7.13 什么时候选什么技术

7.13.1 选 CNN 的场景

• 数据量少（几千到几万张图片）——CNN 的局部假设本身就是一种”先验知识”，小数据下比 Transformer 泛化好
• 需要实时响应——YOLO 检测速度可达 30-60 FPS，适合自动驾驶、视频监控
• 移动端部署——CNN 模型可以压到几 MB，在手机上跑；ViT 动辄几百 MB
• 固定场景的工业检测——固定视角、固定物体，CNN 的模板匹配式特征提取效率极高
• 预算有限——CNN 训练和推理的硬件成本远低于 ViT

7.13.2 选 Transformer（ViT）的场景

• 数据量大（百万级以上）——Transformer 在大数据上全面超越 CNN
• 需要全局理解——OCR（文字识别）、医学影像分析，需要看整张图的关系
• 多模态——CLIP、GPT-5.5 底层全是用 ViT 编码图片
• 需要长程依赖——理解图片中两个远距离物体之间的关系（如”人在追球”）

7.13.3 选 KNN（传统 ML）的场景

• 你根本没几张图片（几十到几百张）——KNN 不需要训练，直接把图转成向量后查最近邻。在人脸识别、相似图片搜索等场景，KNN 配合 Embedding 仍然有效

7.13.4 选混合架构的场景

• 需要在速度和精度间平衡——前几层 CNN（快速提取局部特征），后几层 Transformer（全局建模）
• 自动驾驶——CNN 做实时感知，Transformer 做时序融合和规划
• 视频理解——CNN 提取每帧的空间特征，Transformer 建模帧间时序关系

---

← 上一节：7.12 2026年CV的应用前沿 ｜ 下一节：7.14 CNN学习路线 →