近年來，在深度學習的支援下，計算機視覺識别技術取得了極大的進展。現在，移動應用中大多數的機器學習都是通過将資料傳輸到雲服務進行處理，然後再将傳回的結果提供給使用者。這就意味着在資料中心需要使用非常強大的計算機，還要減輕智能手機處理資訊的負擔。另外，這種方法延遲高，而且對隐私的保障性不好。
是以谷歌為幫助智能手機更好的識别圖像，而不需要大量的消耗，向開發者推出了 mobilenets，谷歌稱通過處理使用者智能手機上的資料，可以快速傳回結果。
mobilenets 是一系列用于 tensorflow 中的高效、小尺寸的移動端優先計算機視覺模型，它們的設計目标是在手持或嵌入式裝置有限的資源下高效地運作，并提供盡可能高的準确率。mobilenet 是小型、低延遲、低功耗的參數化模型，它為多種不同使用場景下的有限資源做了針對性的參數優化。它們可以像其他流行的大規模模型（如 inception）一樣用于分類、識别、嵌入和分割任務等。
基于 mobilenets 在移動裝置上進行目标檢測、細粒度分類、人臉屬性和地辨別别
這個 mobilenets 版本可在 tensorflow 中使用 tf-slim 對 mobilenet 模型進行定義，還包含 16 個訓練好的 imagenet 分類器（checkpoints），它們适用于所有不同大小的移動項目。這些模型配合 tensorflow mobile 的使用可在移動裝置上高效地運作。
如上圖所示，需要根據自己的延遲和項目大小需求選取合适的模型。網絡模型在記憶體和磁盤中所占的空間大小和網絡中參數的數量成正比。用 macs 值（multiply-accumulates，累積乘法量，用來衡量乘法、加法融合計算的數量）可以估計網絡的延遲和能源消耗。top-1 和 top-5 準确率是通過 ilsvrc 資料庫測試得出的。
開發者現可使用 tensorflow mobile 部署模型，tensorflow mobile 旨在幫助您将模型部署到 android，ios 和 raspberry pi 上。