随着人工智能行业和大数据技术的发展,人们对于生活工作效率的要求不断地提高;而随着科技的进步,越来越多的商家开始在网络上进行服装的买卖,也相应有越来越多的买家在网络上进行服装的展示,互联网上存储着海量的服装数据,用户对时尚服装也越来越重视,时尚也成了人们热议的话题。而实际生活中时装相关的图片,衣服由于一些客观因素会产生难以避免的变形或者掩盖,商用的服装图像风格也是各有不同。在生产部署中,对于服装类图像的检测还是一道难题。因此研究服装图像检测技术对电商平台和用户都有十分重要的意义。近几年,深度学习领域取得了重大发展,与时尚服装的联系日益紧密,将模型应用部署到实际生活中也成为了一大热门研究方向,在保证模型一定精度的同时也期望不断提升模型的运行速度,降低网络的计算量。本文基于服装图像检测的需求背景,将深度学习网络中的目标检测模型应用到服装检测上,并最终实现部署。主要完成以下工作:1.实现深度学习框架下,基于CenterNet网络的服装图像检测网络模型,该网络检测性能优异,并且不需要设置复杂的先验框,避免了众多冗余的计算。使用了堆叠沙漏网络,通过该网络实现了精确度极高的检测模型;为降低模型大小使用了残差网络,大大提升了网络的检测速度。2.提出MobileNet V2结合CenterNet的新式服装图像检测网络,并且在特征提取之后添加了一个特征金字塔网络,帮助进行特征融合,使其特征更加丰富。最终在损失一定精确度的同时,使模型检测的速度有了一定的提升,模型权重大小也减少,便于在计算资源有限的平台完成部署。3.针对MobileNet版本的CenterNet精确度较低的问题,提出Vo VNet结合CenterNet的新式服装图像检测网络,根据硬件内存访问成本的原理,使用了计算更加高效的神经网络进行特征提取,最终选择了相对轻量级的Vo VNet-slim-27,使得其在硬件平台的计算更加高效,检测速度进一步得到了提升,精确度也更有保障。4.提出两种网络模型部署的方法,分别是通过计算资源有限的Jetson Nano完成嵌入式硬件平台便携式实时部署,和基于手机应用的服务器部署,选择了通用技术栈uni-app、Java等,完成了手机端使用的APP开发以及计算资源丰富的服务器端开发。