雷锋网 AI 科技评论消息，谷歌刚刚对外发布了开源计算机视觉模型MobileNets。MobileNets是一系列为移动和嵌入式设备设计的计算机视觉模型，它可以利用设备有限的资源高效运行，并提供尽可能高的准确率。

雷锋网 AI 科技评论从谷歌开源博客了解到了更多信息，介绍如下。

在深度学习的支持下，计算机视觉近几年得到了突飞猛进的发展，神经网络的使用不断把识别视觉技术推上新的高度。虽然目前包括识别物体、地标、logo、文字在内的许许多多计算机视觉技术都是通过云视觉API进行计算然后把结果显示在互联网设备上的，谷歌的研究人员认为，移动设备持续高速增长的计算能力已经可以让这些技术随时随地、不受网络限制地给用户提供服务。

不过，在手持设备和嵌入式应用上做视觉识别目前还有不少困难，在这样资源及其有限的环境下，视觉识别模型需要高效利用计算能力、能源和空间，高速运行并且保证准确率。

为了尝试解决这些问题，谷歌于美国时间6月14日发布了MobileNets。MobileNets是一系列为移动设备设计、用在TensorFlow中的计算机视觉模型，它们的设计目标是在手持或者嵌入式设备有限的资源下高效地运行，提供尽可能高的准确率。MobileNets中的一系列模型都是小型、低延迟、低耗能的模型，它们为多种不同使用场景下的有限资源做了针对性的参数优化。开发者可以像用Inception这样的大型热门模型一样地用MobileNets中的模型进一步开发分类、识别、嵌入和细分功能。

基于MobileNets在移动设备上进行检测、细粒度分类、属性和地标检测应用的例子

这个MobileNets版本包含了这些模型在TensorFlow中的定义（具体使用的是TF-Slim），也包含16个已经训练好的ImageNet分类器，它们分别适用于不同大小的移动设备或者移动应用中。这些模型配合TensorFlow Mobile可以在移动设备上高效地运行。

谷歌建议根据自己的延迟和项目大小需求选取适合的模型。网络模型在内存和磁盘中所占的空间大小和网络中参数的数量成正比。用MACs值（Multiply-Accumulates，累积乘法量，用来衡量乘法、加法融合计算的数量）可以估计网络的延迟和能源消耗。Top-1和Top-5准确率是通过ILSVRC数据库测试得出的。

现在MobileNets已经共享到开源社区，谷歌的研发人员们对此表示很开心。

MobileNets如何上手，请见 TensorFlow-Slim Image Classification Library.

如何在移动设备运行机器学习模型，请见 TensorFlow Mobile

谷歌的论文里有更多技术细节 MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications.