图像是从恒定距离拍摄的吗？

如果是，您首先需要将图像缩放到相同的尺寸。对于少数图像说 100-500 图像（越多越好），您需要通过适当的缩放来标记数据集。

标记后，使用它来训练CNN（尽管最好的方法是训练ResNet）。一旦以良好的准确性进行训练，就可以对数据集的其余部分进行测试。

我为我的一个项目做了类似的事情，如果你想在这里看看。

如果您有立体对，并且可以识别场景中的对象，则不需要神经网络，只需使用三角测量即可。

如果您需要识别场景中的哪些对象是相同的，那么您就会遇到图像分割问题。根据您的问题和您可以访问的数据量，您可以使用简单的技术，例如基于聚类的分割，或者您可以使用基于 NN 的技术，例如Mask R-CNN。