Modèles de Deep Learning préentraînés

Conseils pour le choix d'un modèle

Il existe de nombreux modèles préentraînés parmi lesquels il est possible de choisir, chaque modèle étant systématiquement associé à des compromis :

• Taille : de quelle capacité de mémoire le modèle a-t-il besoin ?
  L'emplacement final du modèle déterminera dans quelle mesure la taille du réseau est un élément à prendre en compte.
  Lorsque vous choisissez de déployer un système à faible mémoire, choisissez un modèle spécifiquement conçu pour cette tâche. 
  Voir les modèles pour le déploiement vers des dispositifs embarqués
• Précision : quelle est la performance du modèle avant un réapprentissage?
  En général, un modèle qui fonctionne bien pour le jeu de données ImageNet indique un modèle qui a appris des caractéristiques informatives et qui pourrait aussi bien fonctionner dans de nouvelles tâches similaires. 
  Explorer des modèles de plus grande précision
• Vitesse de prédiction : à quelle vitesse le modèle peut-il prédire de nouvelles images ?
  Si la vitesse de prédiction peut varier en fonction de nombreux facteurs tels que le hardware et la taille des batchs, elle varie également en fonction de l'architecture du modèle choisi et de sa taille.
  Comparer les vitesses de prédiction avec des modèles simples pour commencer.

Explorez les compromis entre les modèles dans les sections suivantes.