MobileNetV2 é otimizada para redes neurais em dispositivos móveis

São Paulo — InkDesign News — Nesta semana, destacamos o MobileNetV2, uma arquitetura inovadora no campo do deep learning, que combina eficiência e alta precisão, sendo uma forte candidata para aplicações em dispositivos móveis.

Arquitetura de modelo

O MobileNetV2 foi desenvolvido para ser significativamente menor e mais eficiente em comparação com suas versões anteriores. A arquitetura faz uso de convoluções separáveis por profundidade e inovações como os blocos de resíduo invertidos e gargalos lineares. Essa abordagem permite que o modelo aprenda padrões mais complexos, mantendo um custo computacional reduzido.

“A arquitetura foi projetada para ser leve e permitir o aprendizado de padrões complexos.”
(“The architecture was designed to be lightweight and allow for the learning of complex patterns.”)

— Mark Sandler, Pesquisador, Google

Treinamento e otimização

O treinamento do MobileNetV2 envolve ajuste de parâmetros, como o fator de largura e a resolução de entrada, impactando a precisão e eficiência do modelo. Resultados experimentais indicam que modelos otimizados com fator de largura 0.5 ou 0.75 alcançam um desempenho substancial em datasets gerais, como o ImageNet.

Resultados e métricas

Após testes, o modelo demonstrou ser mais eficiente que sua versão anterior, MobileNetV1, com métricas superiores em todos os aspectos. Obteve uma capacidade de 3.505.960 parâmetros treináveis, equilibrando custo computacional e precisão, crucial para dispositivos com recursos limitados.

“Embora o MobileNetV1 já fosse leve, o V2 melhorou ainda mais o desempenho em todas as métricas.”
(“While MobileNetV1 was already lightweight, V2 has improved performance across all metrics.”)

— Andrew G. Howard, Pesquisador, Google

O MobileNetV2 não apenas redefine a eficiência em modelos de machine learning, mas também abre novas possibilidades em aplicações práticas, como reconhecimento facial, detecção de objetos e sistemas autônomos. As próximas etapas de pesquisa devem focar na adaptação desta arquitetura para cenários em tempo real e em dispositivos com restrições de energia.