你们使用Edge AI吗？
Edge AI是MobileNet V2，不是吗？
前几天，发布了后续产品MobileNet V3。
世界各地的工程师已经对MobileNet V3进行了基准测试，但是
我也想对自己进行基准测试。
在本文中，我想使用Keras对MobileNet V3进行基准测试。
(该图摘自论文)
整个代码可在Github上找到。
组态
MobileNet V3
- 该代码是从这里借来的。
- 在初始化状态下学习权重。
-
V3中有
small 和large ，但我假设small 将在Raspberry Pi的CPU上运行，所以我采用了small 。 - 模型大小将取决于$ \\ alpha $的值。 $ \\ alpha $越大，则精度越高，但速度越慢。
MobileNet V2
- Keras是V2的标准配置并使用它。
- 权重已经被训练，但是像V3一样，它们在初始化状态下被训练。
- $ \\ Alpha $具有与V3相同的规格。
其他
- 数据集使用cifar-10。
- 实验是在协作实验室(GPU)上进行的。
- 批处理大小为1024，纪元为100，优化方法为Adam(lr = 0.001)，使用数据增强。
结果
精度比较
让我们看一下您关心的准确性。
下图显示了每个模型训练10次后的准确性结果。
与V2相比，V3具有更好的精度和更少的变化。
如果V3的推理时间很快，那么使用V3似乎更好。
推理时间比较
我试图通过在Colaboratory中执行1000次来检索中位数等，但是在Colaboratory中
也许有一个习惯，每次执行时测量时间都会波动。 (内存和使用时间的影响吗？)
但是，相对推理时间关系没有中断，因此相对比较似乎在某种程度上是可信的。
下图显示了每个模型运行1000次后的平均推断时间。
*请不要相信推断时间值。
*()中的值为$ \\ alpha $的值。
具有漂亮的向上斜率，并且V2(0.5)和V2(1)之差较大。
另外，它是$ V2(1)\\ fallendotseq V3(0.2)$，考虑到精度，V3(0.2)为
似乎最好采用它。
汇总在表中。
<表格>
<身体>
到目前为止，似乎没有替代V3中的V2(0.5)。
学习时间比较
如上所述，测量时间在每次执行时都会改变，因此此处无法测量。
但是，我的印象是V2和V3之间的学习时间并没有太大差异。
重量尺寸比较
<表格>
<身体>
V2绝对更轻。
另外，V3权重的大小似乎并不太依赖$ \\ alpha $。
关于转学
考虑到实际使用情况，我认为很少需要从头开始训练模型。
通常，会使用转移学习，但是目前，已发布在Keras中学习的权重(V3)。
不是 ...但是，它已在Pytorch上发布。
https://github.com/d-li14/mobilenetv3.pytorch
如何将Pytorch模型转换为Keras或TensorFlow lite模型
我认为以下文章会有所帮助。
https://qiita.com/lain21/items/9f9f9707ebad4bbc627d
让我们了解更多的转让。
我尝试在Raspberry Pi上运行它
我尝试使用Raspberry Pi进行实时识别。
单击此处获取代码。
- 使用的设备：Raspberry Pi3 B型
- 外部GPU：未使用
- V3小$ \\ alpha = 0.2 $
- 输入图像尺寸：32 x 32 x 3
速度约为15到20 FPS。
以这种速度，似乎可以进行实时处理。
顺便说一句，如果输入尺寸为96 x 96 x 3，则为10 FPS。
概要
- MobileNet V3不能替代V2，而是它的扩展。换句话说，当您说"我想获得比V2更高的精度，但是即使处理速度稍慢一点也可以"时，最好使用它。
- 但是，即使使用V3，速度也不会降低太多。
- 最终，如果减小输入图像的大小，则V3的速度将增加，因此，如果对其进行调整，则可能"速度与V2相同，但精度更高"。