MobileNet

MobileNetV1 se publicó en abril de 2017. ^{[ 1 ] [ 2 ]} Su principal innovación arquitectónica fue la incorporación de convoluciones separables en profundidad . Fue desarrollado por primera vez por Laurent Sifre durante una pasantía en Google Brain en 2013 como una variación arquitectónica de AlexNet para mejorar la velocidad de convergencia y el tamaño del modelo. ^{[ 3 ]}

La convolución separable en profundidad descompone una única convolución estándar en dos convoluciones: una convolución en profundidad que filtra cada canal de entrada de forma independiente y una convolución puntual (${\displaystyle 1\times 1}$convolución) que combina las salidas de la convolución en profundidad. Esta factorización reduce significativamente el costo computacional.

MobileNetV1 tiene dos hiperparámetros: un multiplicador de ancho${\displaystyle \alpha }$que controla el número de canales en cada capa. Valores más pequeños de${\displaystyle \alpha }$conducen a modelos más pequeños y rápidos, pero a costa de una menor precisión y un multiplicador de resolución.${\displaystyle \rho }$, que controla la resolución de entrada de las imágenes. Las resoluciones más bajas dan como resultado un procesamiento más rápido, pero potencialmente una menor precisión.

MobileNetV2 se publicó en marzo de 2019. ^{[ 4 ] [ 5 ]} Utiliza capas residuales invertidas y cuellos de botella lineales .

Los residuos invertidos modifican la estructura tradicional del bloque residual. En lugar de comprimir los canales de entrada antes de la convolución en profundidad, los expanden . Esta expansión es seguida por una${\displaystyle 1\times 1}$convolución en profundidad y luego una${\displaystyle 1\times 1}$Capa de proyección que reduce el número de canales. Esta estructura invertida ayuda a mantener la capacidad de representación al permitir que la convolución en profundidad opere en un espacio de características de mayor dimensión, preservando así un mayor flujo de información durante el proceso convolucional.

Los cuellos de botella lineales eliminan la función de activación ReLU típica en las capas de proyección. Esto se justificó argumentando que la activación no lineal pierde información en espacios de menor dimensión, lo cual resulta problemático cuando el número de canales ya es pequeño.

MobileNetV3 se publicó en 2019. ^{[ 6 ] [ 7 ]} La publicación incluyó MobileNetV3-Small, MobileNetV3-Large y MobileNetEdgeTPU (optimizado para Pixel 4 ). Se encontraron mediante una forma de búsqueda de arquitectura neuronal (NAS) que toma en cuenta la latencia móvil, para lograr un buen equilibrio entre precisión y latencia. ^{[ 8 ] [ 9 ]} Usó aproximaciones lineales por partes de las funciones de activación swish y sigmoide (que llamaron "h-swish" y "h-sigmoide"), módulos de compresión y excitación , ^{[ 10 ]} y los cuellos de botella invertidos de MobileNetV2.

MobileNetV4 se publicó en septiembre de 2024. ^{[ 11 ] [ 12 ]} La publicación incluyó una gran cantidad de arquitecturas encontradas por NAS.

Inspirada en Vision Transformers , la serie V4 incluyó atención de consultas múltiples . ^{[ 13 ]} También unificó tanto el residuo invertido como el cuello de botella invertido de la serie V3 con el "cuello de botella invertido universal", que incluye estos dos como casos especiales.

La arquitectura de MobileNetV5 se publicó poco después del lanzamiento de Gemma 3n en junio de 2025 ^{[ 14 ]} . Si bien el anuncio indicaba que pronto estaría disponible un informe técnico sobre MobileNetV5, este aún no se ha materializado. La red es 10 veces más grande que la variante V4 más grande ^{[ 14 ]} .