调用AI大模型识别菜品

最新推荐文章于 2025-03-11 15:46:52 发布
最新推荐文章于 2025-03-11 15:46:52 发布
阅读量1.4k 收藏 23
点赞数 18
文章标签： 人工智能 大模型学习 产品经理 AI大模型 大模型 大模型入门 大模型教程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84495872/article/details/142965565
版权

“嘿，亲爱的小伙伴们！👋 今天我怀揣着满满的热情，精心准备了一篇文章，希望能像一缕清风，拂过我们求知的心田，带来一些新的思考与启发。让我们携手并进，在知识的海洋中扬帆远航，共同探索、学习、成长吧！🌟”

今天我与大家分享一篇题为“调用AI大模型识别菜品”的技术文章。博主的开发经验尚浅，如果文章写的不完美有漏洞请勿喷。

在给出具体的源代码前，先大致说一下调用AI 大模型的简单步骤。

一、相关步骤：

  1. 需要引入相关的依赖，包括PaddlePaddle和PyTorch的引擎和模型库。在这篇文章中博主是应用百度深度学习平台PaddlePaddle进行的。

    （介绍：PaddlePaddle（飞桨）是百度公司研发的开源深度学习平台，旨在支持大规模数据的多GPU和多机器并行训练。它最初源于2013年百度深度学习实验室创建的Paddle项目，于2016年9月正式开源，成为国内首个全面开源开放、技术领先、功能完备的产业级深度学习平台）

  2. 定义模型的推理类，在这个菜品识别的demo中我创建了DishesClassification类，用于封装与菜肴分类相关的推理逻辑。

  3. 初始化日志记录器：在类中初始化一个日志记录器，用于记录该类的日志信息

  4. 定义预测方法：定义predict方法，该方法接收一个图像对象，并返回分类结果。该方法内部调用classfier方法获取初步的分类结果，并对结果进行后处理（如softmax归一化） 介绍：Softmax归一化，又称归一化指数函数，是数学，特别是概率论和相关领域中一种重要的函数。Softmax函数本质上是一个带有归一化步骤的指数映射。它能够将一个K维实数向量z“压缩”到另一个K维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。这种特性使得Softmax函数在多分类问题中得到了广泛应用。

具体来说，Softmax函数的计算公式如下：

在这里插入图片描述

其中，zj是输入向量z的第j个元素，ezj是对zj求指数，确保输出为正数，分母∑Kk-1 ezk是对所有元素的指数值求和，以实现归一化。

特点与应用

概率输出：Softmax函数的输出可以看作是一个概率分布，每个元素代表输入向量属于某个类别的概率。这使得Softmax函数在多分类问题中非常有用，可以直接输出每个类别的预测概率。

增强差异：通过指数映射，Softmax函数能够将输入值拉伸到更大的范围，从而增强输入向量中元素之间的差异。这使得在分类问题中，更有可能正确识别出概率最大的类别。

广泛应用：Softmax函数在包括多项逻辑回归、多项线性判别分析、朴素贝叶斯分类器和人工神经网络等的多种基于概率的多分类问题方法中都有着广泛应用。在神经网络中，Softmax函数常用于输出层，将网络的输出转换为概率分布，以便于分类决策。

示例：

假设有一个输入向量z=[2.0, 1.0, 0.1]，我们可以计算它的Softmax输出：

  1. 计算每个元素的指数：**e2.0**≈7.39，**e1.0**≈2.72，**e0.1**≈1.10

  2. 计算这些指数值的和：7.39+2.72+1.10≈11.21

  3. 计算归一化后的概率值：

    7.3911.21≈0.662.7211.21≈0.241.1011.21≈0.10\dfrac{7.39}{11.21} ≈0.66 \qquad \dfrac{2.72}{11.21} ≈0.24 \qquad \dfrac{1.10}{11.21} ≈0.1011.217.39​≈0.6611.212.72​≈0.2411.211.10​≈0.10

    因此，输入向量z经过Softmax归一化后的输出为[0.66, 0.24, 0.10]，表示该输入向量被归一化为一个概率分布。

  4. 定义模型加载和推理方法：定义一个classfier方法，该方法负责加载模型并对图像进行推理。

    1. 使用Criteria.builder()构建一个模型加载的标准，指定使用的引擎（如PaddlePaddle）、模型路 径、模型名称、翻译器（用于将模型输出转换为可理解的格式）和进度条
    2. 加载模型：使用ModelZoo.loadModel(criteria)方法加载模型，该方法根据提供的标准加载指定的模型。
    3. 创建预测器，使用加载的模型创建一个Predictor对象，该对象用于对图像进行预测
    4. 执行预测：使用预测器的predict方法对传入的图像进行预测，获取结果
    5. 返回结果：将分类结果（Classifications对象）返回给调用者

  5. 示例：

    public class Main {  
    public static void main(String[] args) {  
        try {  
            // 假设您已经有一个Image对象img  
            Image img = ...; // 加载或创建图像对象  
  
            // 调用预测方法  
            Classifications classifications = DishesClassification.predict(img);  
  
            // 处理分类结果  
            // 例如，打印分类名称和概率  
            for (Classifications.Classification item : classifications.items()) {  
                System.out.println("Class: " + item.getClassName() + ", Probability: " + item.getProbability());  
            }  
        } catch (IOException | ModelException | TranslateException e) {  
            e.printStackTrace();  
        }  
    }  
}

    注意，上述示例中的Image对象和图像加载逻辑需要您根据实际情况进行实现。此外，DishTranslator类和ProgressBar类也需要您根据需要进行定义或引入。

二、具体代码

一、新建一个Maven工程，在pom.xml中引入以下依赖

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
  xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0</modelVersion>

  <groupId>com.dish</groupId>
  <artifactId>dish_identification</artifactId>
  <version>0.0.1-SNAPSHOT</version>
  <packaging>jar</packaging>

  <name>dish_identification</name>
  <url>http://maven.apache.org</url>

  <properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <djl.version>0.17.0</djl.version>
  </properties>

  <dependencies>

    <!-- 单元测试 -->
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>3.8.1</version>
      <scope>test</scope>
    </dependency>

    <dependency>
      <groupId>com.google.code.gson</groupId>
      <artifactId>gson</artifactId>
      <version>2.8.6</version>
    </dependency>
    <dependency>
      <groupId>commons-cli</groupId>
      <artifactId>commons-cli</artifactId>
      <version>1.4</version>
    </dependency>
    <dependency>
      <groupId>org.apache.logging.log4j</groupId>
      <artifactId>log4j-slf4j-impl</artifactId>
      <version>2.17.2</version>
    </dependency>

    <!-- 服务器端推理引擎 -->
    <dependency>
      <groupId>ai.djl</groupId>
      <artifactId>api</artifactId>
      <version>${djl.version}</version>
    </dependency>
    <dependency>
      <groupId>ai.djl</groupId>
      <artifactId>basicdataset</artifactId>
      <version>${djl.version}</version>
    </dependency>
    <dependency>
      <groupId>ai.djl</groupId>
      <artifactId>model-zoo</artifactId>
      <version>${djl.version}</version>
    </dependency>
    <!-- Pytorch -->
    <dependency>
      <groupId>ai.djl.pytorch</groupId>
      <artifactId>pytorch-engine</artifactId>
      <version>${djl.version}</version>
    </dependency>
    <dependency>
      <groupId>ai.djl.pytorch</groupId>
      <artifactId>pytorch-model-zoo</artifactId>
      <version>${djl.version}</version>
    </dependency>
    <!-- PaddlePaddle -->
    <dependency>
      <groupId>ai.djl.paddlepaddle</groupId>
      <artifactId>paddlepaddle-model-zoo</artifactId>
      <version>${djl.version}</version>
    </dependency>
    <dependency>
      <groupId>ai.djl.paddlepaddle</groupId>
      <artifactId>paddlepaddle-engine</artifactId>
      <version>${djl.version}</version>
    </dependency>

  </dependencies>
</project>

二、定义模型推理工具类，工具类中需要包含预测方法，模型加载和模型推理逻辑等

package com.dish.utils;

import ai.djl.ModelException;
import ai.djl.inference.Predictor;
import ai.djl.modality.Classifications;
import ai.djl.modality.cv.Image;
import ai.djl.repository.zoo.Criteria;
import ai.djl.repository.zoo.ModelZoo;
import ai.djl.repository.zoo.ZooModel;
import ai.djl.training.util.ProgressBar;
import ai.djl.translate.TranslateException;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import java.nio.file.Paths;

public final class DishesClassification {

    // 初始化一个日志记录器，用于记录该类的日志信息
    private static final Logger logger = LoggerFactory.getLogger(DishesClassification.class);

    private DishesClassification() {}

    /**
     * 图像预测逻辑
     * @param img 传入的图片
     * @return
     * @throws IOException
     * @throws ModelException
     * @throws TranslateException
     */
    public static Classifications predict(Image img) throws IOException, ModelException, TranslateException {

        // 调用classfier(img)方法来获取初步的分类结果
        Classifications classifications = DishesClassification.classfier(img);

        // 遍历分类结果中的每个项目，计算概率的总和以及最大概率
        List<Classifications.Classification> items = classifications.items();
        double sum = 0;
        double max = 0;
        double[] probArr = new double[items.size()];

        // 对概率进行softmax归一化处理（通过指数函数和最大概率的调整，然后计算新的概率分布）
        // 将处理后的分类名称和概率存储在新的列表中，并返回一个新的Classifications对象
        List<String> names = new ArrayList<>();
        List<Double> probs = new ArrayList<>();

        for (int i = 0; i < items.size(); i++) {
            Classifications.Classification item = items.get(i);
            double prob = item.getProbability();
            probArr[i] = prob;
            if (prob > max) max = prob;
        }

        for (int i = 0; i < items.size(); i++) {
            probArr[i] = Math.exp(probArr[i] - max);
            sum = sum + probArr[i];
        }

        for (int i = 0; i < items.size(); i++) {
            Classifications.Classification item = items.get(i);
            names.add(item.getClassName());
            probs.add(probArr[i]);
        }

        return new Classifications(names, probs);
    }

    /**
     * 使用Criteria类构建一个模型加载的标准，包括指定使用的引擎（PaddlePaddle）、模型路径、模型名称、翻译器（DishTranslator）和进度条。
     * 使用ModelZoo.loadModel(criteria)加载模型，并在try-with-resources语句中确保模型资源在使用后被正确关闭。
     * 使用加载的模型创建一个Predictor对象，并用它来预测图像的分类。
     * 返回预测结果，即Classifications对象。
     * */
    public static Classifications classfier(Image img) throws IOException, ModelException, TranslateException {

        Criteria<Image, Classifications> criteria =
                Criteria.builder()
                        .optEngine("PaddlePaddle")
                        .setTypes(Image.class, Classifications.class)
                        .optModelPath(Paths.get("models/dishes.zip"))
                        .optModelName("inference")
                        .optTranslator(new DishTranslator())
                        .optProgress(new ProgressBar())

                        .build();

        try (ZooModel model = ModelZoo.loadModel(criteria)) {
            try (Predictor<Image, Classifications> classifier = model.newPredictor()) {
                Classifications classifications = classifier.predict(img);
                return classifications;
            }
        }
    }

}

三、写测试方法进行调用

package com.dish;

import ai.djl.ModelException;
import ai.djl.modality.Classifications;
import ai.djl.modality.cv.Image;
import ai.djl.modality.cv.ImageFactory;
import ai.djl.translate.TranslateException;
import com.dish.utils.DishesClassification;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import java.io.IOException;
import java.nio.file.Path;
import java.nio.file.Paths;

public final class DishesClassificationExample {

    private static final Logger logger = LoggerFactory.getLogger(DishesClassificationExample.class);

    private DishesClassificationExample() {}

    public static void main(String[] args) throws IOException, ModelException, TranslateException {
        // 这里放图片资源，进行识别
        Path imageFile = Paths.get("src/main/resources/images/1.jpeg");
        Image image = ImageFactory.getInstance().fromFile(imageFile);

        Classifications classifications = DishesClassification.predict(image);

        Classifications.Classification bestItem = classifications.best();
        System.out.println(bestItem.getClassName() + " : " + bestItem.getProbability());

        logger.info("{}", classifications);
    }


}

四、查看执行的结果

下图是用于进行测试的图片：

在这里插入图片描述

执行结果（日志）

Loading:     100% |========================================|
WARNING: Logging before InitGoogleLogging() is written to STDERR
W1014 11:57:07.203495 19980 analysis_predictor.cc:1350] Deprecated. Please use CreatePredictor instead.
e[1me[35m--- Running analysis [ir_graph_build_pass]e[0m
e[1me[35m--- Running analysis [ir_graph_clean_pass]e[0m
e[1me[35m--- Running analysis [ir_analysis_pass]e[0m
e[32m--- Running IR pass [simplify_with_basic_ops_pass]e[0m
e[32m--- Running IR pass [layer_norm_fuse_pass]e[0m
e[37m---    Fused 0 subgraphs into layer_norm op.e[0m
e[32m--- Running IR pass [attention_lstm_fuse_pass]e[0m
e[32m--- Running IR pass [seqconv_eltadd_relu_fuse_pass]e[0m
e[32m--- Running IR pass [seqpool_cvm_concat_fuse_pass]e[0m
e[32m--- Running IR pass [mul_lstm_fuse_pass]e[0m
e[32m--- Running IR pass [fc_gru_fuse_pass]e[0m
e[37m---    fused 0 pairs of fc gru patternse[0m
e[32m--- Running IR pass [mul_gru_fuse_pass]e[0m
e[32m--- Running IR pass [seq_concat_fc_fuse_pass]e[0m
e[32m--- Running IR pass [squeeze2_matmul_fuse_pass]e[0m
e[32m--- Running IR pass [reshape2_matmul_fuse_pass]e[0m
e[32m--- Running IR pass [flatten2_matmul_fuse_pass]e[0m
e[32m--- Running IR pass [map_matmul_v2_to_mul_pass]e[0m
e[32m--- Running IR pass [map_matmul_v2_to_matmul_pass]e[0m
e[32m--- Running IR pass [map_matmul_to_mul_pass]e[0m
e[32m--- Running IR pass [fc_fuse_pass]e[0m
I1014 11:57:07.277503 19980 fuse_pass_base.cc:57] ---  detected 1 subgraphs
e[32m--- Running IR pass [repeated_fc_relu_fuse_pass]e[0m
e[32m--- Running IR pass [squared_mat_sub_fuse_pass]e[0m
e[32m--- Running IR pass [conv_bn_fuse_pass]e[0m
I1014 11:57:07.328486 19980 fuse_pass_base.cc:57] ---  detected 55 subgraphs
e[32m--- Running IR pass [conv_eltwiseadd_bn_fuse_pass]e[0m
e[32m--- Running IR pass [conv_transpose_bn_fuse_pass]e[0m
e[32m--- Running IR pass [conv_transpose_eltwiseadd_bn_fuse_pass]e[0m
e[32m--- Running IR pass [is_test_pass]e[0m
e[32m--- Running IR pass [runtime_context_cache_pass]e[0m
e[1me[35m--- Running analysis [ir_params_sync_among_devices_pass]e[0m
e[1me[35m--- Running analysis [adjust_cudnn_workspace_size_pass]e[0m
e[1me[35m--- Running analysis [inference_op_replace_pass]e[0m
e[1me[35m--- Running analysis [ir_graph_to_program_pass]e[0m
I1014 11:57:07.357105 19980 analysis_predictor.cc:714] ======= optimize end =======
I1014 11:57:07.358115 19980 naive_executor.cc:98] ---  skip [feed], feed -> @HUB_resnet50_vd_dishes@image
I1014 11:57:07.359102 19980 naive_executor.cc:98] ---  skip [save_infer_model/scale_0.tmp_2], fetch -> fetch
I1014 11:57:07.361105 19980 naive_executor.cc:98] ---  skip [feed], feed -> @HUB_resnet50_vd_dishes@image
I1014 11:57:07.362116 19980 naive_executor.cc:98] ---  skip [save_infer_model/scale_0.tmp_2], fetch -> fetch
热干面 : 1.0

Process finished with exit code 0

在这里插入图片描述

大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

在这里插入图片描述

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

在这里插入图片描述

在这里插入图片描述

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。
在这里插入图片描述

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。
在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
在这里插入图片描述

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

在这里插入图片描述

图像识别算法 | Matlab基于BP神经网络的菜品识别算法
前程算法屋的博客
07-29 488
图像识别算法 | Matlab基于BP神经网络的菜品识别算法
基于深度学习的菜肴识别应用程序
06-01
基于百度AI云服务接口开发的一个windows桌面应用程序---菜肴识别，该菜肴识别桌面应用读取一张菜肴图片，然后识别出该图片中菜肴的种类，图片可以来自本文件系统或者本地摄像头。
AI应用基于DJL开发WEB应用对鞋分类进行预测和推理------AI
最新发布
在经历了无数个黑夜之后，我决定自己成为太阳
03-11 1585
AI应用基于DJL开发WEB应用对鞋分类进行预测和推理------AI
AI人工智能课题：图像识别菜品识别系统的设计与实现（基于百度智能云AI接口）
杭州.黄老师
12-20 3133
AI人工智能课题：图像识别菜品识别系统的设计与实现（基于百度智能云AI接口）。模型选择和训练：选择适合的图像识别算法，在百度智能云AI接口上进行模型训练，优化模型参数，提高识别准确率。设计完善的系统功能：除了基本的菜品识别功能，还可以增加一些额外的功能，如菜品推荐、菜品热度分析等。模型训练和优化：百度智能云提供了图像识别接口和训练模型的功能，可以方便地进行模型训练和优化。结合百度智能云AI接口：利用百度智能云提供的图像识别接口，可以方便地实现菜品的识别和分类。
菜品识别系统（Faster-RCNN目标检测算法）
ELSA001的博客
08-30 1万+
一、Faster-RCNN目标检测算法的介绍 Faster-RCNN 算法由于其较高的检测准确率成为主流的目标检测算法之一，相比较 YOLO系列算法，Faster-RCNN 速度方面略显不足，平均检测精度（mAP）很高，它将 region proposal 提取和 Fast-RCNN 部分融合进了一个网络模型 (区域生成网络 RPN 层)。 算法大概可以分为特征提取层，区域建议层（RPN），ROIpooling（池化）层，分类与回归四个部分。具体执行步骤如下： (1)首先利用特征提取网络对输入进行特征提取
调用百度API实现菜品识别
ZHW-鲜橙大AI课题组的博客
05-22 2991
李延，男，西安工程大学电子信息学院，2022级研究生研究方向：扬声器异常声电子邮件：2534581066@qq.com张思怡，女，西安工程大学电子信息学院，2022级研究生，张宏伟人工智能课题组研究方向：机器视觉与人工智能电子邮件：981664791@qq.com智能百度云提供一个API接口，同时调用多个模型服务。
微信小程序开发之菜品识别（调用百度AI菜品识别接口）
lily_808的博客
04-26 7855
运行效果 用户点击选择图片或者拍照按钮，选择一张图片上传之后显示在图片区域，点击菜品识别，系统对菜品识别之后弹出对话框来提示菜品名称和热量，用户点击确定查看菜品详情。 小程序概述 此小程序主要调用了百度AI菜品识别的接口，项目可根据用户上传的图片来判断图片中菜品的名称/菜品的热量，并获取百度百科中关于菜品的详细说明。在wxml页面中，为了使得菜品图片呈现的更鲜艳，加了一个具有小圆点...
基于tensorflow的菜品图像识别小程序.zip
03-27
小程序会调用预训练的模型进行推理，识别出图片中的菜品种类，并返回结果。 为了提高用户体验，还可以集成其他功能，如实时反馈、推荐类似菜品等。此外，针对小样本量的菜品，可以引入迁移学习和数据扩增策略，以...
关于人工智能与大模型的技术介绍
tonyli288的专栏
10-08 1301
其实给实际的大语言模型输入的不是文字，而是通常叫Embedding的东西，文字必须转换成高维度的词向量（Embedding）+位置向量，大语言模型才能接受，大语言模型输出的也是矩阵向量或向量集。人工智能技术革命，以势不可挡的态势，一次次惊爆人们心灵，刷新人们的认知与见识，同时也引起人们的恐惧与担忧，今天我们在这里，探索这个引领科技前沿的话题，在接下来的时间里，我们将一起走过人工智能的发展历程，深入了解其核心技术，并探讨它如何逐步向通用人工智能（AGI）迈进。这就像是从单核处理器升级到了多核处理器。
深度学习AI算法在小程序上识别菜品-安装和使用指南
本资源包包含了一个基于深度学习AI算法的小程序版本菜品识别系统，该系统能够通过图片识别不同的菜品。代码基于Python环境开发，使用了pytorch深度学习框架。资源包中包含了所有必要的文件以及详细的文档说明，方便...
java百度ai菜品识别流程
10-28
在Java中利用百度AI菜品识别通常涉及以下几个步骤： 1. **安装SDK**：首先，你需要下载并安装百度AI的图像识别API SDK，比如PaddlePaddle（飞桨）或Baidu AIP（百度智能云平台）提供的官方库。 2. **注册账号**：...
人工智能实践——Restauraut+ 食物识别分析与营养规划系统
qq_50213874的博客
03-25 5956
项目背景描述： 项目以落地性强、准确度高为主要宗旨。对于餐厅而言。目前，由于使用收银机，餐厅的付款流程仍然是人工的且效率低下的。收银员会检查顾客点了什么食物，然后在收银台上进行结算。效率并不高。因此，食物识别设备和自动食物价格估算可以解决这些问题。食物识别分析旨在优化餐厅付款付款流程，并使用计算机视觉方法自动估算食物价格。传统的方法有餐盘识别价格计算法，该方法通过设置价格区间，不同的价格对应不同颜色的餐盘，因此算法只需要有能力识别各种颜色的餐盘即可，这样做优点是准确率高、算法设计简单，缺点是价格只能
蔬菜图片的类型识别系统【基于MobileNetV3模型】
abrahamss的博客
11-17 1864
蔬菜图片的类型识别系统【基于MobileNetV3模型】
百度SDK菜品识别
jkjj2015的博客
09-13 3523
1.安装百度SDK 如果已安装pip，执行pip install baidu-aip即可。 from aip import AipImageClassify """ 你的 APPID AK SK """ APP_ID = '' API_KEY = '' SECRET_KEY = '' client = AipImageClassify(APP_ID, API_KEY, SECRET_KE...
基于轻量级模型YOLOX-Nano的菜品识别系统
ELSA001的博客
02-08 2148
YOLOX是一个在2021年被旷视科技公司提出的高性能且无锚框（Anchor-free）的检测器，在YOLO系列的基础上吸收近年来目标检测学术界的最新成果，如解耦头（Decoupled Head）、数据增强、无锚框、标签分配策略SimOTA（Simplified Optimal Transport Assignment）等等。同时YOLOX继承了YOLO系列容易部署的特点，提供了支持ONNX、TensorRT、ncnn和Openvino的部署版本。
餐盘识别 菜品识别算法
Color Space的博客
06-19 5282
视频演示效果：https://www.bilibili.com/video/BV1N54y1s74m/ 菜品识别效果展示
基于YOLOv5的中式快餐店菜品识别系统
热门推荐
This blog is a space to document my professional learnings, personal reflections, and everything in between.
05-01 1万+
本文基于YOLOv5v6.1提出了一套适用于中式快餐店的菜品识别自助支付系统，综述了食品识别领域的发展现状，简要介绍了YOLOv5模型的历史背景、发展优势和网络结构。在数据集预处理过程中，通过解析UNIMIB2016，构建了一套行之有效的标签格式转换与校验流程，解决了YOLOv5中文件路径问题、标签格式转换问题和因EXIF信息的存在而导致的标记错位问题。通过选取最优参数组合训练模型，通过分析样本分布、PR曲线等，选取最佳预测置信度，大幅提升了预测精度和召回率.
Unity 接入百度AI - 菜品识别
当代野生程序猿
01-04 1511
接口介绍： 识别超过9千种菜品，支持客户创建属于自己的菜品图库，可准确识别图片中的菜品名称、位置、卡路里信息，并获取百科信息，适用于多种客户识别菜品的业务场景中。 创建应用： 在产品服务中搜索图像识别，创建应用，获取AppID、APIKey、SecretKey信息： 查阅官方文档，以下是菜品识别接口返回数据参数详情： 定义数据结构： using System; /// <summary> /// 菜品识别 /// &lt...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值