一家美容用品零售商希望從多年的保全影片中，取得每小時的商店訪客報告。該報告必須依髮型和髮色分類訪客。哪種方法所需的開發工作量最少？

正確答案是執行物件偵測模型以定位影片影格中每個人的頭髮，然後將頭髮裁切傳遞給 ResNet-50 分類器以確定髮型和髮色。這是因為物件偵測模型（例如 YOLO 或 Faster R-CNN）可以直接識別並框選出影片中每個人的頭髮區域，然後將這些裁剪後的圖像輸入到 ResNet-50 這種預訓練的深度學習分類器中，以識別髮型和髮色。ResNet-50 是一種強大的卷積神經網路，在圖像分類任務上表現出色，且通常不需要從頭開始訓練，只需進行微調，因此開發工作量較少。 使用 XGBoost 模型進行圖像分類通常需要手動提取特徵，這會增加開發複雜度和工作量，因此選項 B 和 D 不如使用 ResNet-50。語義分割模型雖然能精確分割頭髮區域，但其計算成本通常高於物件偵測，且對於此任務而言，物件偵測提供的裁剪圖像已足夠進行分類，因此選項 C 和 D 並非最省力的方法。