OpenVINO™ ツールキットのインテルによる事前トレーニング済みモデル概要

オブジェクト検出モデル¶

いくつかの検出モデルを使用して、顔、人、車両などの最も一般的なオブジェクトのセットを検出できます。ほとんどのネットワークは SSD ベースであり、精度とパフォーマンスの適度なトレードオフを提供します。同じ種類のオブジェクトを検出するネットワーク (例えば、face-detection-adas-0001 と face-detection-retail-0004) では、パフォーマンスは低下しますが、より高い精度とより幅広い適用性を選択できるため、“より大きな” ネットワークを使用すると、同じ種類のオブジェクトをさらに適切に検出できます。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
faster-rcnn-resnet101-coco-sparse-60-0001	364.21	52.79
face-detection-adas-0001	2.835	1.053
face-detection-retail-0004	1.067	0.588
face-detection-retail-0005	0.982	1.021
face-detection-0200	0.785	1.828
face-detection-0202	1.767	1.842
face-detection-0204	2.405	1.851
face-detection-0205	2.853	2.392
face-detection-0206	339.597	69.920
person-detection-retail-0002	12.427	3.244
person-detection-retail-0013	2.300	0.723
person-detection-action-recognition-0005	7.140	1.951
person-detection-action-recognition-0006	8.225	2.001
person-detection-action-recognition-teacher-0002	7.140	1.951
person-detection-raisinghand-recognition-0001	7.138	1.951
person-detection-0200	0.786	1.817
person-detection-0201	1.768	1.817
person-detection-0202	3.143	1.817
person-detection-0203	6.519	2.394
person-detection-0301	79318.2158	55.557
person-detection-0302	370.208	51.164
person-detection-0303	24.758	3.630
person-detection-0106	404.264	71.565
pedestrian-detection-adas-0002	2.836	1.165
pedestrian-and-vehicle-detector-adas-0001	3.974	1.650
vehicle-detection-adas-0002	2.798	1.079
vehicle-detection-0200	0.786	1.817
vehicle-detection-0201	1.768	1.817
vehicle-detection-0202	3.143	1.817
person-vehicle-bike-detection-crossroad-0078	3.964	1.178
person-vehicle-bike-detection-crossroad-1016	3.560	2.887
person-vehicle-bike-detection-crossroad-yolov3-1020	65.984	61.922
person-vehicle-bike-detection-2000	0.787	1.821
person-vehicle-bike-detection-2001	1.770	1.821
person-vehicle-bike-detection-2002	3.163	1.821
person-vehicle-bike-detection-2003	6.550	2.416
person-vehicle-bike-detection-2004	1.811	2.327
vehicle-license-plate-detection-barrier-0106	0.349	0.634
product-detection-0001	3.598	3.212
person-detection-asl-0001	0.986	1.338
yolo-v2-ava-0001	29.38	48.29
yolo-v2-ava-sparse-35-0001	29.38	48.29
yolo-v2-ava-sparse-70-0001	29.38	48.29
yolo-v2-tiny-ava-0001	6.975	15.12
yolo-v2-tiny-ava-sparse-30-0001	6.975	15.12
yolo-v2-tiny-ava-sparse-60-0001	6.975	15.12
yolo-v2-tiny-vehicle-detection-0001	5.424	11.229
smartlab-object-detection-0001	1.077	0.8908
smartlab-object-detection-0002	1.073	0.8894
smartlab-object-detection-0003	1.077	0.8908
smartlab-object-detection-0004	1.073	0.8894

オブジェクト認識モデル¶

オブジェクト認識モデルは、分類、回帰、文字認識に使用されます。これらのネットワークは、それぞれの検出器の後に使用します (例えば、顔検出後の年齢/性別認識)。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
age-gender-recognition-retail-0013	0.094	2.138
head-pose-estimation-adas-0001	0.105	1.911
license-plate-recognition-barrier-0001	0.328	1.218
vehicle-attributes-recognition-barrier-0039	0.126	0.626
vehicle-attributes-recognition-barrier-0042	0.462	11.177
emotions-recognition-retail-0003	0.126	2.483
landmarks-regression-retail-0009	0.021	0.191
facial-landmarks-98-detection-0001	0.6	9.66
facial-landmarks-35-adas-0002	0.042	4.595
person-attributes-recognition-crossroad-0230	0.174	0.735
person-attributes-recognition-crossroad-0234	2.167	23.510
person-attributes-recognition-crossroad-0238	1.034	21.797
gaze-estimation-adas-0002	0.139	1.882

再識別モデル¶

ビデオ内のオブジェクトの正確な追跡は、コンピューター・ビジョンの一般的な用途です (人数カウントなど)。多くの場合、“比較的長いオブジェクトの不在” として表現できるイベントによって状況は複雑になります。例えば、オクルージョンやフレーム外の動きによって発生する可能性があります。このような場合、画像内の現在の位置や、最後に位置が判明してからの経過時間に関係なく、オブジェクトを “前に見た” ものとして認識するほうがよいでしょう。

このシナリオでは、次のネットワークを使用できます。人物の画像を取得し、埋め込み (人物の外観を表す高次元空間のベクトル) を評価します。このベクトルはさらなる評価に使用できます: 同じ人物に対応する画像には、L2 メトリック (ユークリッド距離) による “近い” 埋め込みベクトルが含まれます。

パフォーマンスと精度の間でさまざまなトレードオフを持つモデルが複数あります (モデルが大きいほどパフォーマンスが向上すると予想されます)。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
face-reidentification-retail-0095	0.588	1.107
person-reidentification-retail-0288	0.174	0.183
person-reidentification-retail-0287	0.564	0.595
person-reidentification-retail-0286	1.170	1.234
person-reidentification-retail-0277	1.993	2.103

セマンティック・セグメント化モデル¶

セマンティックのセグメント化は、オブジェクト検出問題の拡張です。セマンティック・セグメント化モデルは、境界ボックスを返す代わりに、入力画像の “ペイントされた” バージョンを返します。ここで、各ピクセルの “色” は特定のクラスを表します。これらのネットワークは、それぞれの物体検出ネットワークよりもはるかに大規模ですが、物体の (ピクセルレベルでの) 位置特定が向上し、複雑な形状の領域 (道路上の空きスペースなど) を検出できます。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
road-segmentation-adas-0001	4.770	0.184
semantic-segmentation-adas-0001	58.572	6.686
unet-camvid-onnx-0001	260.1	31.03
icnet-camvid-ava-0001	151.82	25.45
icnet-camvid-ava-sparse-30-0001	151.82	25.45
icnet-camvid-ava-sparse-60-0001	151.82	25.45

インスタンス・セグメント化モデル¶

インスタンスのセグメント化は、オブジェクト検出とセマンティックのセグメント化の問題の拡張です。各オブジェクト・インスタンスの周囲の境界ボックスを予測する代わりに、インスタンスのセグメント化モデルはすべてのインスタンスのピクセル単位のマスクを出力します。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
instance-segmentation-security-0002	423.0842	48.3732
instance-segmentation-security-0091	828.6324	101.236
instance-segmentation-security-0228	147.2352	49.8328
instance-segmentation-security-1039	13.9672	10.5674
instance-segmentation-security-1040	29.334	13.5673
instance-segmentation-person-0007	4.8492	7.2996

人物姿勢推定モデル¶

人物の姿勢推定タスクは、入力画像やビデオ内のすべての人物のポーズ、つまりキーポイントとキーポイント間の接続で構成される体の骨格を予測します。キーポイントは体の関節、つまり耳、目、鼻、肩、膝などです。これには、トップダウンとボトムアップの 2 つの主要なグループがあります。最初に、特定のフレーム内で人物を検出し、検出をトリミングまたは再スケールしてから、検出ごとに姿勢推定ネットワークを実行します。これらの方法は非常に正確です。2 つ目では、指定されたフレーム内のすべてのキーポイントを検索し、人物インスタンスごとにグループ化します。これにより、ネットワークが 1 回だけ実行されるため、前よりも高速になります。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
human-pose-estimation-0001	15.435	4.099
human-pose-estimation-0005	5.9393	8.1504
human-pose-estimation-0006	8.8720	8.1504
human-pose-estimation-0007	14.3707	8.1504

画像処理¶

ディープラーニング・モデルは、出力の品質を向上させるため、さまざまな画像処理タスクに応用できます。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
single-image-super-resolution-1032	11.654	0.030
single-image-super-resolution-1033	30.97	16.062
text-image-super-resolution-0001	1.379	0.003

テキスト検出¶

さまざまなアプリケーションでのテキスト検出のためのディープラーニング・モデル。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
text-detection-0003	51.256	6.747
text-detection-0004	23.305	4.328
horizontal-text-detection-0001	7.718	2.259

テキスト認識¶

さまざまなアプリケーションでのテキスト認識のためのディープラーニング・モデル。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
text-recognition-0012	1.485	5.568
text-recognition-0014	0.5442	2.839
text-recognition-0015
encoder	12.4	398
decoder	0.03	4.33
text-recognition-0016
encoder	9.27	88.1
decoder	0.08	4.28
handwritten-score-recognition-0003	0.792	5.555
handwritten-japanese-recognition-0001	117.136	15.31
handwritten-simplified-chinese-recognition-0001	134.513	17.270
handwritten-english-recognition-0001	1.3182	0.1413
formula-recognition-medium-scan-0001
encoder	16.56	1.86
decoder	1.69	2.56
formula-recognition-polynomials-handwritten-0001
encoder	12.8447	0.2017
decoder	8.6838	2.5449

テキスト・スポッティング¶

テキスト・スポッティング (検出と認識の同時) のためのディープラーニング・モデル。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
text-spotting-0005
text-spotting-0005-detector	184.495	27.010
text-spotting-0005-recognizer-encoder	2.082	1.328
text-spotting-0005-recognizer-decoder	0.002	0.273

動作認識モデル¶

行動認識モデルは、短いビデオクリップ (入力ビデオからサンプリングされたフレームを累積することによって形成されるテンソル) で実行されているアクションを予測します。一部のモデル (例えば、driver-action-recognition-adas-0002 では、事前に計算された高レベルの空間または時空間) 特徴 (埋め込み) を個々のクリップの断片から使用し、それらを時間モデルに集約して、分類スコアを持つベクトルを予測します。埋め込みを計算するモデルはエンコーダーと呼ばれ、実際のラベルを予測するモデルはデコーダーと呼ばれます。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
driver-action-recognition-adas-0002
driver-action-recognition-adas-0002-encoder	0.676	2.863
driver-action-recognition-adas-0002-decoder	0.147	4.205
action-recognition-0001
action-recognition-0001-encoder	7.340	21.276
action-recognition-0001-decoder	0.147	4.405
asl-recognition-0004	6.660	4.133
common-sign-language-0002	4.227	4.113
weld-porosity-detection-0001	3.636	11.173

画像検索¶

画像検索用のディープラーニング・モデル (‘probe’ 画像との類似性に基づいて ‘gallery’ 画像をランク付け)。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
image-retrieval-0001	0.613	2.535

圧縮モデル¶

ディープラーニング圧縮モデル

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
resnet50-binary-0001	1.002	7.446
resnet18-xnor-binary-onnx-0001	-	-

質問への回答¶

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
bert-large-uncased-whole-word-masking-squad-0001	246.93	333.96
bert-large-uncased-whole-word-masking-squad-int8-0001	246.93	333.96
bert-large-uncased-whole-word-masking-squad-emb-0001	246.93 ([1,384] 入力サイズの場合)	333.96
bert-small-uncased-whole-word-masking-squad-0001	23.9	57.94
bert-small-uncased-whole-word-masking-squad-0002	23.9	41.1
bert-small-uncased-whole-word-masking-squad-int8-0002	23.9	41.1
bert-small-uncased-whole-word-masking-squad-emb-int8-0001	23.9 ([1,384] 入力サイズの場合)	41.1

機械翻訳¶

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
machine-translation-nar-en-ru-0002	23.17	69.29
machine-translation-nar-ru-en-0002	23.17	69.29
machine-translation-nar-en-de-0002	23.19	77.47
machine-translation-nar-de-en-0002	23.19	77.47

テキスト読み上げ¶

音声合成用のディープラーニング・モデル (メルスペクトログラム生成と波形生成)。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
text-to-speech-en-0001
text-to-speech-en-0001-duration-prediction	15.84	13.569
text-to-speech-en-0001-regression	7.65	4.96
text-to-speech-en-0001-generation	48.38	12.77

音声合成用のディープラーニング・モデル (メルスペクトログラム生成と波形生成)。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
text-to-speech-en-multi-0001
text-to-speech-en-multi-0001-duration-prediction	28.75	26.18
text-to-speech-en-multi-0001-regression	7.81	5.12
text-to-speech-en-multi-0001-generation	48.38	12.77

音声ノイズ抑制¶

ノイズ抑制のためのディープラーニング・モデル。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
noise-suppression-poconetlike-0001	1.2	7.22
noise-suppression-denseunet-ll-0001	0.2	4.2

時系列予測¶

時系列予測のためのディープラーニング・モデル。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
time-series-forecasting-electricity-0001	0.40	2.26

アクション・シーケンスのモデル化¶

オンライン・シーケンス・モデリング用のディープラーニング・モデル。

モデル名	複雑性 (GFLOPs)	サイズ (Mp)
smartlab-sequence-modelling-0001	0.11	2.537
smartlab-sequence-modelling-0002	0.049	1.02
smartlab-action-recognition-0001
smartlab-action-recognition-0001-encoder-side	0.611	3.387
smartlab-action-recognition-0001-encoder-top	0.611	3.387
smartlab-action-recognition-0001-decoder	0.008	4.099

法務上の注意書き¶

Caffe、Caffe2、Keras、MXNet、PyTorch、および TensorFlow は、それぞれの所有者の商標またはブランド名です。このドキュメントで使用されているすべての会社名、製品名、およびサービス名は、識別のみを目的としています。これらの名前、商標、ブランドの使用は、承認を意味するものではありません。

OpenVINO™ ツールキットのインテルによる事前トレーニング済みモデル概要¶