基于图像的饮食评估使用瑞典盘子模型:基于深度学习的评估你只看一次 (YOLO) 模型
Gustav Chrintz-Gath1, Meena Daivadanam2, Laran Matta2
1Department of Informatics and Media, Uppsala University, Box 513, Uppsala, 75120, Sweden, 46 709901474.
JMIR formative research
|August 14, 2025
概括
YOLOv8在识别食物和估计部分方面表现出色,在饮食指南方面表现优于其他YOLO版本. 对于现实世界的健康应用,需要进一步改进.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 人工智能的人工智能
背景情况:
- 像You Only Look Once (YOLO) 这样的对象检测框架具有先进的图像识别.
- 这项研究调查了YOLO用于食品识别和部分估计.
- 重点是与瑞典板模型对食指南的调整.
研究的目的:
- 评估和比较YOLOv7,YOLOv8和YOLOv9的性能.
- 评估食品成分检测和比例估计.
- 将人工智能驱动的饮食分析与公共卫生指南保持一致.
主要方法:
- 开发了3707个注释食品图像 (42个类别) 的自定义数据集.
- 应用预处理和数据增强技术.
- 评估模型使用精度,回忆,平均平均精度和F1分数.
主要成果:
- YOLOv8获得了最高的峰值精度 (82.4%) 和F1分数,超过了YOLOv7和YOLOv9.
- YOLOv8在食品分类和部分估计方面表现出卓越的准确性.
- 所有模型都在与视觉上相似的食物物品作斗争,突出了识别的复杂性.
结论:
- YOLOv8显示了与饮食模型一致的食物和部分识别的巨大潜力.
- 进一步完善模型和多样化的培训数据对于可靠的部署至关重要.
- 增强的AI工具可以支持健康和饮食监测应用程序.
