Sprzedawca artykułów kosmetycznych chce otrzymywać godzinowy raport o osobach odwiedzających sklep, generowany na podstawie nagrań wideo z monitoringu z wielu lat. Raport musi kategoryzować odwiedzających według fryzury i koloru włosów. Które podejście wymaga najmniejszego wysiłku rozwojowego?

Prawidłowa odpowiedź wymaga najmniejszego wysiłku rozwojowego, ponieważ wykorzystuje model detekcji obiektów do zlokalizowania włosów, co jest prostsze niż segmentacja semantyczna, a następnie klasyfikator ResNet-50, który jest wstępnie wytrenowanym modelem głębokiego uczenia, doskonale nadającym się do zadań klasyfikacji obrazów. Modele detekcji obiektów są efektywne w identyfikowaniu i wycinaniu konkretnych obszarów (np. włosów) w obrazie. Użycie ResNet-50 minimalizuje potrzebę tworzenia i trenowania modelu od podstaw. Segmentacja semantyczna jest bardziej złożona i wymaga większego wysiłku rozwojowego, ponieważ klasyfikuje każdy piksel w obrazie. Modele XGBoost są algorytmami uczenia maszynowego opartymi na drzewach decyzyjnych, które są mniej odpowiednie do złożonych zadań klasyfikacji obrazów niż sieci neuronowe, takie jak ResNet-50, i wymagałyby znacznego inżynierii cech.