Я вообще не понимаю почему до сих пор так не делают, ведь после опредеоенных слоев например той же сверточной сети, мы по-сути имеем хэшированное изображение, которое можно спокойно отдавать на сервер где завершать обработку, классификацию и т д, и отдавать назад ответ валидно / не валидно, человек / не веловек в таких то координатах и т д