基于Mediapipe的对象分类任务，CPU平台毫秒级别延迟

计算机视觉任务一直是GPU的天下，由于GPU超强的算力，也把计算机视觉任务提高了很多水平。但是在移动终端平台，如何来运行大型的模型，一直是大家关注的话题。Mediapipe是Google开源的可以直接运行在移动终端设备上的多任务模型，不仅在计算机视觉任务上，还是NLP自然语言处理任务上，都取得的较好的成绩。本期我们来看看使用Mediapipe如何进行对象分类任务。

Mediapipe对象分类任务，输入可以是以下数据类型之一：

图像分类器输出一个类别列表，其中包含：

图像分类器需要下载图像分类模型，Mediapipe提供了2种尺寸的模型供用户下载。

EfficientNet-Lite0模型

EfficientNet-Lite0 模型使用 EfficientNet 架构，并使用ImageNet进行训练以识别 1,000个类别，例如树木、动物、食物、车辆、人等。EfficientNet-Lite0 可用作 int8 和 float 32 模型。

EfficientNet-Lite2模型

EfficientNet-Lite2 模型使用 EfficientNet 架构，并使用ImageNet进行训练以识别 1,000 个类别，例如树木、动物、食物、车辆、人等。EfficientNet-Lite2 可用作 int8 和 float 32 模型。该模型通常比 EfficientNet-Lite0 更准确，但速度也更慢且占用更多内存。该模型适用于精度比速度更重要的任务。

在移动终端设备上面，其EfficientNet-Lite0模型最快才只有10ms的延时，这对一个计算机视觉任务来说已经是很快的结果，这么低的延时，完全可以直接使用在实时视频与直播任务上。

若要运行Mediapipe的对象分类任务，首先需要安装Mediapipe库，并下载相关的模型。

当安装完成Mediapipe库与预训练模型后，就可以进行图片的分类任务了，当然这里你可以下载不同的预训练模型。