图像分类 / 20

MobileNet

轻量卷积分类网络系列

MobileNet以深度可分离卷积显著减少参数量和乘加计算，并通过宽度与分辨率系数调节资源消耗，是移动端和边缘分类的经典骨干。代表性参数规模为约 2.5M–6.9M（V1/V2/V3 常见配置），性能定位是低计算量、低功耗，精度上限低于大型骨干。适合低功耗视觉终端、高速产品分类和边缘特征提取。

PARAMETERS

参考参数与输入输出

代表性参数量约 2.5M–6.9M（V1/V2/V3 常见配置）

输入RGB 图像；常用 224×224

输出图像类别概率或通用特征向量

算力与部署CPU、移动端 NPU、GPU 与边缘加速器

参数量是公开代表性配置或合理范围，不同骨干、类别数、输入尺寸和实现版本会改变结果；详细实施时以选定配置导出的模型信息为准。

PERFORMANCE

低计算量、低功耗，精度上限低于大型骨干。比 ResNet/ConvNeXt 更轻更快，但精度和特征表达能力通常较低。网站不使用脱离条件的单一 FPS 或 mAP 数字作为承诺，因为数据集、输入尺寸、精度模式、批量大小、GPU 型号和后处理口径都会显著改变测试结果。

CHARACTERISTICS & USE CASES

MODEL COMPARISON

模型	参考参数规模	速度	精度定位	部署	优先场景
MobileNet当前	约 2.5M–6.9M（V1/V2/V3 常见配置）	很高	中	成熟	低功耗视觉终端
ResNet	约 11.7M/25.6M/44.5M（18/50/101）	高	高	成熟	工业图像分类
VGG	约 138M/144M（VGG16/VGG19）	中低	中	成熟	教学与算法对照
ConvNeXt	约 28.6M–197.8M（Tiny 至 Large）	中	很高	较成熟	高精度产品分类
YOLO Classify	约 2.7M–57M（随版本和尺度变化）	很高	高	成熟	整图缺陷判级

表中“速度、精度、部署”为同类别内的定性定位，用于缩小候选范围，不替代同一测试集、同一硬件和同一精度模式下的实测。

SELECTION SUMMARY

MobileNet适合优先考虑低功耗视觉终端、高速产品分类、边缘特征提取的项目。它的主要价值是深度可分离卷积降低计算成本；需要重点评估细粒度类别和复杂纹理的精度上限受限、硬件对深度卷积的优化程度会影响实际速度。

建议先用企业真实数据建立基线，再统一测试准确率、召回率、误检率、单张延迟、峰值显存和导出兼容性，最后确定模型规模与部署方式。