PINTO0309/PINTO_model_zoo

PINTO_model_zoo – 社区策划的模型中心

这是什么

• 一个公开的 GitHub 仓库，存储了大量预先转换好的深度学习模型。这些模型提供多种部署格式——TensorFlow、TensorFlow Lite、PyTorch、ONNX、OpenVINO、CoreML、TensorFlow.js、TensorFlow-TRT、EdgeTPU 等——让开发者可以选择符合其目标硬件或框架的模型。

为什么重要

• 将模型从训练框架（例如 PyTorch）转换为边缘设备所需的格式（例如用于 Coral Edge TPU 的 TensorFlow Lite INT8）通常涉及一连串的转换步骤和复杂的量化设置。此仓库通过直接提供转换后的成品以及原始许可信息，完成了这些繁重的工作。
• 它还记录了每个模型可用的量化方案（weight-only、dynamic-range、full-integer、float-16、Edge-TPU）以及哪些推理引擎可以使用它们。

你会找到什么

• 层级式文件夹结构 – 每个模型都有自己的子目录（例如 004_efficientnet、018_EfficientDet）。在里面你会看到各种文件（.tflite、.onnx、.xml/.bin、.mlmodel 等）以及一个反映原始模型许可的 LICENSE 文件。
• README 中的巨大表格 – 列出了每个模型、其类型（图像分类、2-D 目标检测等）以及可用的格式（FP32、FP16、INT8 等）。图标（⚫）表示该格式存在。
• 作者文章与工具的链接 – README 指向关于量化技术的博客文章、转换脚本（openvino2tensorflow、tflite2tensorflow、onnx2tf 等），以及用于 ONNX 操作的小工具（缩小尺寸、节点删除、模型合并）。

用户的典型工作流程

1. 挑选模型 – 例如，你需要一个用于 Raspberry Pi 的轻量级人脸识别网络。在表格中找到 194_face_recognizer_fast。
2. 选择格式 – 如果你在 Pi 上运行 TensorFlow Lite，请下载 *.tflite 文件（如果需要速度，请选择 FP16 或 INT8）。
3. 检查许可 – 打开该文件夹中的 LICENSE 文件，确保原始模型的条款与你的项目兼容。
4. 执行推理 – 该仓库不提供推理代码，但你可以根据需要使用标准的 TensorFlow Lite 解释器或 OpenVINO 运行时。

限制

• 该仓库不包含示例推理脚本；作者明确欢迎对此进行贡献。
• 部分模型（例如 MobileNetV3 主干、全整数量化）在 2020 年初被标注为结果不正确。
• 量化质量可能有所不同；你可能需要针对特定硬件进行微调或重新量化。

维护者

• 主要维护者是 GitHub 用户 PINTO0309。欢迎贡献，贡献者徽章显示了社区的活跃度。

总结

• PINTO_model_zoo 对于需要在各种边缘和云端运行时部署深度学习模型的工程师来说，是一个真正实用的资源。它节省了格式转换和量化的时间，让你专注于构建周边应用程序。