EfficientNet-B0是Google在2019年提出的EfficientNet系列的基础版本。EfficientNet通过一种称为“复合缩放”（Compound Scaling）的方法，联合优化了网络的深度、宽度和分辨率，从而实现了更高的计算效率和精度。EfficientNet-B0使用了Mobile Inverted Bottleneck卷积（MBConv）模块，并结合了深度可分离卷积，从而显著减少了参数和计算量。尽管是系列中的最小模型，EfficientNet-B0在多个计算机视觉任务中表现出色，能够在保持高精度的同时实现较低的资源需求，广泛应用于移动设备和边缘计算等资源受限的环境。

源模型

• 输入尺寸: 224x224
• 参数量: 5.04M
• 模型大小: 20.16M
• 输出尺寸：1x1000

源模型仓库：EfficientNet-B0

Model Farm 提供预编译好的模型资源以及推理代码，支持以下两种方式获取：

• 通过 Model Farm 页面获取：在右侧性能参考板块中点击模型 & 代码获取模型资源及代码包。

• 通过命令获取（推荐）：持有阿加犀开发板的用户，可以通过开发板内置的 MMS 工具获取模型资源及代码包。

# 模型查询
mms list [model name]

# 模型资源获取
mms get -m [model name] -p [precision] -c [soc] -b [backend] -d [file path]

MMS 具体使用请参考：MMS 使用 & 提前获取预览版块模型

当用户对源模型进行过微调，需要重新进行模型转换。

用户可以自行参考以下两种方式完成模型转换：

• 使用 AIMO 完成模型转换：在右侧性能参考板块中点击模型转换参考查看模型转换步骤

• 使用高通 QNN 完成模型转换：请参考 Qualcomm QNN 文档

Model Farm 所提供的模型性能基准测试以及示例代码皆基于阿加犀AidLite SDK 实现。

对于模型文件格式为 .bin 的模型，可以使用以下两种推理引擎完成模型在高通芯片上推理：

• 使用 APLUX AidLite 推理：详情请参考 APLUX AidLite 开发者文档

• 使用 Qualcomm QNN 推理：请参考 Qualcomm QNN 文档

推理示例代码

推理示例代码是基于 AidLite SDK 实现

点击模型 & 代码下载模型文件和推理代码包，文件结构如下

/{model_name}_{SoC Name}_{Precision}
    
    |__ models # folder where model files are stored    
    
    |__ code # aidlite python model inference example

        |__ python # aidlite python model inference example

        |__ cpp # aidlite cpp model inference example

        |__ README.md