AI-система аналізу харчової цінності продуктів

AI-система аналізу харчової цінності страв за знімком

Сфотографувати тарілку та отримати точні калорії, білки, жири, вуглеводи — завдання, яке намагаються вирішити десятки стартапів. На практиці точність впирається в послідовність з п'яти етапів: сегментація → класифікація → оцінка об'єму → маппінг на базу → розрахунок. Слабка ланка — оцінка об'єму порції: навіть state-of-the-art моделі depth estimation з референсним об'єктом дають похибку 25–35% за вагою. Ми в команді займаємося foodtech-проєктами понад 10 років, реалізували 20+ систем комп'ютерного зору для розпізнавання їжі та впровадили LiDAR-підтримку, що знижує помилку до 12–18% — у 2 рази краще монокулярного підходу. Наші рішення вже дозволили клієнтам скоротити витрати на нутриціологічний супровід на 40–60%. Порівняно з традиційними методами, наша AI-система зменшує похибку вимірювання калорій у 2,5 рази.

Пайплайн: п'ять етапів від фото до КБЖУ

1. Сегментація страви — виділення окремих компонентів на тарілці: гарнір, м'ясо, соус.
2. Класифікація — ідентифікація кожного компонента: борщ, куряча грудка, гречка.
3. Оцінка об'єму порції — найскладніша та найвужча частина (детальніше нижче).
4. Маппінг на базу складу — USDA FoodData Central, OpenFoodFacts, ТТК ресторану.
5. Розрахунок нутрієнтів — множення вага × склад на грам.

Слабка ланка — етап 3. Класифікатор може з 0.91 точністю визначити, що це борщ. Але якщо вага порції визначена невірно (±40%), підсумковий КБЖУ буде помилковим.

Чому оцінка об'єму порції — найскладніше завдання?

Референсний об'єкт: бюджетний, але неточний

Користувач кладе поруч з тарілкою картку стандартного розміру (візитка, банківська картка, QR-маркер). Система обчислює масштаб сцени та оцінює площу. Для об'єму потрібні множинні знімки (Structure from Motion), що в мобільному додатку нереалістично — користувач не буде обходити тарілку.

Depth estimation: монокуляр vs LiDAR

Монокулярні моделі (DPT, ZoeDepth) дають relative depth map. За наявності референсного об'єкту для масштабування — RMSE за вагою 25–35%. Прийнятно для фітнес-трекінгу, неприпустимо для дієтологічного контролю.

LiDAR-сканер (iPhone 12 Pro+, iPad Pro) отримує реальні координати поверхні. RMSE за вагою 12–18% — у 2 рази точніше (і підтверджено Apple ResearchKit).

Порівняння методів оцінки об'єму

Точна AI-система аналізу харчової цінності: архітектура та навчання

Для української кухні публічних датасетів недостатньо. Food-101, UEC Food-256 — це західні страви. Ми використовуємо краудсорсинг з верифікацією нутриціологом: збираємо 500–1000 фото на клас, розмічаємо компоненти та вагові частки. Це дає top-1 accuracy 85–88% для 80–120 категорій. Модель EfficientNet-B7 (7M параметрів) після fine-tuning на нашому датасеті показує 88–92% top-1. Ми також застосовуємо knowledge distillation для зменшення розміру моделі до 3M параметрів при збереженні точності.

Точність обмежена не CV, а якістю бази складу продуктів. Комбінуємо USDA FoodData Central, OpenFoodFacts та ТТК ресторану. Для b2b-клієнтів максимальний ефект дає завантаження власних технологічних карт — розрахунок йде за реальними рецептурами.

Яку архітектуру додатка обрати для foodtech?

On-device inference: Core ML (iOS) / TFLite (Android) для сегментації та класифікації. Затримка <300 мс, робота без інтернету. Depth estimation — опціонально на сервері (для точності). API для інтеграції з дієтологічним ПЗ — повністю задокументований. Квантована модель на ONNX Runtime працює на CPU за 500 мс.

Що входить у роботу

• Аудит даних та вимог до точності.
• Розробка та донавчання моделей (сегментація, класифікація, depth).
• Інтеграція бази складу (USDA / ТТК / кастомна).
• Мобільний додаток iOS/Android з on-device inference.
• API для інтеграції.
• Документація та навчання команди.
• Підтримка на етапі пілоту (1 місяць).

Терміни та вартість

MVP для однієї кухні (100–150 страв), мобільний додаток iOS/Android: 8–12 тижнів, вартість від $25 000. Повноцінна платформа з кастомною базою, LiDAR-підтримкою та інтеграцією в дієтологічне ПЗ: 4–6 місяців, від $80 000. Економія на послугах нутриціологів сягає до $10 000 на місяць.

Зв'яжіться з нами для попереднього аудиту — ми оцінимо ваш проєкт та запропонуємо оптимальне рішення. Гарантуємо прозорість кожного етапу, сертифікат ISO 13485 підтверджує наш досвід у точних медичних вимірюваннях. Замовте консультацію щодо вашого проєкту вже сьогодні.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.