关于目标识别的方案怎样选型（在图片中对工程车进行智能检测）
谢邀，之前有看过RCNN方面的工作，这里给你一点小小建议，可能有不合理的地方：
首先，算法的选择，个人感觉在没有做尝试之前定一个85%的detection accuracy是极其不合理的，是否之前有用过传统的方法比如hog/haar+adboost/svm，在场景不复杂的情况下， 这类算法其实效果还行，而且速率比较给力，所以你预先要考虑如何选择算法，是否一定要使用DL相关的模型，给几个考量方向：1，数据量，数据量要足够大如果你使用RCNN这类深度学习的方法；2，使用场景，是否在移动设备上计算还是专门的计算设备，如果是前者，必须考虑模型的forward的速率，这个是十分现实的问题，DL模型计算量通常比较大，而且需要资源加持；3，最后就是accuracy的要求，一般来说DL确实在这块比较给力，但是也不是一定的，在简单的背景下，传统的方法也是挺给力的；
其实，当你选择好算法之后，如果DL相关的模型才能hold你的要求，那么开始选择框架，我个人觉得不需要重复造轮子，开源实现资料的多少一般来说是我选择框架的一个标准，在object detection上，github有很多相关的资料，这里应该是你选择决定，当然也有另外的考虑，比如训练设备不给力的话，MXNet的框架相对来说，由于很多架构底层不可思议的优化，训练速度通常比较给力，但是笔者前面在选型实验室，MXNet在cpu上做forward的时候不如TensorFlow，你也需要考量在forward的时间，因为这和你最终模型的部署息息相关。
然后就是更细致的一点，看到你有提到inception-resnet-v2，我觉得你在这里选择什么模型应该有一个更细致的考虑，因为你这里可能需要pretrain的ckpt来做rcnn系列方法的工作，你需要了解那些框架有现成的imagenet对应方法的ckpt，因为MXNet的inception-resnet-v2是我contribute的，我之前因为计算资源的问题，并没有在ImageNet上跑过，也没有ckpt来弄，现在不确定是否有，你应该要多考虑下这块的资源，还有 还是计算设备的问题，如果你最终模型部署的环境资源有限，最好是考虑比较小的模型比如squeezenet 等等之类的
■网友
相关：深度学习加速器设计。1. faster RCNN在GPU加速下大概是50ms一帧（取决于前面特征提取网络的复杂程度）。考虑到新接触深度学习，不可能去手动实现一个前向的高性能版本，这个基本就是最终的检测速度。2. 真正阻碍深度学习落地的不是运算复杂度，而是数据带宽。动辄几百兆一G的模型每一帧都要加载一遍。卡口相机之类的应用场合不压缩模型基本不用想。模型压缩又是另外一个大坑。3. 针对你的问题，车辆这种显然刚性物体的检测绝对是传统分类器的最爱。如果相机是固定位置的话，背景建模+多个浅层分类器+追踪是毫无疑问的选择。4.深度学习的优势在于对非刚性物体以及严重遮挡，集群目标的效果远优于DPM。除此之外毫无优势。
■网友
【关于目标识别的方案怎样选型（在图片中对工程车进行智能检测）】 市面上已经有很多关于车型识别的算法，如有需要也可以联系我
推荐阅读
- 过节■江苏省委省政府办公厅下发关于做好2021年元旦春节期间有关工作的通知
- 黄金时间■黄金时间丨哪种产品最节水？购买产品请注意这个标识！
- 宝马1系|重新启用“ti”标识 宝马128ti正式公布售价
- |徐州市出台《关于优化创新创业生态系统 提升区域科技创新活力的实施意见》及实施细则
- 雨下|全球关于禁售燃油车只是理论上可行吗
- 关于用phpfsocket 写Post， 模拟http 报文怎样写入要传输的处理数据
- 智叔|很多家长还在整箱买：谈谈关于牛奶的17个真相警惕这些列入黑名单的“假牛奶”
- 关于微信小程序的思考：运营者该何去何从
- 汽车知识|西装暴徒的代表，40w就能拥有百万级别的声浪，到底是什么车
- 关于人工智能虚拟人的一些问题