我们介绍了一种轻量级、低功耗且通用的卷积神经网络——ESPNetv2，用于建模视觉和序列数据。该网络通过使用分组点卷积和深度空洞可分离卷积（depth-wise dilated separable convolutions），在减少浮点运算次数（FLOPs）和参数数量的情况下，从较大的有效感受野中学习表示。我们的网络性能在四个不同的任务上进行了评估：(1) 物体分类，(2) 语义分割，(3) 物体检测，以及 (4) 语言建模。这些任务的实验包括在ImageNet数据集上的图像分类和在PenTree银行数据集上的语言建模，结果表明我们的方法优于现有最先进方法。在PASCAL VOC和Cityscapes数据集上，ESPNetv2的性能比ESPNet提高了4-5%，同时浮点运算次数减少了2-4倍。与YOLOv2在MS-COCO物体检测任务上的表现相比，ESPNetv2的准确率高出4.4%，而浮点运算次数减少了6倍。我们的实验还显示，ESPNetv2比现有的最高效的ShuffleNets和MobileNets等方法具有更高的能效。我们的代码已开源，并可在https://github.com/sacmehta/ESPNetv2 获取。