MobileNetคือตระกูลของ สถาปัตยกรรม โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ที่ออกแบบมาสำหรับการจำแนกภาพการตรวจจับวัตถุและงานด้านคอมพิวเตอร์วิชันอื่นๆ โดยได้รับการออกแบบให้มีขนาดเล็ก ความหน่วงต่ำ และการใช้พลังงานต่ำ ทำให้เหมาะสำหรับการประมวลผลบนอุปกรณ์และการประมวลผลแบบเอดจ์บนอุปกรณ์ที่มีทรัพยากรจำกัด เช่นโทรศัพท์มือถือและระบบฝังตัวเดิมทีได้รับการออกแบบมาให้ทำงานได้อย่างมีประสิทธิภาพบนอุปกรณ์พกพาด้วยTensorFlow Lite

ความต้องการโมเดลการเรียนรู้เชิงลึกที่มีประสิทธิภาพบนอุปกรณ์พกพา ทำให้ทีมนักวิจัยของGoogleพัฒนา MobileNet ขึ้นมา ณ เดือนมิถุนายน 2025 ตระกูลนี้มีทั้งหมดห้าเวอร์ชัน โดยแต่ละเวอร์ชันมีการพัฒนาประสิทธิภาพและความคล่องตัวให้ดีขึ้นกว่าเวอร์ชันก่อนหน้า

MobileNetV1 ได้รับการเผยแพร่ในเดือนเมษายน พ.ศ. 2560 ^{[ 1 ] [ 2 ]}นวัตกรรมทางสถาปัตยกรรมหลักคือการรวมconvolution แบบแยกส่วนเชิงลึก โดยได้รับการพัฒนาครั้งแรกโดย Laurent Sifre ในระหว่างการฝึกงานที่Google Brainในปี พ.ศ. 2556 ในฐานะรูปแบบสถาปัตยกรรมของAlexNetเพื่อปรับปรุงความเร็วในการบรรจบกันและขนาดของโมเดล^{[ 3 ]}

การแปลงแบบแยกส่วนตามความลึก (depthwise separable convolution) จะแยกการแปลงแบบมาตรฐานหนึ่งเดียวออกเป็นสองการแปลง: การแปลงแบบตามความลึกที่กรองแต่ละช่องสัญญาณอินพุตอย่างอิสระ และการแปลงแบบจุดต่อจุด (pointwise convolution) ที่รวมเอาผลลัพธ์ของการแปลงแบบตามความลึกเข้าด้วยกัน การแยกส่วนนี้ช่วยลดต้นทุนการคำนวณได้อย่างมาก ${\displaystyle 1\times 1}$

MobileNetV1 มีพารามิเตอร์สองตัว ได้แก่ตัวคูณความกว้าง ที่ควบคุมจำนวนช่องสัญญาณในแต่ละเลเยอร์ ค่าที่น้อยลงจะทำให้โมเดลมีขนาดเล็กลงและประมวลผลได้เร็วขึ้น แต่จะทำให้ความแม่นยำลดลง และตัวคูณความละเอียดซึ่งควบคุมความละเอียดของภาพอินพุต ความละเอียดที่ต่ำลงจะทำให้การประมวลผลเร็วขึ้น แต่ความแม่นยำอาจลดลง ${\displaystyle \alpha }$${\displaystyle \alpha }$${\displaystyle \rho }$

MobileNetV2 ได้รับการเผยแพร่ในเดือนมีนาคม พ.ศ. 2562 ^{[ 4 ] [ 5 ]}โดยใช้เลเยอร์ตกค้างแบบกลับด้านและคอขวดเชิงเส้น

โครงสร้างแบบ Inverted residuals จะปรับเปลี่ยนโครงสร้างบล็อก residual แบบดั้งเดิม แทนที่จะบีบอัดช่องสัญญาณอินพุตก่อนการ convolution แบบ depthwise มันจะขยาย ช่องสัญญาณ เหล่านั้น การขยายนี้จะตามด้วยการ convolution แบบ depthwise และจากนั้นเลเยอร์ projection ที่ลดจำนวนช่องสัญญาณลง โครงสร้างแบบกลับด้านนี้ช่วยรักษาความสามารถในการแสดงผลโดยอนุญาตให้ convolution แบบ depthwise ทำงานในพื้นที่คุณลักษณะที่มีมิติสูงกว่า จึงช่วยรักษาการไหลของข้อมูลได้มากขึ้นในระหว่างกระบวนการ convolution ${\displaystyle 1\times 1}$${\displaystyle 1\times 1}$

วิธีแก้ปัญหาคอขวดเชิงเส้น (Linear bottlenecks) จะขจัดฟังก์ชันการกระตุ้น ReLU ทั่วไปในเลเยอร์การฉายภาพ โดยให้เหตุผลว่าการกระตุ้นแบบไม่เชิงเส้นจะทำให้สูญเสียข้อมูลในพื้นที่มิติที่ต่ำกว่า ซึ่งเป็นปัญหาเมื่อจำนวนช่องสัญญาณมีน้อยอยู่แล้ว

MobileNetV3 ได้รับการเผยแพร่ในปี 2019 ^{[ 6 ] [ 7 ]}การเผยแพร่นี้รวมถึง MobileNetV3-Small, MobileNetV3-Large และ MobileNetEdgeTPU (ปรับให้เหมาะสมสำหรับPixel 4 ) ซึ่งค้นพบโดยการค้นหาสถาปัตยกรรมโครงข่ายประสาทเทียม (NAS) รูปแบบหนึ่งที่คำนึงถึงความหน่วงแฝงของอุปกรณ์เคลื่อนที่ เพื่อให้ได้ความสมดุลที่ดีระหว่างความแม่นยำและความหน่วงแฝง^{[ 8 ] [ 9 ]}โดยใช้การประมาณเชิงเส้นแบบแบ่งส่วนของฟังก์ชันการกระตุ้นswishและsigmoid (ซึ่งพวกเขาเรียกว่า "h-swish" และ "h-sigmoid") โมดูลsqueeze-and-excitation ^{[ 10 ]}และ bottlenecks แบบกลับด้านของ MobileNetV2

MobileNetV4 ได้รับการเผยแพร่ในเดือนกันยายน พ.ศ. 2567 ^{[ 11 ] [ 12 ]}การเผยแพร่ดังกล่าวรวมถึงสถาปัตยกรรมจำนวนมากที่พบโดย NAS

ได้รับแรงบันดาลใจจากVision Transformersซีรี่ส์ V4 จึงรวมเอาความสนใจแบบหลายคำถาม ไว้ ด้วย^{[ 13 ]}นอกจากนี้ยังรวมทั้งส่วนตกค้างแบบกลับด้านและคอขวดแบบกลับด้านจากซีรี่ส์ V3 เข้ากับ "คอขวดแบบกลับด้านสากล" ซึ่งรวมทั้งสองอย่างนี้ไว้เป็นกรณีพิเศษ

สถาปัตยกรรมของ MobileNetV5 ได้รับการเผยแพร่ไม่นานหลังจากการเปิดตัว Gemma 3n ในเดือนมิถุนายน 2025 ^{[ 14 ]} แม้ว่าการประกาศจะระบุว่ารายงานทางเทคนิคเกี่ยวกับ MobileNetV5 จะพร้อม ใช้ งานในเร็วๆ นี้ แต่ก็ยังไม่ปรากฏให้เห็น เครือข่ายมีขนาดใหญ่กว่ารุ่น V4 ที่ใหญ่ที่สุดถึง 10 เท่า^{[ 14 ]}

• โครงข่ายประสาทเทียมแบบคอนโวลูชัน
• การเรียนรู้เชิงลึก
• เทนเซอร์โฟลว์ ไลท์

• "mobilenet" . GitHub . สืบค้นเมื่อ 2024-10-18 .
• "เอกสารประกอบของ Keras : MobileNet, MobileNetV2 และ MobileNetV3" Keras สืบค้นเมื่อ 18 ตุลาคม 2024