mAP و IoU: نظرة معمّقة في معايير الرؤية الحاسوبية للتعرف على الطعام

عندما يدّعي تطبيق تغذية أن ذكاءه الاصطناعي يمكنه "التعرف على طعامك من صورة"، ماذا يعني ذلك فعلاً بمقاييس قابلة للقياس؟ ما مدى دقة التعرف؟ كيف يتعامل النظام مع طبق يحتوي على ستة عناصر مختلفة متلامسة؟ وكيف تقارن بين نظام تعرف على الطعام وآخر؟

الإجابات تكمن في مقياسين يستخدمهما مجتمع أبحاث الرؤية الحاسوبية لتقييم نماذج كشف الأجسام: mAP (متوسط الدقة المتوسطة) و IoU (التقاطع على الاتحاد). هذه الأرقام تحدد ما إذا كان ذكاء الطعام الاصطناعي دقيقاً حقاً أم مجرد مبهر في عرض توضيحي.

فهم IoU: المقياس الأساسي

التقاطع على الاتحاد يقيس مدى تطابق مربع الإحاطة المتوقع أو قناع التجزئة مع الحقيقة الأرضية، أي الموقع والشكل الفعلي لعنصر الطعام كما حدده مُعلِّم بشري.

الحساب مباشر:

IoU = مساحة التداخل / مساحة الاتحاد

IoU بقيمة 1.0 يعني أن التوقع يطابق الحقيقة الأرضية تماماً. IoU بقيمة 0.0 يعني عدم وجود تداخل على الإطلاق. عملياً، العتبة القياسية للكشف "الصحيح" في التعرف على الطعام هي IoU بقيمة 0.5 أو أعلى، أي تداخل بنسبة 50 بالمئة على الأقل بين المنطقة المتوقعة والفعلية للطعام.

لماذا يهم IoU للتغذية

IoU يؤثر مباشرة على تقدير الحصة. إذا التقط مربع إحاطة النموذج 60 بالمئة فقط من الأرز في طبقك (IoU أقل من عتبة الدقة للتجزئة الدقيقة)، فإن تقدير الحصة سيكون أقل من الواقع. على العكس، إذا كان مربع الإحاطة كبيراً جداً وشمل جزءاً من الكاري المجاور، فإن تقدير السعرات الحرارية للأرز سيتضخم بسبب المحتوى الغذائي للكاري.

بالنسبة للأطباق البسيطة التي تحتوي على عنصر طعام واحد في وسط الإطار، يكون تحسين IoU سهلاً نسبياً. التحدي يتصاعد بشكل كبير مع الأطباق المعقدة متعددة العناصر.

فهم mAP: مقياس مستوى النظام

متوسط الدقة المتوسطة يجمع دقة الكشف عبر جميع فئات الطعام وعتبات الثقة في درجة واحدة. يجيب على السؤال: عبر جميع أنواع الطعام التي يمكن لهذا النموذج التعرف عليها، ما مدى موثوقية كشفها وتصنيفها بشكل صحيح؟

يتضمن الحساب:

1. الدقة: من جميع عمليات الكشف التي أجراها النموذج، كم منها كان صحيحاً؟
2. الاسترجاع: من جميع عناصر الطعام الموجودة فعلاً، كم منها وجدها النموذج؟
3. متوسط الدقة (AP): المساحة تحت منحنى الدقة-الاسترجاع لفئة طعام واحدة
4. mAP: متوسط قيم AP عبر جميع فئات الطعام

نموذج بـ mAP@0.5 بقيمة 0.85 يكشف ويصنف بشكل صحيح 85 بالمئة من عناصر الطعام عند عتبة IoU 0.5 عبر جميع الفئات. mAP@0.5:0.95 هو مقياس أكثر صرامة يحسب متوسط الأداء عبر عتبات IoU من 0.5 إلى 0.95، مما يعاقب النماذج التي تحقق كشفاً فضفاضاً لكنها تفشل في التجزئة الدقيقة.

الفجوة بين العرض التوضيحي والواقع

معظم عروض الذكاء الاصطناعي للطعام تعرض صوراً لعنصر واحد، بإضاءة جيدة، من أعلى: وعاء رامن، طبق سوشي، سلطة. في هذه الظروف، تحقق النماذج الحديثة درجات mAP@0.5 أعلى من 0.90. الرقم ينخفض بشكل ملحوظ مع ظروف العالم الحقيقي.

العوامل التي تُضعف mAP عملياً:

• عناصر متعددة متداخلة: طبق من الأرز والدال والسبزي والروتي متلامسة
• حجب جزئي: عنصر طعام مخفي جزئياً خلف آخر
• إضاءة متغيرة: إضاءة مطعم خافتة مقابل إضاءة مطبخ ساطعة
• زوايا غير قياسية: صور ملتقطة من الجانب بدلاً من أعلى مباشرة
• تشابه بصري: الأرز البني والكينوا، أو أنواع مختلفة من الدال، التي تبدو متطابقة تقريباً

عادةً ما ينخفض mAP للتعرف على الطعام في العالم الحقيقي بمقدار 10 إلى 20 نقطة عن أداء المعايير المضبوطة.

مشكلة الطبق متعدد العناصر

التحدي الحاسم في التعرف على الطعام ليس تحديد طعام واحد بمعزل. بل هو تحديد خمسة أو ستة عناصر مختلفة في طبق واحد حيث تتلامس وتتداخل وتمتزج بصرياً.

فكّر في ثالي هندي نموذجي: أرز، كاريان، دال، رايتا، باباد، ومخلل، كلها مقدمة في طبق واحد مع عناصر متلامسة. أو طبق مكسيكي مع أرز وفاصوليا وغواكامولي وصلصة وكريمة حامضة وتورتيلا. كل عنصر يحتاج إلى تحديد فردي وتقدير حصته بشكل مستقل.

التجزئة الدلالية مقابل تجزئة المثيلات

هناك نهجان أساسيان لحل هذه المشكلة، والتمييز بينهما مهم.

التجزئة الدلالية تُعيّن كل بكسل في الصورة لفئة طعام. جميع البكسلات التي هي "أرز" تُصنّف كأرز، وجميع البكسلات التي هي "كاري" تُصنّف ككاري. هذا يعمل جيداً للعناصر المنفصلة بوضوح لكنه يفشل عند وجود مثيلين من نفس الفئة (كاريان مختلفان في نفس الطبق) أو عندما تكون الحدود غامضة.

تجزئة المثيلات تحدد كل عنصر طعام فردي ككيان منفصل، حتى لو كان عنصران ينتميان لنفس الفئة. هذا هو النهج المطلوب لتحليل دقيق للأطباق متعددة العناصر، لأنه يسمح للنظام بتقدير حجم حصة كل عنصر بشكل مستقل.

بنى تجزئة المثيلات الحديثة مثل Mask R-CNN وخلفائها تُولّد كلاً من تصنيف وقناع على مستوى البكسل لكل عنصر طعام مكتشف. جودة هذه الأقنعة تحدد مباشرة دقة تقدير الحصة.

أداء المعايير: أين نقف

يستخدم مجال التعرف على الطعام عدة معايير قياسية لتقييم أداء النماذج. إليك كيف يؤدي أحدث ما توصلت إليه التقنية.

Food-101

المعيار الأصلي واسع النطاق للطعام، يحتوي على 101 فئة طعام مع 1000 صورة لكل فئة. النماذج الأفضل حالياً تحقق دقة تصنيف أعلى من 95 بالمئة على Food-101. ومع ذلك، Food-101 هو معيار تصنيف (طعام واحد لكل صورة)، وليس معيار كشف، لذلك لا يختبر سيناريوهات الأطباق متعددة العناصر.

UECFOOD-256

مجموعة بيانات من 256 فئة مع تعليقات مربعات الإحاطة، مما يتيح تقييم الكشف. نماذج أحدث التقنيات تحقق mAP@0.5 بقيمة تقريبية من 0.78 إلى 0.82 على هذه المجموعة، مما يعكس الصعوبة المتزايدة للكشف متعدد الفئات.

Nutrition5k

معيار أحدث يربط صور الطعام ببيانات غذائية فعلية مقاسة من خلال التحليل المخبري. تتيح هذه المجموعة تقييماً شاملاً: ليس فقط "هل حدد النموذج الطعام بشكل صحيح؟" بل "هل أنتج تقديراً دقيقاً للسعرات الحرارية؟" الأداء على Nutrition5k يكشف عن التأثير المُركّب لأخطاء الكشف على الدقة الغذائية.

ISIA Food-500

مجموعة بيانات واسعة النطاق تضم 500 فئة طعام مستمدة من مطابخ عالمية متنوعة. تكشف مشكلة التحيز الثقافي في التعرف على الطعام: النماذج المدربة بشكل أساسي على مجموعات بيانات غربية تظهر انخفاضاً كبيراً في الدقة على فئات الطعام الآسيوي والأفريقي وأمريكا الجنوبية.

تطور البنى: من CNN إلى Vision Transformer

تطورت بنى النماذج المستخدمة للتعرف على الطعام بشكل كبير، وكل جيل حسّن التعامل مع الأطباق متعددة العناصر.

عائلة YOLO (من YOLOv5 إلى YOLOv10)

عائلة نماذج YOLO (أنت تنظر مرة واحدة فقط) تُعطي الأولوية للسرعة. YOLOv8 والإصدارات اللاحقة تحقق mAP@0.5 من 0.75 إلى 0.82 على معايير كشف الطعام مع تنفيذ الاستدلال في أقل من 50 مللي ثانية على الأجهزة الحديثة. هذا يجعلها مناسبة لتطبيقات الجوال في الوقت الفعلي حيث يتوقع المستخدم النتائج خلال 1 إلى 2 ثانية من التقاط الصورة.

المقايضة هي أن نماذج YOLO قد تواجه صعوبة مع العناصر المتداخلة بإحكام حيث يكون تحديد الحدود الدقيق حاسماً لتقدير الحصة.

محولات الرؤية (ViT, DINOv2)

البنى القائمة على المحولات تعالج الصور كتسلسلات من الرقع وتستخدم آليات الانتباه الذاتي لالتقاط السياق العام. بالنسبة للتعرف على الطعام، هذا يعني أن النموذج يمكنه استخدام أدلة سياقية، إذا كان الأرز موجوداً فمن المرجح أن يكون الكاري قريباً، لتحسين كشف العناصر الغامضة.

محولات الرؤية تحقق mAP أعلى على الأطباق المعقدة متعددة العناصر مقارنة بالنهج القائمة على CNN، خاصة للعناصر ذات الحدود الغامضة. التكلفة هي متطلبات حسابية أعلى واستدلال أبطأ.

النهج الهجينة

أفضل الأنظمة أداءً حالياً تجمع بين استخراج الميزات القائم على CNN وآليات انتباه المحولات. هذه البنى الهجينة تحقق mAP@0.5 أعلى من 0.85 على كشف الطعام متعدد العناصر مع الحفاظ على سرعات استدلال عملية لتطبيقات الجوال.

خط أنابيب التعرف في Nutrola يستخدم بنية هجينة توازن بين دقة الكشف وزمن الاستجابة أقل من ثانيتين الذي يتوقعه المستخدمون.

من الكشف إلى التغذية: خط أنابيب الدقة

الناتج النهائي لنظام التعرف على الطعام ليس مربع إحاطة أو قناع تجزئة. بل هو تقدير للسعرات الحرارية والماكرو. دقة ذلك التقدير تعتمد على سلسلة من الخطوات، كل منها بمعدل خطأ خاص.

1. الكشف والتصنيف: هل تم تحديد عنصر الطعام بشكل صحيح؟ (يُقاس بـ mAP)
2. جودة التجزئة: هل قناع البكسل دقيق بما يكفي لتقدير حصة دقيق؟ (يُقاس بـ IoU)
3. تقدير الحجم: بالنظر إلى القناع، ما كمية الطعام الموجودة فعلاً؟ (يُقاس مقابل الأوزان الحقيقية)
4. الربط الغذائي: بالنظر إلى الطعام المُحدد والحجم المُقدّر، ما هي السعرات الحرارية والماكرو؟ (يُقاس مقابل بيانات غذائية مُتحقق منها مخبرياً)

الأخطاء في كل مرحلة تتراكم. نموذج يحدد عنصر طعام بشكل صحيح 90 بالمئة من الوقت مع تقديرات حصة دقيقة بنسبة 15 بالمئة سينتج تقديرات سعرات بمعدل خطأ مُركّب أوسع مما يوحي به أي مقياس فردي.

لهذا السبب لا تروي مقاييس المعايير وحدها القصة كاملة. مكونات قاعدة البيانات الغذائية وتقدير الحجم لها نفس الأهمية، وهي حيث تتميز أنظمة التغذية المُخصصة عن نماذج التعرف على الطعام العامة.

ماذا تعني هذه المقاييس لتتبعك

بالنسبة للمستخدم النهائي، التطبيقات العملية لهذه المعايير واضحة.

وجبات عنصر واحد (وعاء شوفان، مخفوق بروتين، قطعة فاكهة) يتم التعرف عليها بدقة عالية من قبل معظم أنظمة الذكاء الاصطناعي الحديثة للطعام. هامش الخطأ عادةً في حدود 5 إلى 10 بالمئة من محتوى السعرات الفعلي.

الأطباق متعددة العناصر أصعب. توقع دقة في حدود 10 إلى 20 بالمئة للعناصر المنفصلة جيداً و15 إلى 25 بالمئة للعناصر المتداخلة أو المختلطة. هنا يُحسّن الإدخال متعدد الوسائط (إضافة صوت أو نص) النتائج بشكل كبير.

الأطباق المعقدة المختلطة (يخنات، طواجن، كاري) تبقى التحدي الأصعب. هنا يعتمد النظام بشكل كبير على التعرف على مستوى الطبق والبحث في قاعدة البيانات بدلاً من التحليل على مستوى المكونات. قاعدة بيانات مُتحقق منها بإدخالات خاصة بالأطباق تصبح أهم من دقة الكشف.

مسار التحسن واضح: كل جيل من بنى النماذج يُقلّص الفجوة بين أداء المعايير المضبوطة والدقة في العالم الحقيقي. لكن أهم مكاسب الدقة اليوم لا تأتي من نماذج كشف أفضل وحدها، بل من الجمع بين الذكاء الاصطناعي البصري وبيانات غذائية مُتحقق منها وإدخال المستخدم متعدد الوسائط.

الأسئلة الشائعة

ما هو mAP في التعرف على الطعام بالذكاء الاصطناعي؟

متوسط الدقة المتوسطة (mAP) هو المقياس القياسي لتقييم مدى دقة نموذج كشف الأجسام في تحديد وتحديد موقع العناصر في الصور. في التعرف على الطعام، يقيس mAP مدى موثوقية الذكاء الاصطناعي في كشف وتصنيف عناصر الطعام المختلفة بشكل صحيح عبر جميع الفئات التي تم تدريبه عليها. mAP أعلى يشير إلى أداء كشف عام أفضل. يأخذ المقياس في الاعتبار كلاً من الدقة (هل كانت عمليات الكشف صحيحة) والاسترجاع (هل تم العثور على جميع العناصر)، مما يوفر مقياساً شاملاً لدقة النظام. نماذج التعرف على الطعام الأحدث تحقق درجات mAP@0.5 بين 0.78 و 0.88 على المعايير القياسية.

ما مدى دقة تتبع السعرات الحرارية بالذكاء الاصطناعي من الصور؟

تتفاوت الدقة بشكل كبير حسب تعقيد الوجبة. بالنسبة لوجبات العنصر الواحد مع طعام مرئي بوضوح، يحقق الذكاء الاصطناعي الحديث تقديرات سعرات في حدود 5 إلى 10 بالمئة من القيم الفعلية. للأطباق متعددة العناصر مع مكونات منفصلة جيداً، تنخفض الدقة إلى حدود 10 إلى 20 بالمئة. الأطباق المعقدة المختلطة والوجبات ذات المكونات المخفية مثل زيوت الطهي تمثل التحدي الأكبر، مع أخطاء محتملة من 20 إلى 30 بالمئة إذا اعتمدت على تحليل الصورة وحده. الأنظمة التي تجمع بين التعرف بالصور وسياق المستخدم حول طرق التحضير والمكونات المخفية تحقق أفضل دقة في العالم الحقيقي.

ما الفرق بين التجزئة الدلالية وتجزئة المثيلات في الذكاء الاصطناعي للطعام؟

التجزئة الدلالية تُصنّف كل بكسل في الصورة بفئة طعام لكنها لا تميز بين مثيلات منفصلة من نفس الفئة. تجزئة المثيلات تحدد كل عنصر طعام فردي ككيان مميز بقناعه الخاص، حتى لو تشاركت عناصر متعددة نفس الفئة. لتتبع السعرات الحرارية، تجزئة المثيلات ضرورية لأنها تسمح للنظام بتقدير أحجام الحصص لكل عنصر بشكل مستقل. بدون تجزئة المثيلات، سيُعامل طبق يحتوي على كاريين مختلفين كمنطقة كاري واحدة، مما ينتج تقديراً غذائياً غير دقيق.

لماذا لا تعكس معايير الذكاء الاصطناعي للطعام الأداء في العالم الحقيقي؟

المعايير القياسية مثل Food-101 و UECFOOD-256 تستخدم صوراً منسّقة تميل إلى تقديم صور بإضاءة جيدة، لعنصر واحد، من أعلى. صور الطعام في العالم الحقيقي تُلتقط بإضاءة متغيرة، من زوايا غير متسقة، مع عناصر متعددة متداخلة، وغالباً مع حجب جزئي. بالإضافة إلى ذلك، مجموعات بيانات المعايير تميل بشكل كبير نحو المطبخ الغربي، مما يعني أن النماذج المختبرة عليها قد تظهر دقة مبالغ فيها لا تتعمم على المطابخ العالمية المتنوعة. عادةً ما ينخفض mAP في العالم الحقيقي بمقدار 10 إلى 20 نقطة عن أداء المعايير بسبب هذه الفجوات في التوزيع.

ما هي بنية النموذج الأفضل للتعرف على الطعام؟

أفضل النتائج حالياً تأتي من البنى الهجينة التي تجمع بين استخراج ميزات الشبكة العصبية الالتفافية (CNN) وآليات الانتباه القائمة على المحولات. نماذج CNN البحتة مثل عائلة YOLO تقدم استدلالاً سريعاً مناسباً لتطبيقات الجوال، بينما محولات الرؤية توفر دقة أفضل على الأطباق المعقدة متعددة العناصر. النهج الهجينة توازن بين المزايا، محققة mAP@0.5 أعلى من 0.85 على كشف الطعام متعدد العناصر مع الحفاظ على أوقات استجابة أقل من ثانيتين المطلوبة للاستخدام العملي على الجوال. اختيار البنية يعتمد أيضاً على سياق النشر: تطبيقات الجوال تفضل النماذج الأخف، بينما المعالجة السحابية يمكنها الاستفادة من بنى المحولات الأكبر.