# モバイル最適化

Llamaアーキテクチャに基づくコンパクトな言語モデルで、英語とポルトガル語をサポート、パラメータ数9600万、4096トークンのコンテキスト長に対応。

DeepSeek-R1-Distill-Qwen-1.5Bの複数のバリエーションを基に、LiteRTフレームワークとMediaPipe LLM推論APIに適合し、Androidプラットフォームにデプロイ可能です。

Llama 3.2はMetaが提供する1Bおよび3Bパラメータ規模の多言語事前学習および指示チューニング生成モデルで、多言語対話ユースケースに最適化されており、8つの公式言語をサポートしています。

SAM 2.1 TinyはFacebook AI Research (FAIR)が開発した軽量な画像・動画汎用セグメンテーションモデルで、プロンプトベースの制御可能な視覚セグメンテーションをサポートします。

Llama 3.2はMetaが提供する多言語大規模言語モデルのコレクションで、1Bおよび3Bパラメータ規模の事前学習版と指示チューニング版を含み、多言語対話ユースケース向けに最適化され、8つの公式言語をサポートしています。

Depth Anything V2 はDPTアーキテクチャに基づく深度推定モデルで、DINOv2バックボーンネットワークを採用し、大規模な合成データと実データでトレーニングされ、精密かつロバストな深度予測を実現します。

Imp-v1.5-4B-Phi3は高性能で軽量なマルチモーダル大規模モデルで、わずか40億パラメータを持ち、Phi-3フレームワークとSigLIP視覚エンコーダーに基づいて構築されています。

Depth AnythingはDPTアーキテクチャとDINOv2バックボーンネットワークに基づく深度推定モデルで、約6200万枚の画像で訓練され、相対的および絶対的深度推定タスクで最先端の結果を達成しています。

MobileCLIP S2 は軽量な視覚-言語モデルで、画像特徴抽出とゼロショット画像分類タスクに特化しています。

MobileCLIP S0は、Appleのml-mobileclipプロジェクトのONNX対応バージョンで、モバイルデバイス向けに最適化されたゼロショット画像分類モデルです。

MobileNet V2はモバイルデバイス向けに設計された軽量な畳み込みニューラルネットワークで、遅延、モデルサイズ、精度のバランスを実現しています。

MobileViTv2アーキテクチャとDeepLabV3ヘッドを組み合わせたセマンティックセグメンテーションモデルで、PASCAL VOCデータセットで512x512解像度で事前学習済み

MobileNetV2アーキテクチャに基づいて微調整された植物病害識別モデルで、プラントビレッジデータセットで95.41%の精度を達成

EfficientNetは、深さ、幅、解像度を統一してスケーリングすることで高性能な画像分類を実現する効率的な畳み込みニューラルネットワークです

EfficientNetはモバイルフレンドリーな純粋な畳み込みモデルで、複合係数による深さ/幅/解像度の統一スケーリングを行い、ImageNet-1kデータセットで学習されています

EfficientNetはモバイルフレンドリーな純粋な畳み込みモデルで、複合係数を用いて深さ、幅、解像度の次元を統一調整し、ImageNet-1kデータセットで学習されています。

EfficientNetはモバイルフレンドリーな純粋な畳み込みニューラルネットワークで、複合係数により深さ/幅/解像度の次元を統一調整し、効率的なスケーリングを実現

EfficientNetはモバイルフレンドリーな純粋な畳み込みモデルで、複合係数による深さ/幅/解像度の統一スケーリングにより、画像分類タスクで優れた性能を発揮します。

EfficientNetはモバイルフレンドリーな純粋な畳み込みニューラルネットワークで、複合係数により深さ/幅/解像度の次元を統一調整することで効率的なスケーリングを実現します。

EfficientNetはモバイルフレンドリーな純粋な畳み込みモデルで、複合係数による深さ/幅/解像度の統一スケーリングを行い、ImageNet-1kデータセットで学習されています。

EfficientFormer-L3はSnap Researchが開発した軽量なVision Transformerモデルで、モバイルデバイス向けに最適化されており、高性能を維持しながら低遅延を実現しています。

MobileNet V1はモバイルデバイス向けに設計された軽量な畳み込みニューラルネットワークで、画像分類タスクにおいて遅延、モデルサイズ、精度のバランスを取っています。

MobileNet V1は、モバイルおよび組み込み向けの軽量な畳み込みニューラルネットワークで、ImageNet-1kデータセットで事前学習されています。

MobileNetV2アーキテクチャとDeepLabV3+セグメンテーションヘッドを組み合わせた軽量セマンティックセグメンテーションモデルで、PASCAL VOCデータセットで事前学習済み

MobileNet V2は、モバイルデバイス向けに最適化された小型・低遅延・低消費電力の視覚モデルです

MobileNet V2はモバイルデバイス向けに最適化された軽量なコンピュータビジョンモデルで、画像分類タスクで優れた性能を発揮します。

MobileNet V2はモバイルデバイス向けに最適化された軽量視覚モデルで、画像分類タスクで優れた性能を発揮します。

ImageNet-1kデータセットで事前学習された軽量画像分類モデル、モバイルデバイス向けに最適化設計

MobileNet V2はモバイルデバイス向けに設計された軽量な畳み込みニューラルネットワークで、画像分類タスクで優れた性能を発揮します。

MobileNet V2はモバイルデバイス向けに設計された軽量な畳み込みニューラルネットワークで、画像分類タスクで優れた性能を発揮します。

MobileNet V1は、モバイルおよび組み込み向けの視覚アプリケーション向けに設計された軽量な畳み込みニューラルネットワークで、ImageNet-1kデータセットで事前学習されています。

PASCAL VOCデータセットで事前学習された軽量セマンティックセグメンテーションモデル、MobileViTとDeepLabV3アーキテクチャを組み合わせ

軽量なビジョントランスフォーマーモデルで、MobileNetV2とトランスフォーマーモジュールを組み合わせ、モバイル向けセマンティックセグメンテーションタスクに適しています。

軽量な視覚Transformerモデルで、MobileNetV2とTransformerモジュールを組み合わせ、モバイル端末向けセマンティックセグメンテーションタスクに適している

MobileViTは、軽量で低遅延の視覚Transformerモデルで、CNNとTransformerの利点を組み合わせており、モバイルデバイスに適しています。

TensorFlow 2とPyTorchベースの光学文字認識(OCR)モデル、文書画像内のテキスト検出と認識をサポート

MobileBERTアーキテクチャに基づく質問応答モデルで、SQuAD v2データセット向けにファインチューニングされています

このモデルは、大文字小文字を区別しないMobileBERTモデルを多ジャンル自然言語推論（MNLI）タスクでファインチューニングしたバージョンで、ゼロショット分類タスクに適しています。

MobileBERTは、モバイルデバイス向けに最適化された軽量なBERTの変種で、効率的な推論速度と小さなモデルサイズを特徴とします。