本團隊開發出一套ezHybrid-M: Hybrid fixed point/binary CNN Model的開發流程，在損失小部分精確率的條件下，ezHybrid-M可以將卷積神經網路模型中的每一層網路層量化成1, 2, 4或8位元，有效降低91%模型大小、資料傳輸頻寬及運算量。

首創ezHybrid-M Hybrid Fixed Point CNN Model演算法與訓練流程，維持精準度並且壓縮模型大小。降低記憶體使用量，降低75% 資料傳輸頻寬，並提高硬體加速器計算效率。ezHybrid-M提供全球首創之自動化Hybrid fixed point 物件偵測模型之訓練方法。

我們所提出的 ezHybrid-M 混合神經網路模型訓練工具流程，適用於目前常見的卷積神經網路應用包括圖像辨識、 多重物件偵測和語意分析。以MobileNet SSD為例，我們可以將CNN Model Size減少至原先的9%、並減少75%之資料傳輸頻寬及運算量。