Derzeit wird die Gestaltung von neuronalen Netzwerkarchitekturen hauptsächlich durch das \emph{indirekte} Maß der Rechenkomplexität, d.h. FLOPs (floating point operations per second), geleitet. Das \emph{direkte} Maß, wie zum Beispiel die Geschwindigkeit, hängt jedoch auch von anderen Faktoren ab, wie den Kosten des Speicherzugriffs und den Plattformcharakteristiken. Daher schlägt diese Arbeit vor, das direkte Maß auf der Zielplattform zu bewerten, anstatt sich nur auf FLOPs zu konzentrieren. Auf Basis einer Reihe kontrollierter Experimente leitet diese Arbeit mehrere praktische \emph{Richtlinien} für eine effiziente Netzwerkgestaltung ab. Demgemäß wird eine neue Architektur vorgestellt, die als \emph{ShuffleNet V2} bezeichnet wird. Umfassende Abstrichexperimente bestätigen, dass unser Modell im Hinblick auf die Balance zwischen Geschwindigkeit und Genauigkeit dem aktuellen Stand der Technik entspricht.