1.1 モバイル・エッジAIのニーズ
スマートフォン、ウェアラブル端末、IoTセンサーなどのリソース制約のあるデバイスでは、クラウドに依存せずローカルで推論を実行する要求が高まっている。リアルタイム応答、プライバシー保護、オフライン動作を実現するため、低レイテンシと低消費電力を両立する軽量ニューラルネットワークが必要とされた。従来の大規模CNNは計算量とメモリ消費が大きく、モバイル環境には不向きである。
1.2 MobileNetの開発動機
Googleは2017年に、モバイル・エッジデバイス向けに特化した畳み込みニューラルネットワークアーキテクチャとしてMobileNetを発表した。既存の軽量モデルが精度と速度のトレードオフに悩む中、深さ方向分離可能畳み込みを中核技術とし、パラメータ数と演算量を大幅に削減しながら、実用的な精度を維持することを目的とした。以降、バージョンアップごとに性能向上とハードウェア最適化が進められている。
2.1 深さ方向分離可能畳み込み
通常の畳み込みは入力チャネル数と出力チャネル数の積に比例する計算量を持つが、深さ方向分離可能畳み込みはこれを2段階に分解することで計算コストを低減する。標準の畳み込みと比較して、計算量は約1/k²（kはカーネルサイズ）となる。
2.1.1 深さ方向畳み込み
各入力チャネルに対して独立した1枚のフィルタを適用し、空間的な特徴マップを抽出する。計算量は入力チャネル数×カーネルサイズ×高さ×幅であり、通常の畳み込みよりも大幅に少ない。
2.1.2 点別畳み込み
深さ方向畳み込みの出力に対して、1×1の畳み込みを適用し、チャネル間の情報を融合するとともに出力チャネル数を調整する。この段階が計算量の主要部分となるが、通常の畳み込み全体と比べれば依然として軽量である。
2.2 アーキテクチャの詳細
MobileNet v1は、深さ方向分離可能畳み込みを基本ブロックとし、全結合層の代わりにグローバル平均プーリングとsoftmax層を最終段に配置する。13層の深さ方向分離可能畳み込みブロックから構成され、バッチ正規化とReLU活性化関数を各ブロックに使用する。画像サイズは224×224を標準入力とし、段階的に解像度を下げていく。
2.3 幅乗数と解像度乗数
幅乗数（α）は各層のチャネル数をスケーリングするハイパーパラメータで、モデルの幅と計算量を制御する。α=1.0, 0.75, 0.5, 0.25の選択肢があり、精度と速度のトレードオフを調整できる。解像度乗数（ρ）は入力画像の解像度を変更するパラメータであり、これも計算量に影響を与える。ユーザーはアプリケーションの要求に応じてこれらの乗数を組み合わせ、カスタマイズ可能である。
3.1 逆残差構造（Inverted Residual）
MobileNet v2は、残差ブロックの概念を逆転させた構造を導入する。通常の残差ブロックは狭いチャネルから広いチャネルへ拡張して畳み込むが、逆残差構造ではまず1×1畳み込みでチャネルを拡張し（拡張率t）、深さ方向畳み込みで特徴抽出した後、再度1×1畳み込みでチャネルを縮小する。これにより、低次元の表現を維持しながら計算効率を高める。
3.2 リニアボトルネック（Linear Bottleneck）
逆残差構造の最後の1×1畳み込み後の活性化関数をReLUではなく線形（恒等写像）にする。ReLUは低次元空間での情報損失を引き起こすため、この線形ボトルネックにより表現力の低下を防ぎ、精度を向上させる。
3.3 v1との比較
MobileNet v2はv1と比べて、逆残差構造とリニアボトルネックにより、同程度の計算量で約1～2%の精度向上を達成する。また、メモリ使用量も低減され、特にセマンティックセグメンテーションのような高解像度タスクで有利である。一方、構造の複雑さがわずかに増すため、推論速度は同等かやや遅くなる場合もある。
4.1 ニューラルアーキテクチャサーチ（NAS）
MobileNet v3の構築には、プラットフォーム認識型NAS（Platform-Aware NAS）とNetAdaptアルゴリズムが用いられた。これらの自動探索手法により、特定のハードウェア（例：Pixelスマートフォン向けCPU）上でのレイテンシと精度のトレードオフを最適化するネットワーク構造が見つけられた。人間の設計を超えた効率的なブロック配置が実現されている。
4.2 活性化関数の改良（h-swish）
従来のswish活性化関数（x・σ(x)）の代わりに、ハード版swish（h-swish）を導入する。h-swishはシグモイド関数を区間線形近似に置き換えたもので、計算コストが低く、特にモバイルデバイス上の整数演算で高速動作する。これにより、深いネットワークでも安定した勾配伝播が可能となった。
4.3 エッジデバイス向け最適化
MobileNet v3は、エッジTPUやGPUなどの専用アクセラレータ向けにさらに調整されたバリエーション（v3-Large, v3-Small）を提供する。これにより、同じアーキテクチャでもハードウェア特性に合わせた層の幅や深さが設定され、実機でのパフォーマンスが最大化される。
5.1 ユニバーサル逆残差ユニット
MobileNet v4では、従来の逆残差ブロックを一般化したユニバーサル逆残差ユニット（UIB）が導入された。UIBは可変カーネルサイズと非対称畳み込みを組み込み、空間的・チャネル的表現を柔軟に調整できる。これにより、多様なタスクや入力サイズに対して適応的な構造が実現される。
5.2 マルチスケール表現
UIB内では、異なるスケールの並列分岐（例：3×3畳み込みと5×5畳み込みの組み合わせ）が採用され、特徴マップのマルチスケールな情報を効率的に統合する。この設計により、物体の大きさや解像度の変化に対するロバスト性が向上し、セグメンテーションや検出タスクでの精度が改善される。
5.3 最新の性能ベンチマーク
ImageNetのトップ1精度で、MobileNet v4は同程度のパラメータ数の先行モデル（v3, v2）を2～3%上回る。また、推論速度はPixel 7デバイス上でv3比約10%向上し、特にエッジTPU環境ではハードウェア固有の最適化によりさらに高速化される。参画したベンチマークでは、軽量モデル全体の中でもトップクラスの性能を示している。
6.1 物体検出（MobileNet-SSD等）
MobileNetはSSD（Single Shot MultiBox Detector）やYOLOのバックボーンネットワークとして組み合わされ、MobileNet-SSDとして知られる軽量物体検出器を構成する。スマートフォンのカメラでのリアルタイム物体認識に利用され、処理速度は30FPS以上を達成する。
6.2 セマンティックセグメンテーション
DeepLab v3+などのセグメンテーションモデルにMobileNetをエンコーダとして統合し、ピクセル単位のクラス分類を低消費電力で実行する。MobileNet v2のリニアボトルネック特性が、高解像度なセグメンテーションマップの生成に寄与する。
6.3 顔認識・ポーズ推定
顔検出やランドマーク推定、人体姿勢推定のバックボーンとしてMobileNetが採用される。特にモバイル端末上のロック解除やジェスチャー認識アプリで広く使われ、軽量性によりバッテリー消費を抑えつつ高頻度な推論が可能となる。
6.4 モバイルアプリケーション事例
Googleフォトの物体認識、Googleレンズのリアルタイム翻訳、iOS Core MLベースのアプリにMobileNetが組み込まれている。また、農業や医療画像診断の現場で、タブレット端末を用いたオフライン推論にも活用されている。
7.1 ShuffleNet
ShuffleNetはグループ畳み込みとチャネルシャッフル操作を用いて計算量を削減するモデルである。MobileNet v1と同程度のパラメータ数で比較すると、ShuffleNet v2はモバイルCPU上の推論速度で優れる場合があるが、精度面ではMobileNet v3がやや優位な傾向にある。アーキテクチャ設計の差は、グループ数や分岐構造に依存する。
7.2 EfficientNet-Lite
EfficientNet-Liteは、EfficientNetをモバイル向けに調整したシリーズで、Neural Architecture Searchによりスケーリングを行う。MobileNet v3と比較してパラメータ数は多いが、高度なスケーリングにより特定の精度領域で優位性を示す。ただし、推論時の計算量がやや大きくなることがあるため、用途に応じた選択が必要である。
7.3 GhostNet
GhostNetは、通常の畳み込みから冗長な特徴マップを削除し、軽量な「ゴースト」モジュールで補完する。GhostNetはMobileNet v3と同等の演算量で、ImageNet精度で約0.5%向上する結果が報告されている。特に、チャネル数が多い層での効率性に優れるが、実装の複雑さが増す欠点もある。
8.1 TensorFlow Liteでの利用
TensorFlow LiteはMobileNetを公式にサポートし、事前学習済みモデルがModel Zooで提供される。TFLite Converterを用いてFloat32またはINT8量子化モデルに変換でき、AndroidのNNAPIやiOSのCore MLデリゲートを通じてハードウェアアクセラレーションが可能である。
8.2 PyTorch Mobileへの移植
PyTorch Mobileでは、MobileNetをtorchvisionから直接読み込み、TorchScript形式にエクスポートする。その後、Android StudioやXcodeに統合して推論を実行する。PyTorch Mobileの動的量子化機能も利用でき、メモリフットプリントを削減できる。
8.3 OpenVINO・ONNX対応
ONNX形式にエクスポートされたMobileNetは、Intel OpenVINOツールキットで最適化され、CPUやVPU、GPU上で高速推論を実現する。また、ONNX Runtimeを通じてWindowsやLinuxの組み込み環境でも動作可能であり、クロスプラットフォーム対応が容易である。
9.1 量子化（Post-training量化、QAT）
Post-training量化では、事前学習済みのFP32モデルをINT8に変換し、モデルサイズを約1/4に削減する。QAT（Quantization-Aware Training）では訓練時に量子化の影響をシミュレートし、精度低下を最小限に抑える。MobileNetはReLUの後に量子化を行いやすい特性があり、量子化後の精度劣化が比較的小さい。
9.2 プルーニングと知識蒸留
プルーニングでは、重要度の低い重みやチャネルを削除してモデルを圧縮する。MobileNetは構造がシンプルなため、チャネルプルーニングが効果的である。知識蒸留では、大規模な教師モデル（例：ResNet-50）から出力分布を学習し、小型のMobileNetの精度を向上させる。特にv3以降のバージョンで顕著な効果が見られる。
9.3 ハードウェアアクセラレータ活用法
エッジTPUやGPU（Mali, Adreno）のような専用ハードウェアでは、深さ方向畳み込みの演算を最適化するため、バッチサイズを1に設定し、メモリバンド幅を削減する。また、TensorFlow LiteのDelegate APIを用いて計算をアクセラレータに委譲すると、CPU比で2～5倍の高速化が可能である。
10.1 「MobileNetは永遠に軽い？」 〜ネットミーム集〜
コミュニティでは「MobileNetは、どんな重いモデルよりも軽い」という皮肉を込めたジョークが流行している。実際には、新しいバージョンが登場するたびにパラメータ数は増加傾向にあるため、「永遠に軽いわけではない」という認識も広がっている。また、「MobileNet v4はもはやmobileじゃない」というミームが一部で語られ、その進化の速さがネタにされる。
10.2 モバイルAIの次なる飛躍
MobileNetシリーズは、さらなる自動構造最適化とハードウェア協調設計により、超軽量でありながら高精度なモデルへと進化し続けると予想される。将来的には、腕時計レベルの極小デバイスでの推論や、連続動作が数週間に及ぶIoTセンサーへの組み込みが現実となる。また、量子コンピューティングやスパイキングニューラルネットワークといった次世代技術との融合も議論されている。