Actuellement, la conception de l'architecture des réseaux neuronaux est principalement guidée par la métrique \emph{indirecte} de complexité de calcul, c'est-à-dire les FLOPs (Floating Point Operations Per Second). Cependant, la métrique \emph{directe}, telle que la vitesse, dépend également d'autres facteurs comme le coût d'accès à la mémoire et les caractéristiques de la plateforme. Par conséquent, cette étude propose d'évaluer la métrique directe sur la plateforme cible, au-delà de la simple considération des FLOPs. À partir d'une série d'expériences contrôlées, cette étude établit plusieurs \emph{recommandations} pratiques pour une conception efficace des réseaux. En conséquence, une nouvelle architecture est présentée, appelée \emph{ShuffleNet V2}. Des expériences d'ablation exhaustives vérifient que notre modèle est à l'état de l'art en termes de compromis entre vitesse et précision.