MobileNet é uma família de arquiteturas de rede neural convolucional (CNN) desenvolvidas para classificação de imagens, detecção de objetos e outras tarefas de visão computacional. Os modelos são projetados para tamanho pequeno, baixa latência e baixo consumo de energia, tornando-os adequados para inferência no dispositivo e computação de borda em dispositivos com recursos limitados, como telefones celulares e sistemas embarcados. Originalmente, eles foram projetados para funcionar com eficiência em dispositivos móveis usando o TensorFlow Lite, um runtime leve para modelos de aprendizado de máquina.
A necessidade de modelos eficientes de aprendizado profundo em dispositivos móveis levou pesquisadores da Google a desenvolver o MobileNet. Em junho de 2025, a família inclui cinco versões principais, cada uma construída sobre sua predecessora para melhorar o desempenho e a eficiência, mantendo a adequação a ambientes com restrições.
Princípios de Arquitetura
As arquiteturas MobileNet focam em reduzir o custo computacional por meio de várias técnicas-chave. A inovação central é o uso de convoluções separáveis em profundidade, que decompõem uma convolução padrão em duas operações separadas: uma convolução em profundidade que filtra cada canal de entrada de forma independente e uma convolução pontual (uma convolução 1×1) que combina as saídas. Essa fatoração reduz significativamente o número de parâmetros e operações de ponto flutuante em comparação com convoluções padrão, permitindo inferência eficiente em dispositivos com poder de processamento limitado.
Outra estratégia significativa é a introdução de hiperparâmetros que controlam o tamanho do modelo e a carga computacional. O multiplicador de largura (denotado como α) ajusta o número de canais em cada camada; valores menores de α produzem modelos menores e mais rápidos ao custo de precisão. O multiplicador de resolução (ρ) ajusta a resolução da imagem de entrada, com resoluções mais baixas acelerando o processamento, mas potencialmente reduzindo a precisão.
A arquitetura também incorpora técnicas como normalização em lote e aumento de dados para melhorar a estabilidade do treinamento e a generalização. Essas escolhas de design tornaram o MobileNet uma escolha popular para aplicações em tempo real em contextos móveis e embarcados.
MobileNetV1
O MobileNetV1 foi publicado em abril de 2017. Sua principal inovação arquitetural foi a incorporação de convoluções separáveis em profundidade, um conceito introduzido pela primeira vez por Laurent Sifre durante um estágio no Google Brain em 2013 como uma variação do AlexNet destinada a melhorar a velocidade de convergência e reduzir o tamanho do modelo. A convolução separável em profundidade decompõe cada convolução padrão em um filtro em profundidade (operando por canal) e uma combinação pontual (convolução 1×1) que mescla as saídas da camada em profundidade.
Os padrões do MobileNetV1 incluíam um multiplicador de largura de 1,0 e um multiplicador de resolução de 224x224. No entanto, ao ajustar esses multiplicadores, os desenvolvedores podiam equilibrar entre fator de forma e precisão. A arquitetura também usava ativações ReLU após cada convolução e aplicava normalização em lote para acelerar o treinamento.
MobileNetV2
O MobileNetV2, publicado em março de 2019, introduziu dois refinamentos importantes: camadas residuais invertidas e gargalos lineares. Os residuais invertidos invertem a estrutura dos blocos residuais tradicionais, primeiro expandindo os canais de entrada, depois realizando a convolução em profundidade e, finalmente, projetando de volta para um número menor de canais. Essa expansão permite que a convolução em profundidade opere em um espaço de maior dimensão, preservando mais fluxo de informação.
Os gargalos lineares removem a ativação ReLU das camadas de projeção, com base na intuição de que não linearidades em espaços de baixa dimensão causam perda de informação. Ao manter essas camadas lineares, o modelo retém mais poder expressivo mesmo quando o número de canais é pequeno. Essas melhorias resultaram em maior precisão e menor latência do que o V1, tornando o V2 uma escolha comum para tarefas de visão móvel.
MobileNetV3 e V4
O MobileNetV3, lançado em 2019, introduziu três variantes: MobileNetV3-Large, MobileNetV3-Small e MobileNetEdgeTPU, este último otimizado para smartphones Pixel 4. Esses modelos foram descobertos por meio de busca de arquitetura neural (NAS) que mediu diretamente a latência móvel, alcançando uma troca desejada entre precisão e velocidade de inferência. O V3 também incluiu aproximações lineares por partes das ativações swish e sigmoid (h-swish e h-sigmoid), módulos de squeeze-and-excitation e herdou a estrutura de gargalo invertido do V2.
O MobileNetV4, publicado em setembro de 2024, expandiu a família com numerosas arquiteturas também encontradas por NAS. O V4 introduziu atenção de múltiplas consultas, inspirada em transformadores de visão, e propôs um novo bloco pós-mix chamado gargalo invertido universal, que unifica os conceitos de residual invertido e gargalo invertido das versões anteriores.
MobileNetV5 e Direções Futuras
A arquitetura do MobileNetV5 foi anunciada logo após o lançamento do Gemma 3n (um modelo de linguagem) em junho de 2025. Embora o anúncio mencionasse que um relatório técnico seria publicado em breve, em outubro de 2025, nenhum relatório desse tipo havia sido disponibilizado. A rede V5 é relatada como aproximadamente dez vezes maior do que a maior variante V4, sugerindo uma mudança em direção a modelos de maior capacidade, mantendo a eficiência alcançável para implantação móvel.
Ao longo de seu desenvolvimento, o MobileNet influenciou muitas arquiteturas e permanece como uma pedra angular para sistemas de visão embarcados, permitindo aplicações práticas em campos como direção autônoma, robótica e fotografia móvel.