我们介绍了下一代MobileNets，该模型基于互补搜索技术和一种新颖的架构设计。MobileNetV3通过硬件感知网络架构搜索（NAS）与NetAdapt算法相结合的方式进行了针对移动电话CPU的优化，并在此基础上通过新的架构改进进一步提升性能。本文开始探讨自动化搜索算法和网络设计如何协同工作，利用互补方法来改善整体技术水平。通过这一过程，我们创建了两个新的MobileNet模型供发布：适用于高资源使用场景的MobileNetV3-Large和适用于低资源使用场景的MobileNetV3-Small。这些模型随后被调整并应用于目标检测和语义分割任务。对于语义分割（或任何密集像素预测任务），我们提出了一种新的高效分割解码器——Lite Reduced Atrous Spatial Pyramid Pooling（LR-ASPP）。我们在移动设备上的分类、检测和分割任务中取得了最新的最佳结果。与MobileNetV2相比，MobileNetV3-Large在ImageNet分类任务上提高了3.2%的准确率，同时降低了15%的延迟；而MobileNetV3-Small则提高了4.6%的准确率，同时降低了5%的延迟。在COCO检测任务中，MobileNetV3-Large在保持与MobileNetV2相似准确率的情况下，速度提升了25%；而在Cityscapes分割任务中，MobileNetV3-Large LR-ASPP的速度比MobileNetV2 R-ASPP快30%，且准确率相当。