Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Cadres, périphériques, systèmes et architectures pris en charge
Amazon SageMaker Neo prend en charge les cadres de machine learning, les appareils en périphérie, les systèmes d’exploitation et les architectures de puces les plus courants. Découvrez si Neo prend en charge votre cadre, votre appareil en périphérie, votre système d’exploitation et votre architecture de puce en sélectionnant l’une des rubriques ci-dessous.
Vous trouverez une liste des modèles testés par l’équipe Amazon SageMaker Neo dans la section [Modèles testés](neo-supported-edge-tested-models.md).
**Note**
Pour les périphériques Ambarella, des fichiers supplémentaires doivent être inclus dans le fichier TAR compressé avant de l’envoyer pour compilation. Pour plus d’informations, consultez [Résolution des erreurs Ambarella](neo-troubleshooting-target-devices-ambarella.md).
TIM-VX (libtim-vx.so) est requis pour i.MX 8M Plus. Pour plus d’informations sur la création de TIM-VX, consultez le [référentiel GitHub TIM-VX](https://github.com/VeriSilicon/TIM-VX).
**Topics**
+ [Cadres pris en charge](neo-supported-devices-edge-frameworks.md)
+ [Périphériques, architectures de puces et systèmes pris en charge](neo-supported-devices-edge-devices.md)
+ [Modèles testés](neo-supported-edge-tested-models.md)
# Cadres pris en charge
Amazon SageMaker Neo prend en charge les cadres suivants.
| Cadre | Version du cadre | Version de modèle | Modèles | Formats de modèle (packagés dans \$1.tar.gz) | Boîtes à outils |
| --- | --- | --- | --- | --- | --- |
| MXNet | 1.8 | Prend en charge la version 1.8 ou antérieure | classification d’images, détection d’objets, segmentation sémantique, estimation de pose, reconnaissance d’activités | Un fichier de symboles (.json) et un fichier de paramètres (.params) | GluonCV v0.8.0 |
| ONNX | 1.7 | Prend en charge la version 1.7 ou antérieure | Classification d’images, SVM | Un fichier de modèle (.onnx) | |
| Keras | 2.2 | Prend en charge la version 2.2 ou antérieure | Classification d’images | Un fichier de définition de modèle (.h5) | |
| PyTorch | 1.7, 1.8 | Prend en charge la version 1.7, 1.8 ou antérieure | Classification d’images, détection d’objets | Un fichier de définition de modèle (.pth) | |
| TensorFlow | 1.15, 2.4, 2.5 (uniquement pour les instances ml.inf1.\$1) | Prend en charge les versions 1.15, 2.4, 2.5 (uniquement pour les instances ml.inf1.\$1) ou antérieures | Classification d’images, détection d’objets | \$1Pour les modèles enregistrés, un fichier .pb ou .pbtxt et un répertoire de variables contenant des variables \$1Pour les modèles figés, un seul fichier .pb ou .pbtxt | |
| TensorFlow-Lite | 1.15 | Prend en charge la version 1.15 ou antérieure | Classification d’images, détection d’objets | Un fichier de tampon plat de définition de modèle (.tflite) | |
| XGBoost | 1.3 | Prend en charge la version 1.3 ou antérieure | Arbres de décision | Un fichier de modèles XGBoost (.model) dans lequel le nombre de nœuds d’une arborescence est inférieur à 2^31 | |
| DARKNET | | | Classification des images, détection d’objets (le modèle Yolo n’est pas pris en charge) | Un fichier de configuration (.cfg) et un fichier de poids (.weights) | |
# Périphériques, architectures de puces et systèmes pris en charge
Amazon SageMaker Neo prend en charge les périphériques, les architectures de puces et les systèmes d’exploitation suivants.
## Appareils
Vous pouvez sélectionner un périphérique dans la liste déroulante de la [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker) ou en spécifiant le paramètre `TargetDevice` dans la configuration de sortie de l’API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCompilationJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCompilationJob.html).
Vous pouvez choisir parmi l’un des appareils en périphérie suivants :
| Liste des périphériques | Système sur puce (SoC) | Système d’exploitation | Architecture | Accélérateur | Exemple d’options de compilateur |
| --- | --- | --- | --- | --- | --- |
| aisage | Aucun | Linux | ARM64 | Mali | Aucun |
| amba\$1cv2 | CV2 | Arch Linux | ARM64 | cvflow | Aucun |
| amba\$1cv22 | CV22 | Arch Linux | ARM64 | cvflow | Aucun |
| amba\$1cv25 | CV25 | Arch Linux | ARM64 | cvflow | Aucun |
| coreml | Aucun | macOS IVS | Aucun | Aucun | \$1"class\$1labels": "imagenet\$1labels\$11000.txt"\$1 |
| imx8qm | NXP imx8 | Linux | ARM64 | Aucun | Aucun |
| imx8mplus | i.MX 8M Plus | Linux | ARM64 | NPU | Aucun |
| jacinto\$1tda4vm | TDA4VM | Linux | ARM | TDA4VM | Aucun |
| jetson\$1nano | Aucun | Linux | ARM64 | NVIDIA | \$1'gpu-code': 'sm\$153', 'trt-ver': '5.0.6', 'cuda-ver': '10.0'\$1Pour `TensorFlow2`, `{'JETPACK_VERSION': '4.6', 'gpu_code': 'sm_72'}` |
| jetson\$1tx1 | Aucun | Linux | ARM64 | NVIDIA | \$1'gpu-code': 'sm\$153', 'trt-ver': '6.0.1', 'cuda-ver': '10.0'\$1 |
| jetson\$1tx2 | Aucun | Linux | ARM64 | NVIDIA | \$1'gpu-code': 'sm\$162', 'trt-ver': '6.0.1', 'cuda-ver': '10.0'\$1 |
| jetson\$1xavier | Aucun | Linux | ARM64 | NVIDIA | \$1'gpu-code': 'sm\$172', 'trt-ver': '5.1.6', 'cuda-ver': '10.0'\$1 |
| qcs605 | Aucun | Android | ARM64 | Mali | \$1'ANDROID\$1PLATFORM': 27\$1 |
| qcs603 | Aucun | Android | ARM64 | Mali | \$1'ANDROID\$1PLATFORM': 27\$1 |
| rasp3b | ARM A56 | Linux | ARM\$1EABIHF | Aucun | \$1'mattr': ['\$1neon']\$1 |
| rasp4b | ARM A72 | Aucun | Aucun | Aucun | Aucun |
| rk3288 | Aucun | Linux | ARM\$1EABIHF | Mali | Aucun |
| rk3399 | Aucun | Linux | ARM64 | Mali | Aucun |
| sbe\$1c | Aucun | Linux | x86\$164 | Aucun | \$1'mcpu': 'core-avx2'\$1 |
| sitara\$1am57x | AM57X | Linux | ARM64 | EVE et/ou DSP C66x | Aucun |
| x86\$1win32 | Aucun | Windows 10 | X86\$132 | Aucun | Aucun |
| x86\$1win64 | Aucun | Windows 10 | X86\$132 | Aucun | Aucun |
Pour plus d’informations sur les options du compilateur de valeur clé JSON pour chaque périphérique cible, consultez le champ `CompilerOptions` dans le type de données [d’API `OutputConfig`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_OutputConfig.html).
## Systèmes et architectures de puces
Les tables de consultation suivantes fournissent des informations sur les systèmes d’exploitation et les architectures disponibles pour les tâches de compilation de modèles Neo.
------
#### [ Linux ]
| Accélérateur | X86\$164 | X86 | ARM64 | ARM\$1EABIHF | ARM\$1EABI |
| --- | --- | --- | --- | --- | --- |
| Pas d’accélérateur (CPU) | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui |
| GPU Nvidia | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non |
| Intel\$1Graphics | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non |
| ARM Mali | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui |
------
#### [ Android ]
| Accélérateur | X86\$164 | X86 | ARM64 | ARM\$1EABIHF | ARM\$1EABI |
| --- | --- | --- | --- | --- | --- |
| Pas d’accélérateur (CPU) | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui |
| GPU Nvidia | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non |
| Intel\$1Graphics | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non |
| ARM Mali | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui |
------
#### [ Windows ]
| Accélérateur | X86\$164 | X86 | ARM64 | ARM\$1EABIHF | ARM\$1EABI |
| --- | --- | --- | --- | --- | --- |
| Pas d’accélérateur (CPU) | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/success_icon.svg) Oui | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non | ![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/negative_icon.svg) Non |
------
# Modèles testés
Les sections réductibles suivantes fournissent des informations sur les modèles de machine learning qui ont été testés par l’équipe Amazon SageMaker Neo. Développez la section réductible en fonction de votre cadre pour vérifier si un modèle a été testé.
**Note**
Ceci n’est pas une liste complète de modèles qui peuvent être compilés avec Neo.
Consultez [Cadres pris en charge](neo-supported-devices-edge-frameworks.md) et [Opérateurs pris en charge par SageMaker AI Neo](https://aws.amazon.com/releasenotes/sagemaker-neo-supported-frameworks-and-operators/) pour savoir si vous pouvez compiler votre modèle avec SageMaker Neo.
## DarkNet
| Modèles | ARM V8 | ARM Mali | Ambarella CV22 | Nvidia | Panorama | TI TDA4VM | Qualcomm QCS603 | X86\$1Linux | X86\$1Windows |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| AlexNet | | | | | | | | | |
| Resnet50 | X | X | | X | X | X | | X | X |
| YOLOv2 | | | | X | X | X | | X | X |
| YOLOv2\$1tiny | X | X | | X | X | X | | X | X |
| YOLOv3\$1416 | | | | X | X | X | | X | X |
| YOLOv3\$1tiny | X | X | | X | X | X | | X | X |
## MXNet
| Modèles | ARM V8 | ARM Mali | Ambarella CV22 | Nvidia | Panorama | TI TDA4VM | Qualcomm QCS603 | X86\$1Linux | X86\$1Windows |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| AlexNet | | | X | | | | | | |
| Densenet121 | | | X | | | | | | |
| DenseNet201 | X | X | X | X | X | X | | X | X |
| GoogleNet | X | X | | X | X | X | | X | X |
| Inceptionv3 | | | | X | X | X | | X | X |
| MobileNet0.75 | X | X | | X | X | X | | | X |
| MobileNet1.0 | X | X | X | X | X | X | | | X |
| MobileNetV2\$10.5 | X | X | | X | X | X | | | X |
| MobileNetV2\$11.0 | X | X | X | X | X | X | X | X | X |
| MobileNetV3\$1Large | X | X | X | X | X | X | X | X | X |
| MobileNetV3\$1Small | X | X | X | X | X | X | X | X | X |
| ResNeSt50 | | | | X | X | | | X | X |
| ResNet18\$1v1 | X | X | X | X | X | X | | | X |
| ResNet18\$1v2 | X | X | | X | X | X | | | X |
| ResNet50\$1v1 | X | X | X | X | X | X | | X | X |
| ResNet50\$1v2 | X | X | X | X | X | X | | X | X |
| ResNext101\$132x4d | | | | | | | | | |
| ResNext50\$132x4d | X | | X | X | X | | | X | X |
| SENet\$1154 | | | | X | X | X | | X | X |
| SE\$1ResNext50\$132x4d | X | X | | X | X | X | | X | X |
| SqueezeNet1.0 | X | X | X | X | X | X | | | X |
| SqueezeNet1.1 | X | X | X | X | X | X | | X | X |
| VGG11 | X | X | X | X | X | | | X | X |
| Xception | X | X | X | X | X | X | | X | X |
| darknet53 | X | X | | X | X | X | | X | X |
| resnet18\$1v1b\$10.89 | X | X | | X | X | X | | | X |
| resnet50\$1v1d\$10.11 | X | X | | X | X | X | | | X |
| resnet50\$1v1d\$10.86 | X | X | X | X | X | X | | X | X |
| ssd\$1512\$1mobilenet1.0\$1coco | X | | X | X | X | X | | X | X |
| ssd\$1512\$1mobilenet1.0\$1voc | X | | X | X | X | X | | X | X |
| ssd\$1resnet50\$1v1 | X | | X | X | X | | | X | X |
| yolo3\$1darknet53\$1coco | X | | | X | X | | | X | X |
| yolo3\$1mobilenet1.0\$1coco | X | X | | X | X | X | | X | X |
| deeplab\$1resnet50 | | | X | | | | | | |
## Keras
| Modèles | ARM V8 | ARM Mali | Ambarella CV22 | Nvidia | Panorama | TI TDA4VM | Qualcomm QCS603 | X86\$1Linux | X86\$1Windows |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| denseet121 | X | X | X | X | X | X | | X | X |
| densenet201 | X | X | X | X | X | X | | | X |
| inception\$1v3 | X | X | | X | X | X | | X | X |
| mobilenet\$1v1 | X | X | X | X | X | X | | X | X |
| mobilenet\$1v2 | X | X | X | X | X | X | | X | X |
| resnet152\$1v1 | | | | X | X | | | | X |
| resnet152\$1v2 | | | | X | X | | | | X |
| resnet50\$1v1 | X | X | X | X | X | | | X | X |
| resnet50\$1v2 | X | X | X | X | X | X | | X | X |
| vgg16 | | | X | X | X | | | X | X |
## ONNX
| Modèles | ARM V8 | ARM Mali | Ambarella CV22 | Nvidia | Panorama | TI TDA4VM | Qualcomm QCS603 | X86\$1Linux | X86\$1Windows |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| AlexNet | | | X | | | | | | |
| mobilenetv2-1.0 | X | X | X | X | X | X | | X | X |
| resnet18v1 | X | | | X | X | | | | X |
| resnet18v2 | X | | | X | X | | | | X |
| resnet50v1 | X | | X | X | X | | | X | X |
| resnet50v2 | X | | X | X | X | | | X | X |
| resnet152v1 | | | | X | X | X | | | X |
| resnet152v2 | | | | X | X | X | | | X |
| squeezenet1.1 | X | | X | X | X | X | | X | X |
| vgg19 | | | X | | | | | | X |
## PyTorch (FP32)
| Modèles | ARM V8 | ARM Mali | Ambarella CV22 | Ambarella CV25 | Nvidia | Panorama | TI TDA4VM | Qualcomm QCS603 | X86\$1Linux | X86\$1Windows |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| denseet121 | X | X | X | X | X | X | X | | X | X |
| inception\$1v3 | | X | | | X | X | X | | X | X |
| resnet152 | | | | | X | X | X | | | X |
| resnet18 | X | X | | | X | X | X | | | X |
| resnet50 | X | X | X | X | X | X | | | X | X |
| squeezenet1.0 | X | X | | | X | X | X | | | X |
| squeezenet1.1 | X | X | X | X | X | X | X | | X | X |
| yolov4 | | | | | X | X | | | | |
| yolov5 | | | | X | X | X | | | | |
| fasterrcnn\$1resnet50\$1fpn | | | | | X | X | | | | |
| maskrcnn\$1resnet50\$1fpn | | | | | X | X | | | | |
## TensorFlow
------
#### [ TensorFlow ]
| Modèles | ARM V8 | ARM Mali | Ambarella CV22 | Ambarella CV25 | Nvidia | Panorama | TI TDA4VM | Qualcomm QCS603 | X86\$1Linux | X86\$1Windows |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| densenet201 | X | X | X | X | X | X | X | | X | X |
| inception\$1v3 | X | X | X | | X | X | X | | X | X |
| mobilenet100\$1v1 | X | X | X | | X | X | X | | | X |
| mobilenet100\$1v2.0 | X | X | X | | X | X | X | | X | X |
| mobilenet130\$1v2 | X | X | | | X | X | X | | | X |
| mobilenet140\$1v2 | X | X | X | | X | X | X | | X | X |
| resnet50\$1v1.5 | X | X | | | X | X | X | | X | X |
| resnet50\$1v2 | X | X | X | X | X | X | X | | X | X |
| squeezenet | X | X | X | X | X | X | X | | X | X |
| mask\$1rcnn\$1inception\$1resnet\$1v2 | | | | | X | | | | | |
| ssd\$1mobilenet\$1v2 | | | | | X | X | | | | |
| faster\$1rcnn\$1resnet50\$1lowproposals | | | | | X | | | | | |
| rfcn\$1resnet101 | | | | | X | | | | | |
------
#### [ TensorFlow.Keras ]
| Modèles | ARM V8 | ARM Mali | Ambarella CV22 | Nvidia | Panorama | TI TDA4VM | Qualcomm QCS603 | X86\$1Linux | X86\$1Windows |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| DenseNet121 | X | X | | X | X | X | | X | X |
| DenseNet201 | X | X | | X | X | X | | | X |
| Inceptionv3 | X | X | | X | X | X | | X | X |
| MobileNet | X | X | | X | X | X | | X | X |
| MobileNetV2 | X | X | | X | X | X | | X | X |
| NASNetLarge | | | | X | X | | | X | X |
| NASNetMobile | X | X | | X | X | X | | X | X |
| ResNet101 | | | | X | X | X | | | X |
| ResNet101v2 | | | | X | X | X | | | X |
| ResNet152 | | | | X | X | | | | X |
| ResNet152v2 | | | | X | X | | | | X |
| ResNet50 | X | X | | X | X | | | X | X |
| ResNet50v2 | X | X | | X | X | X | | X | X |
| VGG16 | | | | X | X | | | X | X |
| Xception | X | X | | X | X | X | | X | X |
------
## TensorFlow-Lite
------
#### [ TensorFlow-Lite (FP32) ]
| Modèles | ARM V8 | ARM Mali | Ambarella CV22 | Nvidia | Panorama | TI TDA4VM | Qualcomm QCS603 | X86\$1Linux | X86\$1Windows | i.MX 8M Plus |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| densenet\$12018\$104\$127 | X | | | X | X | X | | | X | |
| inception\$1resnet\$1v2\$12018\$104\$127 | | | | X | X | X | | | X | |
| inception\$1v3\$12018\$104\$127 | | | | X | X | X | | | X | X |
| inception\$1v4\$12018\$104\$127 | | | | X | X | X | | | X | X |
| mnasnet\$10.5\$1224\$109\$107\$12018 | X | | | X | X | X | | | X | |
| mnasnet\$11.0\$1224\$109\$107\$12018 | X | | | X | X | X | | | X | |
| mnasnet\$11.3\$1224\$109\$107\$12018 | X | | | X | X | X | | | X | |
| mobilenet\$1v1\$10.25\$1128 | X | | | X | X | X | | | X | X |
| mobilenet\$1v1\$10.25\$1224 | X | | | X | X | X | | | X | X |
| mobilenet\$1v1\$10.5\$1128 | X | | | X | X | X | | | X | X |
| mobilenet\$1v1\$10.5\$1224 | X | | | X | X | X | | | X | X |
| mobilenet\$1v1\$10.75\$1128 | X | | | X | X | X | | | X | X |
| mobilenet\$1v1\$10.75\$1224 | X | | | X | X | X | | | X | X |
| mobilenet\$1v1\$11.0\$1128 | X | | | X | X | X | | | X | X |
| mobilenet\$1v1\$11.0\$1192 | X | | | X | X | X | | | X | X |
| mobilenet\$1v2\$11.0\$1224 | X | | | X | X | X | | | X | X |
| resnet\$1v2\$1101 | | | | X | X | X | | | X | |
| squeezenet\$12018\$104\$127 | X | | | X | X | X | | | X | |
------
#### [ TensorFlow-Lite (INT8) ]
| Modèles | ARM V8 | ARM Mali | Ambarella CV22 | Nvidia | Panorama | TI TDA4VM | Qualcomm QCS603 | X86\$1Linux | X86\$1Windows | i.MX 8M Plus |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| inception\$1v1 | | | | | | | X | | | X |
| inception\$1v2 | | | | | | | X | | | X |
| inception\$1v3 | X | | | | | X | X | | X | X |
| inception\$1v4\$1299 | X | | | | | X | X | | X | X |
| mobilenet\$1v1\$10.25\$1128 | X | | | | | X | | | X | X |
| mobilenet\$1v1\$10.25\$1224 | X | | | | | X | | | X | X |
| mobilenet\$1v1\$10.5\$1128 | X | | | | | X | | | X | X |
| mobilenet\$1v1\$10.5\$1224 | X | | | | | X | | | X | X |
| mobilenet\$1v1\$10.75\$1128 | X | | | | | X | | | X | X |
| mobilenet\$1v1\$10.75\$1224 | X | | | | | X | X | | X | X |
| mobilenet\$1v1\$11.0\$1128 | X | | | | | X | | | X | X |
| mobilenet\$1v1\$11.0\$1224 | X | | | | | X | X | | X | X |
| mobilenet\$1v2\$11.0\$1224 | X | | | | | X | X | | X | X |
| deeplab-v3\$1513 | | | | | | | X | | | |
------