单个神经网络可以处理识别两种类型的对象，还是应该将其分为两个较小的网络？

特别是，一台嵌入式计算机（资源有限）会分析来自交通摄像头的实时视频流，试图选择包含过往车辆牌照号的良好帧。找到板后，将框架移交给OCR库以提取配准并进一步使用它。

在我国，通常使用两种类型的车牌-矩形（典型的）和正方形-实际上，有些牌照是矩形的，但“比宽于”高，车牌分为两行。

（还有更多类型，但让我们忽略它们；它们只占很小的百分比，通常属于超出我们兴趣的车辆。）

由于资源有限以及需要快速实时处理，因此系统可以处理的最大网络大小（单元和连接数）是固定的。

最好将其分成两个较小的网络，每个网络都识别一种类型的车牌，还是将较大的单个网络更好地处理这两种类型？

好吧，我不知道您要为神经网络提供什么类型的功能。但是，总的来说，我将使用单个神经网络。似乎您对网络培训的资源没有限制，唯一的问题是应用网络时的资源。

问题是这两个问题可能有共同点（例如，两种类型的板都是矩形的）。这意味着，如果您使用两个网络，则每个网络都必须再次解决相同的子问题（公共部分）。如果仅使用一个网络，则问题的常见部分将需要较少的单元/权重来解决，而其余的权重/单元可用于更好地识别。

最后，如果我在您的位置，我会尝试两者。我认为这是真正确定最佳解决方案的唯一方法。从理论上讲，我们可能没有包括某些因素。