我不是专业程序员，最近公司在本地做一个图像识别算法，希望做一个演示demo，算法部署到云端，前端是微信小程序，用于上传手机拍摄照片并返回分析结果。
目前虽然不考虑高并发问题，但是在选型云服务器时发现带宽和流量都不便宜，对部署方案产生疑问。现在手机拍出来的像素都很高，一些大型应用如图片处理等app需要大并发地接收用户这么多大容量图片，究竟用什么架构来处理呢？
我考虑过以下方案：
【方案一】
前端：微信小程序上传原图到云服务器
后端：云服务器 + Django + python图像处理（压缩、裁剪、调色等）+ 自研识别算法
优点：原理简单，实现容易
缺点：手机原图分辨率大，云服务带宽有限，假如选100Mbps带宽，一张图片5MB=40Mb，单用户上传1张图占用0.4s，只要几个用户同时使用就会堵车。如果扩大带宽来解决，感觉是蛮力的方法，不太合理。
【方案二】
前端：微信小程序调用微信压缩图片接口，压缩后再上传
后端：云服务器 + Django + python图像处理（裁剪、调色等）+ 自研识别算法
优点：架构简单，折中的方法。
缺点：①虽然图片被压缩了，假设压了1/10，也只是把并发数扩大10倍，仍然是大力出奇迹。
②降低了图片分辨率，AI识别算法难度提高。
【方案三】
前端：微信小程序上传原图到云存储空间（如阿里云的OSS）、并通知后端执行业务逻辑
后端：云存储 + 云服务器 + Django + python图像处理（裁剪、调色等）+ 自研识别算法
后端方法①-调用云上图像处理API对原图进行图像处理（压缩、裁剪、调色等），接收小图到后端再执行AI算法
优点：利用API接口的高带宽，仍然能保持同步处理，即用户上传图片后，实时（略微等待）返回结果。
缺点：调用过程很复杂，只是减少了云服务器带宽要求，仍然要接收小图。
后端方法②-云服务器直接从云存储拉原图自己处理和AI识别
优点：利用云存储高带宽来加快图片上传，提高上传体验，且调用路径简单，可在后端自由实现图像处理算法。
缺点：云服务器仍然要接收原图，而且处理时间较长，需要异步操作，即用户上传完图片后，需要过一段时间再访问查看结果。
想要了解服务器是如何接住大流量高并发的？
我们处理方式是，用户上传图片的时候是存到阿里云oss的，然后后台调用oss返回的url。然后再去调用图片解析函数，然后得到结果反馈前端。
运用数据库。最进行图片编辑。