現在、ニューラルネットワークのアーキテクチャ設計は主に計算複雑度（例えば、FLOPs）という\emph{間接的な}指標によって導かれています。しかし、\emph{直接的な}指標、たとえば速度は、メモリアクセスコストやプラットフォームの特性などの他の要因にも依存します。したがって、本研究ではFLOPsだけでなく、目標プラットフォームでの直接的な指標を評価することを提案しています。一連の制御された実験に基づいて、本研究では効率的なネットワーク設計のためのいくつかの実践的な\emph{ガイドライン}を導き出しています。それに基づいて、新しいアーキテクチャである\emph{ShuffleNet V2}が提示されています。包括的なアブレーション実験により、当モデルが速度と精度のトレードオフにおいて最先端であることが確認されました。