208 lines
24 KiB
Markdown
208 lines
24 KiB
Markdown
# 移动端系列
|
||
---
|
||
## 目录
|
||
|
||
* [1. 概述](#1)
|
||
* [2. 精度、FLOPS 和参数量](#2)
|
||
* [3. 基于 SD855 的预测速度和存储大小](#3)
|
||
* [4. 基于 V100 GPU 的预测速度](#4)
|
||
* [5. 基于 T4 GPU 的预测速度](#5)
|
||
|
||
<a name='1'></a>
|
||
|
||
## 1. 概述
|
||
MobileNetV1 是 Google 于 2017 年发布的用于移动设备或嵌入式设备中的网络。该网络将传统的卷积操作替换深度可分离卷积，即 Depthwise 卷积和 Pointwise 卷积的组合，相比传统的卷积操作，该组合可以大大节省参数量和计算量。与此同时，MobileNetV1 也可以用于目标检测、图像分割等其他视觉任务中。
|
||
|
||
MobileNetV2 是 Google 继 MobileNetV1 提出的一种轻量级网络。相比 MobileNetV1，MobileNetV2 提出了 Linear bottlenecks 与 Inverted residual block 作为网络基本结构，通过大量地堆叠这些基本模块，构成了 MobileNetV2 的网络结构。最终，在 FLOPS 只有 MobileNetV1 的一半的情况下取得了更高的分类精度。
|
||
|
||
ShuffleNet 系列网络是旷视提出的轻量化网络结构，到目前为止，该系列网络一共有两种典型的结构，即 ShuffleNetV1 与 ShuffleNetV2。ShuffleNet 中的 Channel Shuffle 操作可以将组间的信息进行交换，并且可以实现端到端的训练。在 ShuffleNetV2 的论文中，作者提出了设计轻量级网络的四大准则，并且根据四大准则与 ShuffleNetV1 的不足，设计了 ShuffleNetV2 网络。
|
||
|
||
MobileNetV3 是 Google 于 2019 年提出的一种基于 NAS 的新的轻量级网络，为了进一步提升效果，将 relu 和 sigmoid 激活函数分别替换为 hard_swish 与 hard_sigmoid 激活函数，同时引入了一些专门减小网络计算量的改进策略。
|
||
|
||
GhostNet 是华为于 2020 年提出的一种全新的轻量化网络结构，通过引入 ghost module，大大减缓了传统深度网络中特征的冗余计算问题，使得网络的参数量和计算量大大降低。
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
目前 PaddleClas 开源的的移动端系列的预训练模型一共有 35 个，其指标如图所示。从图片可以看出，越新的轻量级模型往往有更优的表现，MobileNetV3 代表了目前主流的轻量级神经网络结构。在 MobileNetV3 中，作者为了获得更高的精度，在 global-avg-pooling 后使用了 1x1 的卷积。该操作大幅提升了参数量但对计算量影响不大，所以如果从存储角度评价模型的优异程度，MobileNetV3 优势不是很大，但由于其更小的计算量，使得其有更快的推理速度。此外，我们模型库中的 ssld 蒸馏模型表现优异，从各个考量角度下，都刷新了当前轻量级模型的精度。由于 MobileNetV3 模型结构复杂，分支较多，对 GPU 并不友好，GPU 预测速度不如 MobileNetV1。GhostNet 于 2020 年提出，通过引入 ghost 的网络设计理念，大大降低了计算量和参数量，同时在精度上也超过前期最高的 MobileNetV3 网络结构。
|
||
|
||
<a name='2'></a>
|
||
|
||
## 2. 精度、FLOPS 和参数量
|
||
|
||
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Parameters<br>(M) |
|
||
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
|
||
| MobileNetV1_x0_25 | 0.514 | 0.755 | 0.506 | | 0.070 | 0.460 |
|
||
| MobileNetV1_x0_5 | 0.635 | 0.847 | 0.637 | | 0.280 | 1.310 |
|
||
| MobileNetV1_x0_75 | 0.688 | 0.882 | 0.684 | | 0.630 | 2.550 |
|
||
| MobileNetV1 | 0.710 | 0.897 | 0.706 | | 1.110 | 4.190 |
|
||
| MobileNetV1_ssld | 0.779 | 0.939 | | | 1.110 | 4.190 |
|
||
| MobileNetV2_x0_25 | 0.532 | 0.765 | | | 0.050 | 1.500 |
|
||
| MobileNetV2_x0_5 | 0.650 | 0.857 | 0.654 | 0.864 | 0.170 | 1.930 |
|
||
| MobileNetV2_x0_75 | 0.698 | 0.890 | 0.698 | 0.896 | 0.350 | 2.580 |
|
||
| MobileNetV2 | 0.722 | 0.907 | 0.718 | 0.910 | 0.600 | 3.440 |
|
||
| MobileNetV2_x1_5 | 0.741 | 0.917 | | | 1.320 | 6.760 |
|
||
| MobileNetV2_x2_0 | 0.752 | 0.926 | | | 2.320 | 11.130 |
|
||
| MobileNetV2_ssld | 0.7674 | 0.9339 | | | 0.600 | 3.440 |
|
||
| MobileNetV3_large_<br>x1_25 | 0.764 | 0.930 | 0.766 | | 0.714 | 7.440 |
|
||
| MobileNetV3_large_<br>x1_0 | 0.753 | 0.923 | 0.752 | | 0.450 | 5.470 |
|
||
| MobileNetV3_large_<br>x0_75 | 0.731 | 0.911 | 0.733 | | 0.296 | 3.910 |
|
||
| MobileNetV3_large_<br>x0_5 | 0.692 | 0.885 | 0.688 | | 0.138 | 2.670 |
|
||
| MobileNetV3_large_<br>x0_35 | 0.643 | 0.855 | 0.642 | | 0.077 | 2.100 |
|
||
| MobileNetV3_small_<br>x1_25 | 0.707 | 0.895 | 0.704 | | 0.195 | 3.620 |
|
||
| MobileNetV3_small_<br>x1_0 | 0.682 | 0.881 | 0.675 | | 0.123 | 2.940 |
|
||
| MobileNetV3_small_<br>x0_75 | 0.660 | 0.863 | 0.654 | | 0.088 | 2.370 |
|
||
| MobileNetV3_small_<br>x0_5 | 0.592 | 0.815 | 0.580 | | 0.043 | 1.900 |
|
||
| MobileNetV3_small_<br>x0_35 | 0.530 | 0.764 | 0.498 | | 0.026 | 1.660 |
|
||
| MobileNetV3_small_<br>x0_35_ssld | 0.556 | 0.777 | 0.498 | | 0.026 | 1.660 |
|
||
| MobileNetV3_large_<br>x1_0_ssld | 0.790 | 0.945 | | | 0.450 | 5.470 |
|
||
| MobileNetV3_large_<br>x1_0_ssld_int8 | 0.761 | | | | | |
|
||
| MobileNetV3_small_<br>x1_0_ssld | 0.713 | 0.901 | | | 0.123 | 2.940 |
|
||
| ShuffleNetV2 | 0.688 | 0.885 | 0.694 | | 0.280 | 2.260 |
|
||
| ShuffleNetV2_x0_25 | 0.499 | 0.738 | | | 0.030 | 0.600 |
|
||
| ShuffleNetV2_x0_33 | 0.537 | 0.771 | | | 0.040 | 0.640 |
|
||
| ShuffleNetV2_x0_5 | 0.603 | 0.823 | 0.603 | | 0.080 | 1.360 |
|
||
| ShuffleNetV2_x1_5 | 0.716 | 0.902 | 0.726 | | 0.580 | 3.470 |
|
||
| ShuffleNetV2_x2_0 | 0.732 | 0.912 | 0.749 | | 1.120 | 7.320 |
|
||
| ShuffleNetV2_swish | 0.700 | 0.892 | | | 0.290 | 2.260 |
|
||
| GhostNet_x0_5 | 0.668 | 0.869 | 0.662 | 0.866 | 0.082 | 2.600 |
|
||
| GhostNet_x1_0 | 0.740 | 0.916 | 0.739 | 0.914 | 0.294 | 5.200 |
|
||
| GhostNet_x1_3 | 0.757 | 0.925 | 0.757 | 0.927 | 0.440 | 7.300 |
|
||
| GhostNet_x1_3_ssld | 0.794 | 0.945 | 0.757 | 0.927 | 0.440 | 7.300 |
|
||
|
||
<a name='3'></a>
|
||
|
||
## 3. 基于 SD855 的预测速度和存储大小
|
||
|
||
| Models | SD855 time(ms)<br>bs=1, thread=1 | SD855 time(ms)<br/>bs=1, thread=2 | SD855 time(ms)<br/>bs=1, thread=4 | Storage Size(M) |
|
||
|:--:|----|----|----|----|
|
||
| MobileNetV1_x0_25 | 2.88 | 1.82 | 1.26 | 1.900 |
|
||
| MobileNetV1_x0_5 | 8.74 | 5.26 | 3.09 | 5.200 |
|
||
| MobileNetV1_x0_75 | 17.84 | 10.61 | 6.21 | 10.000 |
|
||
| MobileNetV1 | 30.24 | 17.86 | 10.30 | 16.000 |
|
||
| MobileNetV1_ssld | 30.19 | 17.85 | 10.23 | 16.000 |
|
||
| MobileNetV2_x0_25 | 3.46 | 2.51 | 2.03 | 6.100 |
|
||
| MobileNetV2_x0_5 | 7.69 | 4.92 | 3.57 | 7.800 |
|
||
| MobileNetV2_x0_75 | 13.69 | 8.60 | 5.82 | 10.000 |
|
||
| MobileNetV2 | 20.74 | 12.71 | 8.10 | 14.000 |
|
||
| MobileNetV2_x1_5 | 40.79 | 24.49 | 15.50 | 26.000 |
|
||
| MobileNetV2_x2_0 | 67.50 | 40.03 | 25.55 | 43.000 |
|
||
| MobileNetV2_ssld | 20.71 | 12.70 | 8.06 | 14.000 |
|
||
| MobileNetV3_large_x1_25 | 24.52 | 14.76 | 9.89 | 29.000 |
|
||
| MobileNetV3_large_x1_0 | 16.55 | 10.09 | 6.84 | 21.000 |
|
||
| MobileNetV3_large_x0_75 | 11.53 | 7.06 | 4.94 | 16.000 |
|
||
| MobileNetV3_large_x0_5 | 6.50 | 4.22 | 3.15 | 11.000 |
|
||
| MobileNetV3_large_x0_35 | 4.43 | 3.11 | 2.41 | 8.600 |
|
||
| MobileNetV3_small_x1_25 | 7.88 | 4.91 | 3.45 | 14.000 |
|
||
| MobileNetV3_small_x1_0 | 5.63 | 3.65 | 2.60 | 12.000 |
|
||
| MobileNetV3_small_x0_75 | 4.50 | 2.96 | 2.19 | 9.600 |
|
||
| MobileNetV3_small_x0_5 | 2.89 | 2.04 | 1.62 | 7.800 |
|
||
| MobileNetV3_small_x0_35 | 2.23 | 1.66 | 1.43 | 6.900 |
|
||
| MobileNetV3_small_x0_35_ssld | | | | 6.900 |
|
||
| MobileNetV3_large_x1_0_ssld | 16.56 | 10.10 | 6.86 | 21.000 |
|
||
| MobileNetV3_large_x1_0_ssld_int8 | | | | 10.000 |
|
||
| MobileNetV3_small_x1_0_ssld | 5.64 | 3.67 | 2.61 | 12.000 |
|
||
| ShuffleNetV2 | 9.72 | 5.97 | 4.13 | 9.000 |
|
||
| ShuffleNetV2_x0_25 | 1.94 | 1.53 | 1.43 | 2.700 |
|
||
| ShuffleNetV2_x0_33 | 2.23 | 1.70 | 1.79 | 2.800 |
|
||
| ShuffleNetV2_x0_5 | 3.67 | 2.63 | 2.06 | 5.600 |
|
||
| ShuffleNetV2_x1_5 | 17.21 | 10.56 | 6.81 | 14.000 |
|
||
| ShuffleNetV2_x2_0 | 31.21 | 18.98 | 11.65 | 28.000 |
|
||
| ShuffleNetV2_swish | 31.21 | 9.06 | 5.74 | 9.100 |
|
||
| GhostNet_x0_5 | 5.28 | 3.95 | 3.29 | 10.000 |
|
||
| GhostNet_x1_0 | 12.89 | 8.66 | 6.72 | 20.000 |
|
||
| GhostNet_x1_3 | 19.16 | 12.25 | 9.40 | 29.000 |
|
||
| GhostNet_x1_3_ssld | 19.16 | 17.85 | 10.18 | 29.000 |
|
||
|
||
<a name='4'></a>
|
||
|
||
## 4. 基于 V100 GPU 的预测速度
|
||
|
||
| Models | Crop Size | Resize Short Size | FP32<br/>Batch Size=1<br/>(ms) | FP32<br/>Batch Size=4<br/>(ms) | FP32<br/>Batch Size=8<br/>(ms) |
|
||
| -------------------------------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
|
||
| MobileNetV1_x0_25 | 224 | 256 | 0.47 | 0.93 | 1.39 |
|
||
| MobileNetV1_x0_5 | 224 | 256 | 0.48 | 1.09 | 1.69 |
|
||
| MobileNetV1_x0_75 | 224 | 256 | 0.55 | 1.34 | 2.03 |
|
||
| MobileNetV1 | 224 | 256 | 0.64 | 1.57 | 2.48 |
|
||
| MobileNetV1_ssld | 224 | 256 | 0.66 | 1.59 | 2.58 |
|
||
| MobileNetV2_x0_25 | 224 | 256 | 0.83 | 1.17 | 1.78 |
|
||
| MobileNetV2_x0_5 | 224 | 256 | 0.84 | 1.45 | 2.04 |
|
||
| MobileNetV2_x0_75 | 224 | 256 | 0.96 | 1.62 | 2.53 |
|
||
| MobileNetV2 | 224 | 256 | 1.02 | 1.93 | 2.89 |
|
||
| MobileNetV2_x1_5 | 224 | 256 | 1.32 | 2.58 | 4.14 |
|
||
| MobileNetV2_x2_0 | 224 | 256 | 1.57 | 3.13 | 4.76 |
|
||
| MobileNetV2_ssld | 224 | 256 | 1.01 | 1.97 | 2.84 |
|
||
| MobileNetV3_large_x1_25 | 224 | 256 | 1.75 | 2.87 | 4.23 |
|
||
| MobileNetV3_large_x1_0 | 224 | 256 | 1.37 | 2.67 | 3.46 |
|
||
| MobileNetV3_large_x0_75 | 224 | 256 | 1.37 | 2.23 | 3.17 |
|
||
| MobileNetV3_large_x0_5 | 224 | 256 | 1.10 | 1.85 | 2.69 |
|
||
| MobileNetV3_large_x0_35 | 224 | 256 | 1.01 | 1.44 | 1.92 |
|
||
| MobileNetV3_small_x1_25 | 224 | 256 | 1.20 | 2.04 | 2.64 |
|
||
| MobileNetV3_small_x1_0 | 224 | 256 | 1.03 | 1.76 | 2.50 |
|
||
| MobileNetV3_small_x0_75 | 224 | 256 | 1.04 | 1.71 | 2.37 |
|
||
| MobileNetV3_small_x0_5 | 224 | 256 | 1.01 | 1.49 | 2.01 |
|
||
| MobileNetV3_small_x0_35 | 224 | 256 | 1.01 | 1.44 | 1.92 |
|
||
| MobileNetV3_small_x0_35_ssld | 224 | 256 | | | |
|
||
| MobileNetV3_large_x1_0_ssld | 224 | 256 | 1.35 | 2.47 | 3.72 |
|
||
| MobileNetV3_large_x1_0_ssld_int8 | 224 | 256 | | | |
|
||
| MobileNetV3_small_x1_0_ssld | 224 | 256 | 1.06 | 1.89 | 2.48 |
|
||
| ShuffleNetV2 | 224 | 256 | 1.05 | 1.76 | 2.37 |
|
||
| ShuffleNetV2_x0_25 | 224 | 256 | 0.92 | 1.27 | 1.73 |
|
||
| ShuffleNetV2_x0_33 | 224 | 256 | 0.91 | 1.29 | 1.81 |
|
||
| ShuffleNetV2_x0_5 | 224 | 256 | 0.89 | 1.43 | 1.94 |
|
||
| ShuffleNetV2_x1_5 | 224 | 256 | 0.93 | 1.99 | 2.85 |
|
||
| ShuffleNetV2_x2_0 | 224 | 256 | 1.45 | 2.70 | 3.35 |
|
||
| ShuffleNetV2_swish | 224 | 256 | 1.43 | 1.93 | 2.69 |
|
||
| GhostNet_x0_5 | 224 | 256 | 1.66 | 2.24 | 2.73 |
|
||
| GhostNet_x1_0 | 224 | 256 | 1.69 | 2.73 | 3.81 |
|
||
| GhostNet_x1_3 | 224 | 256 | 1.84 | 2.88 | 3.94 |
|
||
| GhostNet_x1_3_ssld | 224 | 256 | 1.85 | 3.17 | 4.29 |
|
||
|
||
<a name='5'></a>
|
||
|
||
## 5. 基于 T4 GPU 的预测速度
|
||
|
||
| Models | Crop Size | Resize Short Size | FP32<br>Batch Size=1<br>(ms) | FP32<br>Batch Size=4<br>(ms) | FP32<br>Batch Size=8<br>(ms) |
|
||
|-----------------------------|-----------------------|-----------------------|-----------------------|-----------------------|-----------------------|
|
||
| MobileNetV1_x0_25 | 224 | 256 | 0.47 | 0.93 | 1.39 |
|
||
| MobileNetV1_x0_5 | 224 | 256 | 0.48 | 1.09 | 1.69 |
|
||
| MobileNetV1_x0_75 | 224 | 256 | 0.55 | 1.34 | 2.03 |
|
||
| MobileNetV1 | 224 | 256 | 0.64 | 1.57 | 2.48 |
|
||
| MobileNetV1_ssld | 224 | 256 | 0.66 | 1.59 | 2.58 |
|
||
| MobileNetV2_x0_25 | 224 | 256 | 0.83 | 1.17 | 1.78 |
|
||
| MobileNetV2_x0_5 | 224 | 256 | 0.84 | 1.45 | 2.04 |
|
||
| MobileNetV2_x0_75 | 224 | 256 | 0.96 | 1.62 | 2.53 |
|
||
| MobileNetV2 | 224 | 256 | 1.02 | 1.93 | 2.89 |
|
||
| MobileNetV2_x1_5 | 224 | 256 | 1.32 | 2.58 | 4.14 |
|
||
| MobileNetV2_x2_0 | 224 | 256 | 1.57 | 3.13 | 4.76 |
|
||
| MobileNetV2_ssld | 224 | 256 | 1.01 | 1.97 | 2.84 |
|
||
| MobileNetV3_small_x0_35 | 224 | 256 | 1.01 | 1.44 | 1.92 |
|
||
| MobileNetV3_small_x0_5 | 224 | 256 | 1.01 | 1.49 | 2.01 |
|
||
| MobileNetV3_small_x0_75 | 224 | 256 | 1.04 | 1.71 | 2.37 |
|
||
| MobileNetV3_small_x1_0 | 224 | 256 | 1.03 | 1.76 | 2.50 |
|
||
| MobileNetV3_small_x1_25 | 224 | 256 | 1.20 | 2.04 | 2.64 |
|
||
| MobileNetV3_large_x0_35 | 224 | 256 | 1.10 | 1.74 | 2.34 |
|
||
| MobileNetV3_large_x0_5 | 224 | 256 | 1.10 | 1.85 | 2.69 |
|
||
| MobileNetV3_large_x0_75 | 224 | 256 | 1.37 | 2.23 | 3.17 |
|
||
| MobileNetV3_large_x1_0 | 224 | 256 | 1.37 | 2.67 | 3.46 |
|
||
| MobileNetV3_large_x1_25 | 224 | 256 | 1.75 | 2.87 | 4.23 |
|
||
| MobileNetV3_small_x1_0_ssld | 224 | 256 | 1.06 | 1.89 | 2.48 |
|
||
| MobileNetV3_large_x1_0_ssld | 224 | 256 | 1.35 | 2.47 | 3.72 |
|
||
| ShuffleNetV2_swish | 224 | 256 | 1.43 | 1.93 | 2.69 |
|
||
| ShuffleNetV2_x0_25 | 224 | 256 | 0.92 | 1.27 | 1.73 |
|
||
| ShuffleNetV2_x0_33 | 224 | 256 | 0.91 | 1.29 | 1.81 |
|
||
| ShuffleNetV2_x0_5 | 224 | 256 | 0.89 | 1.43 | 1.94 |
|
||
| ShuffleNetV2_x1_0 | 224 | 256 | 1.05 | 1.76 | 2.37 |
|
||
| ShuffleNetV2_x1_5 | 224 | 256 | 0.93 | 1.99 | 2.85 |
|
||
| ShuffleNetV2_x2_0 | 224 | 256 | 1.45 | 2.70 | 3.35 |
|
||
| GhostNet_x0_5 | 224 | 256 | 1.66 | 2.24 | 2.73 |
|
||
| GhostNet_x1_0 | 224 | 256 | 1.69 | 2.73 | 3.81 |
|
||
| GhostNet_x1_3 | 224 | 256 | 1.84 | 2.88 | 3.94 |
|
||
| GhostNet_x1_3_ssld | 224 | 256 | 1.85 | 3.17 | 4.29 |
|