1. 为什么需要轻量级网络：算力与场景的现实约束
很多朋友第一次看到 MobileNet 这个名字，第一反应是"这不就是个给手机用的分类网络吗"，这句话对了一半。MobileNet 确实最早是面向移动端、嵌入式场景设计的，但它真正解决的，是整个深度学习落地过程中最头疼的问题：如何在有限算力、有限内存、有限功耗的前提下，把模型跑起来，而且不能太慢、不能太卡。
我做图像相关项目这几年，明显感觉到一个趋势：模型越来越大、精度越来越高，但落地时没人关心你在排行榜上刷了多少分，只关心两件事——推理速度够不够快？内存占用够不够小？一个典型的例子是工业质检场景，产线上用的是工控机，配置不算差，但如果上一个 ResNet-50，单张图的推理时间还能接受，一旦要同时跑 4 路甚至 8 路摄像头，帧率立刻崩掉。这种时候，MobileNet 这类轻量级网络几乎是必然选择。
先说结论：MobileNet 的核心价值，是在保证可用精度的前提下，把计算量压缩到极致。它不是在某一个点上做优化，而是从卷积层本身下手，用深度可分离卷积替换标准卷积，让计算量直接掉一个数量级。后面又通过 V2 的线性瓶颈和倒残差结构、V3 的神经架构搜索，把这条路越走越远。
这篇文章我会从计算原理讲到实际训练，再从训练讲到部署，最后把自己踩过的坑一并列出来。不聊虚的，全是实操里能用上的东西。
如果你正在做移动端 App 里的实时识别、树莓派之类的开发板上的视觉任务、或者是云端的海量图片预处理，MobileNet 都值得你花半个小时认真了解一下。哪怕你只是刚入门卷积神经网络，把 MobileNet 的拆解思路吃透，对理解后面更复杂的轻量级网络也有很大帮助。
2. 核心原理拆解：深度可分离卷积到底省在哪
要理解 MobileNet，必须先看懂一个东西——深度可分离卷积。这是整个 MobileNet 系列的基石，也是所有轻量级网络绕不开的核心概念。
2.1 标准卷积的计算开销从哪来
一个标准卷积层做的事情很简单：用一个 K×K 的卷积核，在输入的每个通道上都做滑窗，然后跨通道求和，得到输出特征图的一个通道。
假设输入特征图尺寸是 D×D，通道数是 M，输出通道数是 N，卷积核尺寸是 K×K，那么这层卷积的计算量大约是：
计算量 ≈ K × K × M × N × D × D
这里每一步的含义是：每个输出位置需要做 K×K×M 次乘加运算，输出特征图有 N×D×D 个位置。
举个例子，3×3 卷积，输入输出都是 128 通道，特征图 56×56，那么这一层的计算量就是 3×3×128×128×56×56，大约 4.6 亿次乘加。一个网络几十层下来，计算量轻松破亿。
这个标准卷积最大的浪费在哪？我个人的理解是：**它在同时做空间相关性和通道相关性的建模，但这两者其实可以拆开做。**空间层面的特征（边缘、纹理）和通道层面的特征（颜色、语义）并不需要在同一个卷积操作里一次性完成。
2.2 拆开算：Depthwise 加 Pointwise 的双层结构
深度可分离卷积的做法，是把标准卷积拆成两步：
第一步叫 Depthwise Convolution，也就是逐通道卷积。每个通道单独用一个 K×K 卷积核去做卷积，通道之间不交换信息。这一步负责提取空间特征。它的计算量是 K×K×M×D×D。
第二步叫 Pointwise Convolution，也就是 1×1 卷积。用一个 1×1×M 的卷积核，把所有通道的信息加权组合起来，输出想要的通道数 N。这一步负责通道间的特征融合。它的计算量是 M×N×D×D。
两步合起来的总计算量是：
K×K×M×D×D + M×N×D×D
和标准卷积的 K×K×M×N×D×D 相比，压缩比例大约是：
1/N + 1/K²
对于常用的 3×3 卷积，K² = 9，如果输出通道 N 很大（比如 256、512），那么计算量基本只剩标准卷积的九分之一到十分之一。这就是 MobileNet 省算力的核心来源。
我刚开始看这个公式的时候，觉得这不就是矩阵分解的思路吗？实际上确实可以这么理解——标准卷积是一个高维的复合运算，深度可分离卷积把它分解成两个低维运算的串联，本质上是把运算矩阵做了稀疏化近似。代价是表达能力理论上会有损失，但后续的实践表明，只要网络宽度和深度设计得当，这个损失完全可以控制在可接受范围内。
2.3 为什么不用普通的卷积分组替代
这里插一个很多人会问的问题：既然要省算力，用分组卷积（Group Convolution）行不行？行，但不一样。
分组卷积是把通道分成 G 组，每组内部做标准卷积，组之间不通信。它的计算量是标准卷积的 1/G，看起来也是线性压缩。但问题在于，分组卷积会造成通道之间的信息隔离，如果组数太多，不同组学到的特征无法互相融合，精度衰减特别明显。
深度可分离卷积其实是分组卷积的一个极端情况——每组只有一个通道，也就是 G = M。但关键在于，它后面紧跟着一个 1×1 卷积来做通道融合，把分组带来的信息隔离问题补上了。这就是为什么 MobileNet 敢把分组做到极致，而普通分组卷积不敢这么激进。
另外从工程角度说，深度可分离卷积的每一步都是规则的、高度并行的操作，对 GPU 和手机端的神经网络加速库都很友好。这也是它比一些奇奇怪怪的稀疏卷积更容易落地的原因。
3. MobileNetV1 网络结构：把轻量化思路落到代码里
理解了深度可分离卷积，MobileNetV1 的网络结构就不难看了。整个 V1 基本就是一堆深度可分离卷积层的堆叠，中间穿插一些池化和全连接层。
3.1 逐层拆解网络骨架
MobileNetV1 的完整结构大致是：
第一层是一个标准 3×3 卷积，然后是后续一系列深度可分离卷积块。每个深度可分离卷积块由两部分组成：
- 3×3 Depthwise 卷积，后面接 BN 和 ReLU
- 1×1 Pointwise 卷积，后面接 BN 和 ReLU
最后接一个全局平均池化、全连接层和 Softmax 分类头。
注意一个细节：V1 的每个卷积块都是"卷积 + BN + ReLU"三件套。BN 在轻量级网络里尤其重要，因为深度可分离卷积的参数量本来就少，对权重初始化比较敏感，BN 能有效稳定训练过程。
我在实际搭建的时候，会把 V1 理解成两个阶段：前几层是浅层特征提取，负责边缘、颜色、纹理；中间的深度可分离卷积块逐渐加宽，负责更抽象的模式；最后用全局池化把所有空间信息压缩成一个向量。这个思路和 VGG 的层级递进非常像，只是每一个"块"的构建材料换成了更省算力的深度可分离卷积。
3.2 两个关键超参数：宽度乘子与分辨率乘子
MobileNetV1 真正的灵活性，来自两个可调的超参数：宽度乘子 α 和分辨率乘子 ρ。
宽度乘子 α：对每一层的通道数做缩放。比如基准网络某一层是 128 通道，α=0.5 时就变成 64 通道。计算量会变成原来的 α² 倍，因为通道数在两个维度（输入和输出）各缩放一次。
分辨率乘子 ρ：对输入图片的分辨率做缩放。比如输入尺寸从 224×224 降到 160×160，计算量变成原来的 ρ² 倍，因为空间维度有两个。
这两个参数的设置很有讲究。我见过不少同学直接把 α 调成 0.25，把 ρ 调成 0.5，结果精度掉得一塌糊涂，就怪 MobileNet 不行。其实这是因为同时缩小两个乘子，图像信息被砍掉太多，再加上通道宽度不够，网络表达能力被严重压缩了。
实际使用时我通常建议：
- 如果只是做简单分类，α=0.5，ρ=1.0 是性价比比较高的组合
- 如果是目标检测或者分割这类任务，α 尽量别低于 0.75，因为后续检测头还需要足够的特征表达
- 如果输入图片本身分辨率就不高（比如 96×96），ρ 就不用再往下调了
我自己做过一组对比实验，在同样的数据集上，α=1.0、ρ=1.0 的模型比 α=0.5、ρ=1.0 的精度高出 3 到 4 个百分点，但计算量只多了四倍。在算力允许的情况下，优先保证通道宽度比压缩分辨率更划算。
3.3 V1 的局限：推不动了才有的 V2
MobileNetV1 在当时已经算是轻量级标杆了，但用久了你会发现两个问题：
第一，深度可分离卷积的"先压缩空间、再融合通道"策略，在网络的浅层还好，在深层会出现信息丢失。因为每一层的通道数都很窄，特征图经过多次空间卷积后，一些细节信息就抹掉了。
第二，ReLU 激活函数在低维空间里会造成严重的信息坍塌。我打个比方：ReLU 会把所有负数直接置零，如果一个特征在某个通道上的均值本来是 0.2，经过 ReLU 后变成 0，那这个通道对这个样本来说就完全失效了。在宽网络中这不是大问题，因为还有大量冗余通道来补偿，但在 MobileNet 这种窄通道网络里，每一个通道都很珍贵，损失不起。
这就是后来 Google 团队在 MobileNetV2 里要解决的核心矛盾。
4. MobileNetV2 的改良逻辑：瓶颈层与残差的化学反应
MobileNetV2 是在 V1 基础上做的一次大改版，它引入了两个关键设计：线性瓶颈和倒残差结构。这两个概念听着玄乎，其实拆开看并不复杂。
4.1 线性瓶颈层为什么去掉最后的 ReLU
先说一个反直觉的结论：在倒残差结构中，最后一次 ReLU 应该被去掉，换成线性激活。
原因是这样：深度可分离卷积已经在降维，特征图的通道数本来就不多。如果再用 ReLU 去截断，很可能会把有用的信息直接清零。尤其是当特征的维度低于某种阈值时，ReLU 相当于在信息流上设置了一个无法恢复的闸门。
MobileNetV2 的做法是：在一个 block 内部，先用 1×1 卷积升维，把通道数扩大 4 到 6 倍，然后用 3×3 Depthwise 卷积做空间特征提取，最后再用 1×1 卷积降维。关键是最后这一步降维之后，不再接 ReLU，而是直接线性输出。
这就叫线性瓶颈，层内是高维特征、充分激活，层间是低维特征、无损失传递。
4.2 倒残差的含义与参数配置
倒残差和 ResNet 的残差结构正好相反。ResNet 是先把通道压窄（降维），然后做 3×3 卷积，再恢复通道宽度（升维），就像一个"梭形"——两头宽、中间窄。
MobileNetV2 的倒残差是反过来：先升维，再卷积，最后降维，像一个"哑铃"——两头窄、中间宽。
为什么这么做？因为标准残差结构里，输入特征经过降维后已经损失了很多信息，MobileNet 的通道本来就窄，再降维就没东西可学。所以先把维度打开，让网络有足够的空间去表达特征，再压缩回窄通道，这样中间的 3×3 卷积能在一个信息丰富的空间里工作。
V2 里有一个非常重要的参数叫扩展因子，默认是 6。意思是 block 内部的中间层通道数是输入通道的 6 倍。这个 6 不是随便定的，论文里做过消融实验，6 倍左右在计算量和表达能力上取得了平衡。
4.3 V2 网络结构的整体观感
从整体结构上看，V2 提出了一个类似 VGG 风格的分阶段设计，每阶段内部的 block 结构相同，但通道数渐进增加：
- 第一阶段是标准卷积
- 中间阶段全是倒残差块，每个块做 1~3 次重复
- 每个阶段的最后一个块，stride = 2，降低特征图分辨率，同时增加通道数
- 最后是全局平均池化和分类层
我在实际用 V2 的时候，发现一个和 V1 非常明显的差别：V2 的中间特征图更宽，信息保留得更好，在迁移学习场景下表现明显优于 V1。尤其是用预训练权重做微调的时候，V2 的收敛速度更快，最终精度也更高。
有个小技巧值得分享：如果你想在 V2 基础上进一步压缩模型，不要直接去改扩展因子，而是优先考虑调整通道缩放系数。因为扩展因子影响的是内部的相对宽度，整体缩放通道对结构的影响更均匀，工程上更好处理。
5. MobileNetV3 与工程选型：V3 值不值得追新
MobileNetV3 是后来发布的版本，它在 V2 的基础上引入了两个新东西：神经架构搜索和硬 swish 激活函数。
5.1 V3 的改进点与实测表现
先说神经架构搜索。V3 是在一个搜索空间里由算法自动搜出来的网络结构，搜索目标直接就是"精度 + 推理速度"的组合指标，所以 V3 的每一层通道数、卷积核大小、是否使用 SE 注意力，都不是人力拍脑袋设计的，而是搜索出来的结果。
SE 注意力模块（Squeeze-and-Excitation）是 V3 的一个关键组件。它先对特征图做全局平均池化，得到每个通道的全局统计量，然后通过两个全连接层学习每个通道的权重，最后把权重乘回原特征图。这个模块增加的计算量很小，但对精度的提升非常明显。我在图像分类任务上对比过 V2 和 V3，在同等计算量下，V3 的 top-1 准确率能高出 1.5 到 2 个百分点。
硬 swish 激活函数是另一个改进。swish 函数本身是 x 乘以 sigmoid(x)，效果比 ReLU 好，但 sigmoid 的计算开销大。V3 用了近似形式，用 ReLU6(x + 3) 除以 6 来近似 sigmoid，在手机端可以更快地计算。
不过说实话，V3 带来的收益更多体现在"精益求精"上。如果你已经在用 V2，并且工程上已经调通了，没必要为了 V3 的那一两个点去做大规模迁移。但如果是从零开始起步，我建议直接选 V3 的预训练模型，省事而且效果更好。
5.2 横向对比：和其他轻量级网络怎么选
这里我把常见的几个轻量级网络放在一起做个对比：
- MobileNetV1：结构最简单，最容易理解，速度非常快，但精度偏低。
- MobileNetV2：精度明显优于 V1，结构依然是手动设计的，好改好调。
- MobileNetV3：精度和速度的平衡最好，但结构复杂，调试难度更高。
- ShuffleNetV2：在 ARM 硬件上有专门的优化，实际推理速度可能比 MobileNet 还快，但生态和预训练模型不如 MobileNet 丰富。
- EfficientNet-Lite：通过复合缩放统一调整深度、宽度和分辨率，精度上限最高，但模型体积偏大。
我的选型建议很简单：
- 追求极致速度抖动无所谓的场景，选 V1 或 ShuffleNetV2
- 要在精度和速度之间取平衡，优先 V2 或 V3
- 算力比较充足、希望精度尽量高，就用 EfficientNet-Lite
另外，如果是做目标检测，可以把 MobileNet 系列当作骨干网络来搭配检测头使用。实测中 V2 配合轻量级检测头，在 CPU 上跑实时检测是可行的。
5.3 参数量与计算量的认知误区
这里想纠正一个普遍误区：很多同学喜欢把参数量当作衡量模型轻量与否的唯一指标。这不对。
参数量只跟模型占用的存储空间有关，跟推理速度没有直接关系。一个模型的推理时间，主要看计算量（FLOPs）和内存访存量。MobileNet 的参数量确实小，但它更大的优势是 FLOPs 低。而在实际部署中，决定推理速度的往往是内存带宽和访存模式，这一点在手机端尤其明显。
所以你在对比不同轻量级网络的时候，不要只盯着参数量。我之前就见过一个项目，选了个参数量最小的模型，结果因为它的某个层的访存模式对 CPU 缓存不友好，实际推理速度反而不如参数量更大的 V2。算账要算总账：计算量 + 访存量 + 并行度，这三个指标同时看，才能准确预估真实性能。
6. 一份可以照做的实操流程：从零跑通 MobileNet
理论讲完了，接下来进入实操环节。我以图像分类为例，带你完整走一遍 MobileNet 的训练、微调和部署流程。这里我选 V2 作为主力模型，因为它综合表现最稳、最好调。
6.1 环境准备与数据预处理
硬件方面，MobileNet 这类模型有一个明显优势：训练它不需要特别好的 GPU。我试着用市面上主流的中低端显卡训练一个 ImageNet 子集上的分类任务，几个小时就能跑完一个完整的迭代周期。如果你手头只有 CPU，也能跑，只是慢一点，但绝不是不能跑。
软件方面，推荐直接用深度学习框架自带的 MobileNet 实现，不要自己从零手写。框架内置的版本经过严格验证，数值稳定性有保障。
数据预处理要注意的是，MobileNet 家族各版本的输入尺寸和均值方差归一化参数不完全相同，直接套用其他网络的预处理管道可能会出问题。最好的做法是查一下框架文档里对应模型的预处理要求。我自己就踩过这个坑，把用于预训练权重训练的尺寸设置错了，微调之后精度始终上不去，后来发现是数据预处理和预训练时不一致导致的。
一个实操建议：如果你准备使用预训练权重做微调，就严格按照预训练时的预处理方式，包括缩放尺寸、归一化系数，一次都不要改。改任何一个小环节，预训练权重的优势就大打折扣。
6.2 从零训练 vs 微调迁移学习
两种训练路径，适用场景完全不同：
从零训练：
- 数据集很大（十万张起步），而且和预训练数据集（通常是大规模的通用图像数据集）的分布差异很大
- 需要完整的训练周期，学习率要用带 warmup 的余弦退火策略
- 优化器一般用带动量的 SGD，初始学习率 0.1 左右，batch size 256 起步
- 从零训练对数据和时间的要求很高，我一般不太推荐在工业项目里干这件事
迁移学习微调：
- 数据量几百到几万张的常见分类任务，微调是默认选择
- 加载预训练权重后，替换分类头，然后分两阶段训练：第一阶段冻结骨干网络，只训练分类头和最后几个 block，第二阶段解冻全部层，用很小的学习率做全量微调
- 常用优化器是 AdamW，学习率从 0.001 开始，配合 ReduceLROnPlateau 按验证集表现自动降低
我实测下来，微调 V2 做猫狗分类这类任务，几百张图片就能达到 95% 以上的准确率。如果数据量只有几十张，那就别想着训练了，直接用预训练模型做特征提取 + 一个线性分类器，效果往往比强行微调更好。
6.3 关键代码实现
用 keras 实现 MobileNetV2 微调的完整流程很简单，核心代码大概是这样：
import tensorflow as tf from tensorflow.keras.applications import MobileNetV2 from tensorflow.keras import layers, models # 加载预训练模型，不含分类头 base_model = MobileNetV2( weights='imagenet', include_top=False, input_shape=(224, 224, 3) ) # 冻结骨干网络 base_model.trainable = False # 构建新模型 model = models.Sequential([ base_model, layers.GlobalAveragePooling2D(), layers.Dropout(0.3), layers.Dense(10, activation='softmax') # 假设 10 类 ]) # 第一阶段：只训练分类头 model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss='categorical_crossentropy', metrics=['accuracy'] ) model.fit(train_dataset, validation_data=val_dataset, epochs=10) # 第二阶段：解冻部分层，微调 base_model.trainable = True for layer in base_model.layers[:-30]: layer.trainable = False model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.0001), loss='categorical_crossentropy', metrics=['accuracy'] ) model.fit(train_dataset, validation_data=val_dataset, epochs=10)这里有两个细节值得展开说。
Dropout 放在全连接层之前，是防止分类头过拟合的关键手段。MobileNet 骨干网络输出的特征维度是 1280，是一个非常高维的向量，如果不加 Dropout，几万张图片的训练集很容易过拟合。
解冻层数的选择。我通常的做法是解冻最后 20 到 30 层，保留浅层特征提取器的通用性。如果数据量很大、且和预训练域差异显著，可以多解冻一些。但有一个经验法则：越靠近输入端的层，学到的越是通用特征（边缘、纹理），这些特征几乎不依赖具体任务，所以没有必要解冻。
6.4 部署时的模型转换与优化
训练好的模型只是一个起点，真正考验功力的是部署阶段。
如果是部署到手机端，你大概率要把模型转换成轻量化的中间格式。转换时要注意几件事：
第一，确认算子兼容性。MobileNetV2 的深度可分离卷积和 1×1 卷积，在大多数推理框架里都是支持良好的算子，但如果你用了自定义的激活函数或注意力模块，就需要确认是否做了适配。
第二，做量化。把权重从 FP32 压缩到 INT8，模型体积会变成原来的四分之一，推理速度在支持 INT8 加速的设备上会有显著提升。MobileNet 这类模型对量化相对友好，因为它的权重分布比较均匀，但量化后仍然要做精度验证。我在一个项目里量化后掉了 2% 的精度，后来通过校准集的调整把损失降到了 0.5%。
第三，考虑端侧推理框架的算子融合。深度可分离卷积在推理时，可以和后面的 BN 层、激活层融合成一个算子，减少访存次数。现在主流的推理框架基本都会自动做这些优化，但在一些边缘设备上你需要手动打开优化开关。
7. 踩坑实录：训练与部署中的常见问题
最后这部分，我把自己在 MobileNet 实际使用中遇到过的典型问题整理一下，按照"现象、原因、解决方案"的方式列出来，希望对你有直接帮助。
7.1 训练精度上不去，Loss 不下降
现象：不管怎么调学习率，验证集精度一直卡在某条水平线上。
原因：这是我遇到过最多的情况，一般不是模型问题，而是数据预处理和预训练权重不一致。比如预训练时用的是 [0, 1] 归一化，你却把像素值变成了 [-1, 1]，或者图片被拉伸变了形。
解决方案：先检查数据管道，确保输入尺寸、归一化方式、通道顺序都跟预训练时完全一致。一个快速排查方法：用一张典型图片，看看喂给模型的张量数值范围是否合理。
另一个可能原因：标签错误。MobileNet 在 ImageNet 上的预训练权重的分类头有 1000 类，如果你没替换分类头就直接训练，那么梯度更新就会作用在原始分类头上，模型自然学不会你的任务。
7.2 微调时精度反而变差
现象：冻结骨干只训练分类头，效果还可以。一解冻全部层做微调，验证集精度立刻下降，甚至过拟合。
原因：学习率太大了，或者解冻的层偏多，破坏了预训练学到的良好特征表示。
解决方案：微调阶段的学习率一定要比第一阶段小一个数量级。我一般用 0.0001 以下，实在不稳定就降到 0.00005。另外，解冻层数从少开始，比如只解冻最后 10 层，效果稳定后再逐渐增加。
还有一个容易被忽视的点：优化器选择。微调阶段如果用带动量的 SGD，需要注意动量缓冲中积累的历史梯度可能会"冲"过头，导致初期损失突然变大。这种情况下换用 AdamW 通常更稳。
7.3 推理速度不达标，什么方法都用过了
现象：模型在电脑上跑得飞快，部署到手机上就卡成 PPT。
原因：大概率不是模型本身慢，而是没有做好推理优化，或者模型结构里有拖慢速度的"隐藏层"。
我梳理了一个简单的排查顺序：
- 确认模型的 FLOPs 到底是多少，用工具实测一下，不要看论文里的理论值
- 检查有没有多余的维度转换或重排列操作，这些操作在框架里看起来没计算量，但实际访存开销极大
- 确认用上推理框架的全部优化功能，包括算子融合、多线程、内存复用
- 如果用了 INT8 量化，确认设备是否真正走的是量化算子，有些框架默认会退回到 FP32 计算
另一个隐藏深坑：BatchNorm 批归一化在推理时候的影响。训练模式下 BN 需要计算当前 batch 的均值和方差，推理时应该使用训练时记录的全局统计量。如果推理框架没有正确切换到 eval 模式，每一层都把 BN 当成训练模式来算，速度会慢得惊人。这种问题在自定义代码里特别常见，检查你的推理脚本里是否设置了 eval 模式。
7.4 内存占用超标
现象：模型参数量不大，但运行内存蹭蹭往上涨。
原因：MobileNet 这类模型的主要内存开销来自中间特征图，而不是权重。特征图是浮点类型的多维数组，随着 batch size 增大，内存占用线性增长。
解决方案：
- 把 batch size 设为 1，或者干脆动态 batch
- 如果中间特征图太大无法避免，尝试设置内存复用，让多个层共享同一块缓冲区
- 在一些不支持动态 shape 的框架里，手动优化掉中间特征图的存储
我在一个检测项目里，把模型从 FP32 切到 FP16，内存直接降了一半，速度还快了不少。如果你的设备支持半精度推理，这几乎是最划算的优化方式。
8. 一些想说的话
做了许久模型部署工作，我最深的体会是：MobileNet 这类轻量级网络，真正的价值不在于它的精度能刷多高，而是它让很多原本只能在云端跑的任务，第一次可以在本地设备上完成。
回到最开始那个质检项目，换用 MobileNetV2 作为骨干网络之后，单核 CPU 上单张图推理时间从原来的 300 多毫秒降到了 60 毫秒左右。四路摄像头同时跑，帧率稳定在可用的状态。最让我满意的是电话围攻的问题彻底消失了，因为整个推理过程全在本地完成，不依赖网络请求。
如果你正在考虑要不要用 MobileNet，我的建议很简单：先动手，用预训练模型在你的数据上做一个快速实验，跑通一次端到端的流程。数据量不多的情况下，半天时间就能看到效果。MobileNet 早就不是那个只活在论文里的模型了，它是真正能在现实世界跑起来的工具箱，随时可以拿来用。
最后分享一个小技巧：在部署阶段，保留你的模型训练代码不要急着清理。很多部署问题最后都要回溯到训练阶段排查，比如预处理不一致、维度顺序写反了、BN 层没有融合等等。训练代码就是部署排障的第一份参考文档，这一点在任何框架上都成立。
