Ein Einzelhändler für Schönheitsartikel möchte einen stündlichen Bericht über Ladenbesucher, der aus jahrelangen Sicherheitsvideoaufnahmen erstellt wird. Der Bericht muss Besucher nach Frisur und Haarfarbe kategorisieren. Welcher Ansatz erfordert den geringsten Entwicklungsaufwand?

Die korrekte Option minimiert den Entwicklungsaufwand, indem sie auf bewährte und weit verbreitete Techniken setzt. Ein Objekterkennungsmodell kann effektiv Haare in Videobildern lokalisieren. Die extrahierten Haarausschnitte können dann an einen ResNet-50-Klassifikator übergeben werden. ResNet-50 ist ein tiefes Convolutional Neural Network (CNN), das für Bildklassifizierungsaufgaben optimiert und vortrainiert ist. Die Verwendung eines vortrainierten Modells für die Klassifizierung von Frisur und Haarfarbe reduziert den Bedarf an umfangreicher Datenannotation und Modelltraining von Grund auf erheblich. Die anderen Optionen sind weniger effizient. Die Verwendung eines XGBoost-Modells für Bildklassifizierung (Haarfarbe/Frisur) ist weniger geeignet als ein CNN wie ResNet-50, da XGBoost nicht speziell für die Verarbeitung von Bilddaten konzipiert ist und daher eine aufwändigere Feature-Engineering-Phase erfordern würde. Semantische Segmentierungsmodelle sind zwar präziser bei der Pixel-genauen Abgrenzung von Haarregionen, erfordern aber in der Regel mehr Rechenleistung und einen höheren Entwicklungsaufwand für Training und Feinabstimmung im Vergleich zur einfacheren Objekterkennung, die für diese Aufgabe ausreichend ist.