Image Classification در اپ‌های تناسب اندام و رژیم غذایی

شکم سیکس‌پک، عضلات جلوبازو و پشت بازو، و بدن فیتنس. این فرم بدنی است که احتمالاً اکثر ما آرزویش را داریم. ولی بیایید با خودمان صادق باشیم. اکثر ما برای رسیدن به تناسب اندام، بسیار تنبل هستیم. رفتن به باشگاه بدنسازی، یک انتخاب عالی برای داشتن یک بدن خوش‌فرم است، اما توجه به آن‌چه که می‌خوریم و مقداری که می‌خوریم، نه تنها مستلزم اراده قوی است، بلکه به یک دانش، در مورد آن‌چه که می‌خوریم نیاز دارد.در این مقاله، به بررسی کاربرد Image Classification در این زمینه خواهیم پرداخت.

دستورالعمل تشخیص غذا را می‌توان در برنامه‌های تناسب اندام ادغام کرد. این به کاربران امکان می‌دهد که از دوربین گوشی خود برای اسکن غذا استفاده کنند و جزئیات کالری، مواد مغذی و سایر اطلاعات مورد نیاز را بر روی صفحه نمایش گوشی خود ببینند. این به افراد کمک می‌کند تا غذای خود را به صورت وعده به وعده، بررسی کنند.

اصول فنی

این دستیار تناسب اندام، به کمک فناوری Image Classification که یک شاخه بیسیک و گسترده در زمینه هوش مصنوعی است، ساخته شده است. به طور سنتی، Image Classification با pre-processing تصاویر، استخراج ویژگی‌های آن‌ها و توسعه یک classifier کار می‌کند. بخش دوم این فرآیند، مستلزم مقدار زیادی کار به صورت دستی است. به این معنی که چنین فرآیندی صرفاً می‌تواند تصاویر را با اطلاعات محدودی طبقه‌بندی کند. تصاویری که پر از جزئیات هستند را فراموش کنید.

خوشبختانه، در سال‌های اخیر، Image Classification به کمک یادگیری عمیق، به طور قابل توجهی توسعه یافته است. این روش از یک inference framework خاص و یک شبکه neural برای classify (طبقه‌بندی) و برچسب‌گذاری عناصر در تصویر استفاده می‌کند تا تم‌ها و سناریوهای تصاویر را مشخص کند.

Image Classification از HMS Core ML Kit یکی از سرویس‌هایی است که از چنین روشی استفاده می‌کند. این کار بدین صورت است: تشخیص تصویر ورودی در حالت static image یا camera stream ← تجزیه و تحلیل تصویر با استفاده از مدل الگوریتم on-device یا on-cloud ← بازگرداندن category تصویر ( به عنوان مثال گیاه، مبلمان یا تلفن همراه) و اعتبارسنجی مربوط به آن.

شکل زیر، کل این فرآیند را نشان می‌دهد:

مزایای Image Classification با ML Kit

این سرویس بر اساس deep learning ساخته شده است. محتوای تصاویر (مانند اشیا، صحنه‌ها، رفتار و موارد دیگر) را تشخیص می‌دهد و اطلاعات برچسب‌گذاری شده آن‌ها را برمی‌گرداند. ML Kit با استفاده از موارد زیر، می‌تواند دقت، سرعت و موارد دیگر را افزایش دهد:

الگوریتم یادگیری انتقال

این سرویس مجهز به یک مدل برچسب‌گذاری تصویر با کارایی بالاتر و قابلیت انتقال دانش بهتر و همچنین توپولوژی شبکه neural عمیق است که دقت این فرآیند را تا 38 درصد افزایش می‌دهد.

شبکه Semantic (معنایی) WordNet

این سرویس مدل تحلیل معنایی را بهینه می‌کند و تصاویر را به صورت معنایی، تجزیه و تحلیل می‌کند. می‌تواند به صورت خودکار مفاهیم و برچسب‌های تصویر را استنتاج کند و تا 23.000 تگ را پشتیبانی می‌کند.

شتاب مبتنی بر سرویس‌های ابری Huawei GPU

سرویس‌های ابری Huawei GPU پهنای باند کش را 2 برابر و پهنای بیت را تا 8 برابر افزایش می‌دهند که بسیار بهتر از مدل قبلی است. این پیشرفت‌ها به این معنی است که Image Classification برای تشخیص یک تصویر ،تنها به 100 میلی‌ثانیه زمان احتیاج دارد.

وسوسه‌انگیز به نظر می‌رسد. نه؟ اگر می‌خواهید از سرویس Image Classification با ML Kit برای اپلیکیشن تناسب اندام خود استفاده کنید، گزینه بهتری هم وجود دارد: می‌توانید مستقیماً از دسته‌بندی‌های ارائه شده توسط این سرویس استفاده کنید یا مدل Image Classification خود را سفارشی کنید. سپس می‌توانید مدل خود را با تصاویر جمع‌آوری‌شده برای غذاهای مختلف آموزش دهید و tag data آن‌ها را وارد اپلیکیشن خود کنید تا دیتابیس بزرگی از جزئیات کالری غذاها ایجاد کنید.  هنگامی که کاربر از اپلیکیشن استفاده می‌کند، عمق میدان (DoF) دوربین دستگاه او (مثلاً یک موبایل Huawei )، فاصله بین دستگاه و غذا را اندازه‌گیری می‌کند تا اندازه و وزن غذا را تخمین بزند. سپس اپلیکیشن شما تخمین خود را با اطلاعات موجود در دیتابیس خود مطابقت می‌دهد تا کالری غذا را محاسبه کند.

علاوه بر مدیریت تناسب اندام، Image Classification با ML Kit می‌تواند در طیف وسیعی از سناریوهای دیگر نیز استفاده شود. به عنوان مثال، مدیریت گالری تصاویر، طبقه‌بندی تصاویر محصولات برای یک فروشگاه اینترنتی و غیره.

همه این کارها با دسته‌بندی‌های Image Classification مربوط به سرویس Image Classification قابل تحقق است. من آن را در اپلیکیشن خودم ادغام کرده‌ام. پس شما منتظر چه هستید؟

منبع: HackerNoon   نویسنده: لوکا دیویس