تُعتبر الشبكات العصبية التلافيفية الخفيفة (Lightweight Convolutional Neural Networks) من الأدوات الأساسية في مجال الذكاء الاصطناعي، حيث تُستخدم في تطبيقات متعددة تتراوح من التعرف على الصور إلى تحليل البيانات. لكن، كانت المقارنات بينها تتأثر بالاختلافات الكبيرة في طرق التدريب وإعدادات المدخلات. لذا، جاءت هذه الدراسة لتقديم معيار قابل للتكرار يهدف إلى تقييم سبعة نماذج معروفة لهذه الشبكات عبر ثلاث مجموعات بيانات رئيسية: CIFAR-10، CIFAR-100، وTiny ImageNet، وذلك وفق بروتوكول موحد للتدريب الدقيق.

تُظهر النتائج أن نموذج EfficientNetV2-S حقق أعلى دقة على جميع المجموعات الثلاث، حيث سجل دقة تصل إلى 97.57%، 86.98%، و78.73% على التوالي. وبفضل تصميمه الفعال، فقد احتفظ نموذج EfficientNet-B0 بفارق قليل لا يتجاوز 0.85 نقطة مئوية عن EfficientNetV2-S، باستخدام فقط حوالي 21% من معاييره و14% من العمليات الحسابية على مجموعة Tiny ImageNet.

وبينما يُعتبر نموذج MobileNetV3-S خيارًا قويًا للأوضاع ذات الموارد المحدودة، حيث يستهلك حوالي 40% من المعايير و15% من العمليات المطلوبة، محافِظًا على دقة تنافسية. كما تعكس المقارنة بين نماذج EfficientNet-B0 وMobileNetV3-S المعتمدة على التهيئة المسبقة وتلك المعتمدة على التهيئة العشوائية، تفوق التهيئة المسبقة في مجموعات CIFAR-100 وTiny ImageNet مقارنةً بمجموعة CIFAR-10، مما يدل على أهمية اختيار النموذج بناءً على البيانات المعتمدة.

بالتالي، تُعد هذه النتائج بمثابة مرجع مركز لاستكشاف الأنماط الخفيفة من الشبكات العصبية، مما يلبي متطلبات الدقة وجودة الأداء مع الأخذ في الاعتبار سعة التخزين والمطلب الحسابي.