mobilenet v3 — семейство компактных сверточных нейросетей, созданное для устройств с ограниченными вычислительными ресурсами: смартфонов, камер, встраиваемых систем и периферийных модулей. Модель появилась как развитие MobileNetV1 и MobileNetV2, сохранив главный фокус линейки: высокая скорость вывода при приемлемом качестве распознавания изображений. Ключевая особенность mobilenet v3 — сочетание архитектурного поиска и ручной оптимизации. Разработчики использовали NAS, то есть автоматический подбор структуры сети, а затем доработали отдельные блоки с учетом реальной производительности на мобильных процессорах. Такой подход важен, потому что небольшое число операций в теории не всегда означает высокую скорость на конкретном устройстве. В основе архитектуры лежат инвертированные остаточные блоки, унаследованные от MobileNetV2, а также depthwise separable convolutions, которые снижают вычислительную стоимость сверток. В mobilenet v3 также применяется механизм squeeze-and-excitation, позволяющий сети динамически усиливать более значимые каналы признаков. Для активации используется h-swish — более легкая для мобильного вывода версия swish, подобранная с учетом баланса между точностью и скоростью. Семейство представлено в вариантах MobileNetV3-Large и MobileNetV3-Small. Large рассчитан на задачи, где требуется более высокая точность, например классификация изображений или детекция объектов при умеренных ограничениях по ресурсам. Small ориентирован на более слабые устройства и сценарии, где задержка и энергопотребление важнее максимального качества. На практике mobilenet v3 часто используют как базовую сеть для компьютерного зрения: классификации, распознавания объектов, сегментации, анализа видеопотока и обработки изображений прямо на устройстве. Его преимущество особенно заметно в edge AI, где данные не отправляются на сервер, а обрабатываются локально. Это уменьшает задержку, снижает зависимость от сети и помогает лучше контролировать приватность. При этом mobilenet v3 не является универсальным решением для всех задач. В сравнении с более крупными архитектурами он может уступать по точности на сложных наборах данных или в сценариях, где требуется детальное понимание изображения. Зато он хорошо подходит там, где важны размер модели, скорость инференса и стабильная работа на массовом оборудовании.