite&pb | 8.5MB | 68.03% | 87.79% | 9.5ms | 5.9ms | 16.6ms |
MnasNet_0.75_224 | 논문, tflite&pb | 12Mb | 71.72% | 90.17% | 13.7ms | 7.1ms | 16.7ms |
MnasNet_1.0_96 | 논문, tflite&pb | 17Mb | 62.33% | 83.98% | 5.6ms | 5.4ms | 12.1ms |
MnasNet_1.0_128 | 논문, tflite&pb | 17Mb | 67.32% | 87.70% | 7.5ms | 5.8ms | 12.9ms |
MnasNet_1.0_160 | 논문, tflite&pb | 17Mb | 70.63% | 89.58% | 11.1ms | 6.7ms | 14.2ms |
MnasNet_1.0_192 | 논문, tflite&pb | 17Mb | 72.56% | 90.76% | 14.5ms | 7.7ms | 16.6ms |
MnasNet_1.0_224 | 논문, tflite&pb | 17Mb | 74.08% | 91.75% | 19.4ms | 8.7ms | 19ms |
MnasNet_1.3_224 | 논문, tflite&pb | 24Mb | 75.24% | 92.55% | 27.9ms | 10.6ms | 22.0ms |
참고: 성능 수치는 Pixel-3(Android 10)에서 벤치마킹했습니다. 정확성 수치는 TFLite 이미지 분류 평가 도구를 사용하여 계산했습니다.
객체 감지
물체 감지에 대한 자세한 내용은 물체 감지를 참조하세요. TensorFlow Lite 작업 라이브러리에서 단 몇 줄의 코드만으로 물체 감지 모델을 통합하는 방법에 대한 지침은 살펴보세요.
TensorFlow Hub에서 객체 감지 모델을 찾아보세요.
포즈 예측
포즈 예측에 대한 자세한 내용은 포즈 예측을 참조하세요.
TensorFlow Hub에서 포즈 예측 모델을 찾아보세요.
이미지 분할
이미지 분할에 대한 자세한 내용은 분할을 참조하세요. TensorFlow Lite 작업 라이브러리에서 단 몇 줄의 코드만으로 이미지 분할 모델을 통합하는 방법에 대한 지침을 살펴보세요.
TensorFlow Hub에서 이미지 분할 모델을 찾아보세요.
질문과 답변
MobileBERT를 이용한 질문과 답변에 대한 자세한 내용은 질문과 답변을 참조하세요. TensorFlow Lite 작업 라이브러리에서 몇 줄의 코드만으로 질문 및 답변 모델을 통합하는 방법에 대한 지침은 살펴보세요.
TensorFlow Hub에서 모바일 BERT 모델을 찾아보세요.
스마트 답장
스마트 답장에 대한 자세한 내용은 스마트 답장을 참조하세요.
TensorFlow Hub에서 스마트 답장 모델을 찾아보세요.