背景
随着现代社会步入互联网高速发展阶段，人们的时间变得越来越宝贵，从经济学上的机会成本来理解就是我们每做一件事可能意味着放弃做其他事情所带来的成本越来越大。科沃斯作为国内家用机器人领导者一直致力于给予现代人一种新的生活方式，让用户耗费更少的时间进行清洁工作，尽情享受智能生活。以扫地机器人行业为例，目前扫地机技术虽然已经相对成熟，但在某些情况下表现依然会让人诟病，比如推着鞋子到处跑，被电线、抹布等低矮物体卡住等， 因此在扫地机清扫前用户需先进行一次“预清扫”（人工整理一下房间，把鞋子、抹布归位，收拾好电线等），而我们的目的就是通过视觉识别出这些目标，把人从“预清扫”中解放出来。
我们的识别目标主要是充电座、垃圾桶、鞋子、柔性布类、地毯等几类，在算法开发过程中我们碰到了以下几个影响性能的棘手问题：数据缺乏、室内环境复杂、待检测目标形态各异而且柔性目标与小目标居多、家用量产芯片算力受限，这些导致了我们很难用传统的机器视觉方法靠提特征来进行鲁棒地检测，因此我们决定采用深度神经网络模型。我们团队基于TensorFlow开发了一款物体检测模型，本文将大致介绍我们的开发过程，以及如何将模型落地到实际产品中。
目前市面上有很多深度学习框架，我们选择TensorFlow来开发我们的模型。我们选择它的原因有以下两点：
1.它是一款主流的成熟框架，论坛和社区都很活跃，很多流行的模型架构和算子已实现，这将大大缩短开发时间；而且当开发遇到困难时，也可以更容易在网上找到解决方案。
2.利用Tensorflow开发的模型来做产品落地非常方便。
