Un détaillant de produits de beauté souhaite obtenir un rapport horaire sur les visiteurs de ses magasins, basé sur des années de vidéos de sécurité. Le rapport doit classer les visiteurs par style et couleur de cheveux. Quelle approche nécessite le moins d'effort de développement ?

L'approche la moins coûteuse en développement consiste à utiliser un modèle de détection d'objets pour localiser les cheveux, puis un classifieur ResNet-50. La détection d'objets (par exemple, avec YOLO ou SSD) est bien adaptée pour identifier des régions spécifiques comme les cheveux dans une image, et les modèles pré-entraînés sont largement disponibles. ResNet-50 est un réseau de neurones convolutifs (CNN) puissant et pré-entraîné, excellent pour les tâches de classification d'images, ce qui réduit considérablement l'effort de développement et d'entraînement par rapport à la construction d'un modèle à partir de zéro. Les modèles XGBoost sont des algorithmes d'apprentissage automatique tabulaire, moins adaptés aux données d'images brutes sans extraction manuelle de caractéristiques coûteuse. La segmentation sémantique est une tâche plus complexe et plus coûteuse en calcul que la détection d'objets pour ce cas d'utilisation, car elle classifie chaque pixel plutôt que de simplement délimiter une boîte englobante.