Чому AI плутає схожі страви: нова модель розпізнає китайську їжу з точністю 84,37%

Розпізнати страву за фото складніше, ніж кішку чи автомобіль: десятки рецептів можуть мати однаковий колір, форму й подачу. Дослідники перевірили систему на китайському наборі CNFOOD-241 і отримали 84,37% Top-1 та 97,66% Top-5 точності. Поліпшення над сильною базовою моделлю невелике — лише 0,651 процентного пункту, але робота цікава чесним аналізом: частина категорій стала кращою, а частина — гіршою.

Чому їжа плутає комп’ютерний зір

Одна й та сама страва виглядає по-різному залежно від ресторану, посуду, світла, камери й кількості соусу. Водночас різні страви можуть складатися з подібних інгредієнтів і мати майже однакову текстуру. CNFOOD-241 містить 241 категорію китайських страв і спеціально виявляє цю проблему дрібнозернистої класифікації.

Що змінили в навчанні

Автори не вигадували нову велику архітектуру. Основою стала згорткова RegNetY-32GF. До її навчання додали чотири механізми: м’які підказки від моделі-вчителя, класифікацію з кутовим запасом між класами, triplet-регуляризацію для наближення схожих прикладів і віддалення різних, а також змішування навчальних зображень.

Ідея полягає в організації простору ознак. Замість того щоб лише вимагати правильну етикетку, модель учиться бачити відносну схожість класів і формувати щільніші групи для однієї страви. На етапі використання модель-вчитель не потрібна: залишається лише учнівська мережа, тому складніше навчання не подвоює обчислення для кожного нового фото.

Який результат отримали

За п’ятьма випадковими ініціалізаціями базова модель мала 83,72 ± 0,30% Top-1, а повна — 84,37 ± 0,29%. Top-5 майже не змінився: 97,64% проти 97,66%. Зважений F1 зріс із 83,63% до 84,27%. Парний bootstrap дав поліпшення Top-1 на 0,651 процентного пункту з 95% довірчим інтервалом від 0,491 до 0,817.

На рівні окремих класів середня зміна F1 була лише +0,309 пункту. Із 241 категорії 129 покращилися, 111 погіршилися, одна не змінилася. Це важливіше за красиву загальну цифру: модель у середньому стала трохи точнішою, але не розв’язала всі проблемні пари.

Що це означає для застосунків

Автоматичне визначення страви може спростити харчовий щоденник, пошук рецепта або попереднє заповнення меню. Але назва на фото ще не дає точних калорій: камера не бачить вагу порції, кількість олії, цукру, солі та приховані інгредієнти. У першій схемі автори показали можливе підключення довідника поживності, однак у самому дослідженні це розширення не перевіряли.

Для споживчого сервісу Top-5 може бути практичнішим за один категоричний прогноз: застосунок показує п’ять імовірних страв, а людина обирає правильну. Показник 97,66% свідчить, що правильна відповідь часто є серед п’яти кандидатів, хоча це результат конкретного закритого набору, а не будь-якої їжі у світі.

Обмеження, про які легко забути

• Закритий список. Модель завжди обирає одну з 241 відомої категорії й не доводить, що вміє сказати «цієї страви немає».
• Невеликий приріст. 0,651 пункту статистично підтриманий, але не перетворює систему на безпомилкову.
• Не всі класи виграли. Для 111 категорій середній F1 знизився.
• Польова перевірка попереду. Потрібні фото з різних телефонів, ресторанів, домівок, країн і умов освітлення.
• Поживність не виміряна. Розпізнавання назви не замінює аналіз рецепта й маси інгредієнтів.

Практичний висновок: для AI-сервісу важливо показувати кілька варіантів і можливість виправлення, а не прикидатися всезнаючим. А для розробників ця робота нагадує: середня точність може зрости, поки десятки окремих класів стають гіршими.

Перекладено й адаптовано за дослідженням Xin Xiong, Jinqiang Liao, Xiao Mo, JianFeng He та Toqir Rana у PLOS One від 25 вересня 2026 року. Текст і всі п’ять оригінальних фігур поширюються за CC BY 4.0.