Um varejista de produtos de beleza deseja um relatório horário dos visitantes da loja, derivado de anos de vídeo de segurança. O relatório deve categorizar os visitantes por estilo e cor de cabelo. Qual abordagem exige o menor esforço de desenvolvimento?

A detecção de objetos seguida por um classificador como o ResNet-50 é a abordagem de menor esforço. Modelos de detecção de objetos, como YOLO ou SSD, são eficientes em localizar e delimitar objetos (neste caso, cabelo) em imagens. O ResNet-50 é um modelo de rede neural convolucional (CNN) pré-treinado, amplamente utilizado para classificação de imagens, que pode ser ajustado (fine-tuned) com um dataset menor para as categorias de estilo e cor de cabelo, exigindo menos desenvolvimento do zero. As opções que utilizam XGBoost são menos adequadas porque o XGBoost é um algoritmo de aprendizado de máquina tabular e não é otimizado para trabalhar diretamente com dados de imagem brutos ou recortes de imagem sem uma etapa complexa de extração de características. As opções que utilizam segmentação semântica são mais complexas e demoradas. A segmentação semântica é mais precisa na delimitação de pixels, mas exige mais recursos computacionais e um conjunto de dados de treinamento anotado pixel a pixel, o que aumenta significativamente o esforço de desenvolvimento em comparação com a detecção de objetos.