AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月18日
小米开源的移动端深度学习推理框架,优化异构计算性能。
MACE 是小米开源的移动 AI 计算引擎,面向 Android、iOS、Linux 和 Windows 设备,针对 CPU、GPU、DSP 等异构计算平台进行推理优化。它支持 TensorFlow、Caffe 和 ONNX 模型格式,注重性能、功耗、响应速度、内存占用和模型保护。
推荐指数
适合需要在移动端高效部署深度学习模型的开发者,尤其关注性能与模型保护。
总 Star 排名
#1258
雷达追踪的 3,958 个 AI 仓库中
创建于
2018
2018年6月27日
核心亮点
1异构计算优化
利用 NEON、OpenCL 和 Hexagon 加速,并引入 Winograd 算法提升卷积速度。
2低功耗与高响应
支持 big.LITTLE 调度和 GPU 提示,可拆分 OpenCL 内核保证 UI 流畅。
3模型保护
通过转换为 C++ 代码和字面量混淆等技术保护模型资产。
4多平台多格式
覆盖 Android、iOS、Linux、Windows,支持 TensorFlow、Caffe、ONNX 模型。
5内存与体积优化
图级别内存分配优化和缓冲区复用,核心库依赖少、体积小。
适用场景
移动端图像识别
例如:在 Android 手机上用 MACE 部署 MobileNet 模型,实现实时物体分类。
端侧人脸检测
例如:在 iOS 设备上运行轻量人脸检测模型,利用 GPU 加速提升帧率。
嵌入式 AI 应用
例如:在基于 ARM 的 Linux 开发板上部署语音唤醒模型,优化功耗。
它是怎么工作的
第 1 步
模型转换
将 TensorFlow、Caffe 或 ONNX 模型转换为 MACE 格式。
第 2 步
图优化
进行算子融合、内存分配优化等图级别优化。
第 3 步
异构调度
根据设备能力将计算任务分配到 CPU、GPU 或 DSP。
第 4 步
推理执行
在目标设备上加载优化后的模型进行推理。
快速上手
- 1
环境准备
参考官方文档安装依赖,配置 Android/iOS 开发环境。
- 2
模型转换
使用 mace 工具将训练好的模型转换为 MACE 格式。
- 3
集成库
将 MACE 库集成到应用中,调用 API 加载模型并推理。
适合谁
- 移动端 AI 应用开发者
- 嵌入式 AI 工程师
- 需要模型保护的团队
- 关注推理性能优化的研究者
不太适合
- 需要快速原型验证的初学者
- 主要做云端推理的开发者
成熟度
- 活跃度最近一次推送在 2024 年 6 月,有 62 个开放 issue,更新频率中等。
- 文档有完整的 ReadTheDocs 文档、FAQ 和示例,但部分内容可能滞后。
- 社区GitHub 有 5k+ star 和 820 fork,有 Slack 和 QQ 群,但 issue 响应可能不及时。
- 上手难度需要配置移动开发环境和模型转换,对新手有一定门槛。
同类项目怎么选
- TensorFlow LiteGoogle 推出,生态更广,但 MACE 在小米设备上可能有更深度的优化。
- ncnn腾讯开源,无第三方依赖,更轻量,但 MACE 支持更多硬件后端如 Hexagon DSP。
- ONNX Runtime微软主导,跨平台支持好,但 MACE 更专注于移动端异构计算和模型保护。
使用前注意
- · 采用 Apache-2.0 许可,商业使用友好,但需注意第三方依赖的许可。
- · 主要优化针对 ARM 芯片,其他架构支持有限。
- · 模型转换和集成需要一定的移动开发经验。
- · 项目更新频率不高,需关注 issue 解决情况。
