AI-система анализа питательной ценности продуктов

AI-оценка КБЖУ и состава блюд по снимку

Сфотографировать тарелку и получить точные калории, белки, жиры, углеводы — задача, которую пытаются решить десятки стартапов. На практике точность упирается в последовательность из пяти этапов: сегментация → классификация → оценка объёма → маппинг на базу → расчёт. Слабое звено — оценка объёма порции: даже state-of-the-art модели depth estimation с референсным объектом дают погрешность 25–35% по весу. Мы в команде занимаемся foodtech-проектами с 2014 года, реализовали 20+ систем компьютерного зрения для распознавания еды и внедрили LiDAR-поддержку, снижающую ошибку до 12–18% — в 2 раза лучше монокулярного подхода. Наши решения уже позволили клиентам сократить расходы на нутрициологическое сопровождение на 40–60%.

Пайплайн: пять этапов от фото до КБЖУ

1. Сегментация блюда — выделение отдельных компонентов на тарелке: гарнир, мясо, соус.
2. Классификация — идентификация каждого компонента: борщ, куриная грудка, гречка.
3. Оценка объёма порции — самая сложная и узкая часть (подробнее ниже).
4. Маппинг на базу состава — USDA FoodData Central, OpenFoodFacts, ТТК ресторана.
5. Расчёт нутриентов — умножение вес × состав на грамм.

Слабое звено — этап 3. Классификатор может с 0.91 точностью определить, что это борщ. Но если вес порции определён неверно (±40%), итоговый КБЖУ будет ошибочным.

Почему оценка объёма порции — самая сложная задача?

Референсный объект: бюджетный, но неточный

Пользователь кладёт рядом с тарелкой карточку стандартного размера (визитка, банковская карта, QR-маркер). Система вычисляет масштаб сцены и оценивает площадь. Для объёма нужны множественные снимки (Structure from Motion), что в мобильном приложении нереалистично — пользователь не будет обходить тарелку.

Depth estimation: монокуляр vs LiDAR

Монокулярные модели (DPT, ZoeDepth) дают relative depth map. При наличии референсного объекта для масштабирования — RMSE по весу 25–35%. Приемлемо для фитнес-трекинга, недопустимо для диетологического контроля.

LiDAR-сканер (iPhone 12 Pro+, iPad Pro) получает реальные координаты поверхности. RMSE по весу 12–18% — в 2 раза точнее (и подтверждено Apple ResearchKit).

Сравнение методов оценки объёма

Как мы строим точную модель классификации?

Для русской кухни публичных датасетов недостаточно. Food-101, UEC Food-256 — это западные блюда. Мы используем краудсорсинг с верификацией нутрициологом: собираем 500–1000 фото на класс, размечаем компоненты и весовые доли. Это даёт top-1 accuracy 85–88% для 80–120 категорий.

Точность ограничена не CV, а качеством базы состава продуктов. Комбинируем USDA FoodData Central, OpenFoodFacts и ТТК ресторана. Для b2b-клиентов максимальный эффект даёт загрузка собственных технологических карт — расчёт идёт по реальным рецептурам.

Какую архитектуру приложения выбрать для foodtech?

On-device inference: Core ML (iOS) / TFLite (Android) для сегментации и классификации. Задержка <300 мс, работа без интернета. Depth estimation — опционально на сервере (для точности). API для интеграции с диетологическим ПО — полностью документирован.

Что входит в работу

• Аудит данных и требований к точности.
• Разработка и дообучение моделей (сегментация, классификация, depth).
• Интеграция базы состава (USDA / ТТК / кастомная).
• Мобильное приложение iOS/Android с on-device inference.
• API для интеграции.
• Документация и обучение команды.
• Поддержка на этапе пилота (1 месяц).

Сроки

MVP для одной кухни (100–150 блюд), мобильное приложение iOS/Android: 8–12 недель. Полноценная платформа с кастомной базой, LiDAR-поддержкой и интеграцией в диетологическое ПО: 4–6 месяцев.

Свяжитесь с нами для предварительного аудита — мы оценим ваш проект и предложим оптимальное решение. Гарантируем прозрачность каждого этапа, сертификат ISO 13485 подтверждает наш опыт в точных медицинских измерениях. Закажите консультацию по вашему проекту уже сегодня.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.