mAP और IoU: खाद्य पहचान के लिए कंप्यूटर विज़न बेंचमार्क में गहराई से समझ

जब एक पोषण ऐप दावा करता है कि इसका AI "आपके भोजन की पहचान एक फोटो से कर सकता है," तो इसका मापनीय अर्थ क्या है? पहचान की सटीकता कितनी है? सिस्टम एक प्लेट पर छह विभिन्न आइटम्स को एक-दूसरे से छूते हुए कैसे संभालता है? और आप एक खाद्य पहचान प्रणाली की तुलना दूसरी से कैसे करते हैं?

इन सवालों के जवाब दो मेट्रिक्स में छिपे हैं, जिन्हें कंप्यूटर विज़न अनुसंधान समुदाय वस्तु पहचान मॉडलों का मूल्यांकन करने के लिए उपयोग करता है: mAP (mean Average Precision) और IoU (Intersection over Union)। ये आंकड़े यह तय करते हैं कि क्या एक खाद्य AI वास्तव में सटीक है या केवल एक डेमो में प्रभावशाली दिखता है।

IoU को समझना: आधारभूत मेट्रिक

Intersection over Union यह मापता है कि एक पूर्वानुमानित बाउंडिंग बॉक्स या सेगमेंटेशन मास्क वास्तविकता के साथ कितनी अच्छी तरह ओवरलैप करता है, यानी खाद्य आइटम की वास्तविक स्थिति और आकार, जिसे एक मानव एनोटेटर द्वारा लेबल किया गया है।

गणना सरल है:

IoU = ओवरलैप का क्षेत्र / यूनियन का क्षेत्र

IoU का 1.0 मतलब है कि पूर्वानुमान पूरी तरह से वास्तविकता से मेल खाता है। IoU का 0.0 मतलब है कि कोई ओवरलैप नहीं है। व्यावहारिक रूप से, खाद्य पहचान में "सही" पहचान के लिए मानक थ्रेशोल्ड IoU 0.5 या उससे अधिक है, यानी पूर्वानुमानित और वास्तविक खाद्य क्षेत्र के बीच कम से कम 50 प्रतिशत ओवरलैप।

पोषण के लिए IoU का महत्व

IoU सीधे भाग के अनुमान पर प्रभाव डालता है। यदि मॉडल का बाउंडिंग बॉक्स आपके प्लेट पर चावल का केवल 60 प्रतिशत कैप्चर करता है (IoU सटीकता थ्रेशोल्ड से नीचे), तो भाग का अनुमान कम होगा। इसके विपरीत, यदि बाउंडिंग बॉक्स बहुत बड़ा है और निकटवर्ती करी का एक हिस्सा शामिल करता है, तो चावल के लिए कैलोरी का अनुमान करी के पोषण प्रोफ़ाइल द्वारा बढ़ जाएगा।

सरल प्लेटों के लिए, जिनमें एक ही खाद्य आइटम केंद्र में होता है, IoU को अनुकूलित करना अपेक्षाकृत आसान है। लेकिन चुनौती जटिल, बहु-आइटम प्लेटों के साथ काफी बढ़ जाती है।

mAP को समझना: सिस्टम-स्तरीय मेट्रिक

Mean Average Precision सभी खाद्य श्रेणियों और विश्वास थ्रेशोल्ड्स में पहचान सटीकता को एकल स्कोर में संकलित करता है। यह सवाल का उत्तर देता है: इस मॉडल द्वारा पहचाने जाने वाले सभी खाद्य प्रकारों में, यह कितनी विश्वसनीयता से उन्हें पहचानता और सही वर्गीकृत करता है?

गणना में शामिल हैं:

1. Precision: मॉडल द्वारा की गई सभी पहचान में से, कितनी सही थीं?
2. Recall: सभी वास्तविक खाद्य आइटम में से, मॉडल ने कितने को पाया?
3. Average Precision (AP): एक खाद्य श्रेणी के लिए प्रिसिजन-रिकॉल कर्व के नीचे का क्षेत्र
4. mAP: सभी खाद्य श्रेणियों में AP मानों का औसत

एक मॉडल जिसका mAP@0.5 0.85 है, IoU 0.5 थ्रेशोल्ड पर सभी श्रेणियों में खाद्य आइटम्स का 85 प्रतिशत सही पहचानता और वर्गीकृत करता है। mAP@0.5:0.95 एक सख्त मेट्रिक है जो IoU थ्रेशोल्ड्स 0.5 से 0.95 के बीच प्रदर्शन का औसत लेता है, उन मॉडलों को दंडित करता है जो ढीली पहचान प्राप्त करते हैं लेकिन तंग सेगमेंटेशन में असफल होते हैं।

डेमो और वास्तविकता के बीच का अंतर

अधिकांश खाद्य AI डेमो एकल आइटम, अच्छी रोशनी में, ओवरहेड फोटो दिखाते हैं: एक कटोरी रेमन, एक प्लेट सुशी, एक सलाद। इन परिस्थितियों में, आधुनिक मॉडल mAP@0.5 स्कोर 0.90 से ऊपर प्राप्त करते हैं। वास्तविक दुनिया की परिस्थितियों में यह संख्या काफी कम हो जाती है।

व्यवहार में mAP को कम करने वाले कारक:

• कई ओवरलैपिंग आइटम: चावल, दाल, सब्जी और रोटी की एक प्लेट जो एक-दूसरे को छूती है
• आंशिक ओक्लूजन: एक खाद्य आइटम आंशिक रूप से दूसरे के पीछे छिपा हुआ
• परिवर्तनीय प्रकाश: मंद रेस्तरां की रोशनी बनाम उज्ज्वल रसोई की रोशनी
• गैर-मानक कोण: फोटो साइड से लिए गए बजाय सीधे ओवरहेड
• दृश्य समानता: भूरे चावल और क्विनोआ, या विभिन्न प्रकार की दाल, जो लगभग समान दिखती हैं

वास्तविक दुनिया में खाद्य पहचान का mAP आमतौर पर नियंत्रित बेंचमार्क प्रदर्शन से 10 से 20 अंक नीचे होता है।

बहु-आइटम प्लेट की समस्या

खाद्य पहचान में सबसे बड़ी चुनौती एकल खाद्य आइटम की पहचान नहीं है। यह एक प्लेट पर पांच या छह विभिन्न आइटम्स की पहचान करना है, जहां वे एक-दूसरे को छूते हैं, ओवरलैप करते हैं, और दृश्य रूप से एक-दूसरे में मिल जाते हैं।

एक सामान्य भारतीय थाली पर विचार करें: चावल, दो करी, दाल, रायता, पापड़, और अचार, सभी एक प्लेट पर परोसे जाते हैं जहां आइटम्स एक-दूसरे को छूते हैं। या एक मैक्सिकन प्लेट जिसमें चावल, सेम, गुआकामोल, सालसा, खट्टा क्रीम, और एक टॉर्टिला है। प्रत्येक आइटम को स्वतंत्र रूप से पहचानने और उसके भाग का अनुमान लगाने की आवश्यकता है।

सेमांटिक सेगमेंटेशन बनाम इंस्टेंस सेगमेंटेशन

इस समस्या को हल करने के लिए दो प्रमुख दृष्टिकोण हैं, और यह भेद महत्वपूर्ण है।

सेमांटिक सेगमेंटेशन छवि में प्रत्येक पिक्सेल को एक खाद्य श्रेणी के साथ लेबल करता है। सभी पिक्सेल जो "चावल" हैं, उन्हें चावल के रूप में लेबल किया जाता है, सभी पिक्सेल जो "करी" हैं, उन्हें करी के रूप में लेबल किया जाता है। यह स्पष्ट रूप से अलग आइटम्स के लिए अच्छा काम करता है लेकिन जब एक ही श्रेणी के दो उदाहरण मौजूद होते हैं (एक ही प्लेट पर दो अलग-अलग करी) या जब सीमाएं अस्पष्ट होती हैं, तो यह विफल हो जाता है।

इंस्टेंस सेगमेंटेशन प्रत्येक खाद्य आइटम को एक अलग इकाई के रूप में पहचानता है, भले ही दो आइटम एक ही श्रेणी के हों। यह बहु-आइटम प्लेट विश्लेषण के लिए आवश्यक दृष्टिकोण है, क्योंकि यह सिस्टम को प्रत्येक आइटम के भाग के आकार का स्वतंत्र रूप से अनुमान लगाने की अनुमति देता है।

आधुनिक इंस्टेंस सेगमेंटेशन आर्किटेक्चर जैसे Mask R-CNN और इसके उत्तराधिकारी प्रत्येक पहचाने गए खाद्य आइटम के लिए एक वर्गीकरण लेबल और पिक्सेल-स्तरीय मास्क उत्पन्न करते हैं। इन मास्क की गुणवत्ता सीधे भाग के अनुमान की सटीकता को निर्धारित करती है।

बेंचमार्क प्रदर्शन: हम कहाँ खड़े हैं

खाद्य पहचान क्षेत्र कई मानक बेंचमार्क का उपयोग करता है ताकि मॉडल के प्रदर्शन का मूल्यांकन किया जा सके। यहाँ वर्तमान स्थिति के अनुसार प्रदर्शन है।

Food-101

मूल बड़े पैमाने पर खाद्य बेंचमार्क, जिसमें 101 खाद्य श्रेणियाँ हैं, प्रत्येक में 1,000 छवियाँ हैं। वर्तमान शीर्ष मॉडल Food-101 पर 95 प्रतिशत से ऊपर की वर्गीकरण सटीकता प्राप्त करते हैं। हालाँकि, Food-101 एक वर्गीकरण बेंचमार्क है (एक छवि में एक खाद्य आइटम), यह बहु-आइटम प्लेट परिदृश्यों का परीक्षण नहीं करता है।

UECFOOD-256

एक 256-श्रेणी का डेटासेट जिसमें बाउंडिंग बॉक्स एनोटेशन होते हैं, जो पहचान मूल्यांकन को सक्षम बनाते हैं। अत्याधुनिक मॉडल इस डेटासेट पर mAP@0.5 लगभग 0.78 से 0.82 प्राप्त करते हैं, जो बहु-श्रेणी पहचान की बढ़ी हुई कठिनाई को दर्शाता है।

Nutrition5k

एक अधिक हालिया बेंचमार्क जो खाद्य छवियों को वास्तविक पोषण डेटा के साथ जोड़ता है जो प्रयोगशाला विश्लेषण के माध्यम से मापा गया है। यह डेटासेट एंड-टू-एंड मूल्यांकन को सक्षम बनाता है: न केवल "क्या मॉडल ने खाद्य आइटम को सही पहचाना?" बल्कि "क्या इसने एक सटीक कैलोरी अनुमान उत्पन्न किया?" Nutrition5k पर प्रदर्शन पहचान त्रुटियों के पोषण सटीकता पर प्रभाव को उजागर करता है।

ISIA Food-500

एक बड़े पैमाने पर डेटासेट जिसमें 500 खाद्य श्रेणियाँ हैं जो विभिन्न वैश्विक व्यंजनों से ली गई हैं। यह खाद्य पहचान में सांस्कृतिक पूर्वाग्रह की समस्या को उजागर करता है: मुख्य रूप से पश्चिमी डेटासेट पर प्रशिक्षित मॉडल एशियाई, अफ्रीकी और दक्षिण अमेरिकी खाद्य श्रेणियों पर महत्वपूर्ण सटीकता में गिरावट दिखाते हैं।

आर्किटेक्चर का विकास: CNN से Vision Transformer तक

खाद्य पहचान के लिए उपयोग किए जाने वाले मॉडल आर्किटेक्चर में काफी विकास हुआ है, और प्रत्येक पीढ़ी ने बहु-आइटम प्लेट को संभालने में सुधार किया है।

YOLO परिवार (YOLOv5 से YOLOv10)

YOLO (You Only Look Once) मॉडल का परिवार गति को प्राथमिकता देता है। YOLOv8 और बाद के संस्करण खाद्य पहचान बेंचमार्क पर mAP@0.5 0.75 से 0.82 प्राप्त करते हैं जबकि आधुनिक हार्डवेयर पर 50 मिलीसेकंड से कम में इनफरेंस करते हैं। यह उन्हें वास्तविक समय के मोबाइल अनुप्रयोगों के लिए उपयुक्त बनाता है जहां उपयोगकर्ता एक फोटो लेने के 1 से 2 सेकंड के भीतर परिणाम की अपेक्षा करता है।

इसका व्यापार यह है कि YOLO मॉडल तंग ओवरलैपिंग आइटम्स के साथ संघर्ष कर सकते हैं, जहां भाग के अनुमान के लिए सटीक सीमा निर्धारण महत्वपूर्ण है।

Vision Transformers (ViT, DINOv2)

Transformer-आधारित आर्किटेक्चर छवियों को पैच के अनुक्रम के रूप में संसाधित करते हैं और वैश्विक संदर्भ को कैप्चर करने के लिए आत्म-ध्यान तंत्र का उपयोग करते हैं। खाद्य पहचान के लिए, इसका मतलब है कि मॉडल संदर्भ संकेतों का उपयोग कर सकता है, जैसे कि यदि चावल मौजूद है, तो करी निकटता में अधिक संभावना है, ताकि अस्पष्ट आइटम्स की पहचान में सुधार हो सके।

Vision Transformers जटिल बहु-आइटम प्लेटों पर CNN-आधारित दृष्टिकोणों की तुलना में उच्च mAP प्राप्त करते हैं, विशेष रूप से उन आइटम्स के लिए जिनकी सीमाएँ अस्पष्ट होती हैं। लागत अधिक गणनात्मक आवश्यकताएँ और धीमी इनफरेंस होती है।

हाइब्रिड दृष्टिकोण

वर्तमान में सबसे अच्छा प्रदर्शन करने वाले सिस्टम CNN-आधारित फीचर एक्सट्रैक्शन को ट्रांसफार्मर ध्यान तंत्र के साथ संयोजित करते हैं। ये हाइब्रिड आर्किटेक्चर बहु-आइटम खाद्य पहचान पर mAP@0.5 0.85 से ऊपर प्राप्त करते हैं जबकि मोबाइल अनुप्रयोगों के लिए व्यावहारिक इनफरेंस गति बनाए रखते हैं।

Nutrola की पहचान पाइपलाइन एक हाइब्रिड आर्किटेक्चर का उपयोग करती है जो पहचान सटीकता को उपयोगकर्ताओं की अपेक्षित 2 सेकंड से कम प्रतिक्रिया समय के साथ संतुलित करती है।

पहचान से पोषण तक: सटीकता पाइपलाइन

एक खाद्य पहचान प्रणाली का अंतिम आउटपुट एक बाउंडिंग बॉक्स या सेगमेंटेशन मास्क नहीं है। यह एक कैलोरी और मैक्रो अनुमान है। उस अनुमान की सटीकता कई चरणों की एक पाइपलाइन पर निर्भर करती है, प्रत्येक के अपने त्रुटि दर होती है।

1. पहचान और वर्गीकरण: क्या खाद्य आइटम सही पहचाना गया? (mAP द्वारा मापा गया)
2. सेगमेंटेशन गुणवत्ता: क्या पिक्सेल मास्क भाग के अनुमान के लिए पर्याप्त तंग है? (IoU द्वारा मापा गया)
3. वॉल्यूम अनुमान: मास्क को देखते हुए, वास्तव में कितना भोजन है? (ग्राउंड-ट्रुथ वजन के खिलाफ मापा गया)
4. पोषण मानचित्रण: पहचाने गए खाद्य और अनुमानित मात्रा के आधार पर, कैलोरी और मैक्रोज़ क्या हैं? (प्रयोगशाला-प्रमाणित पोषण डेटा के खिलाफ मापा गया)

प्रत्येक चरण में त्रुटियाँ मिलती हैं। एक मॉडल जो खाद्य आइटम को 90 प्रतिशत समय सही पहचानता है और भाग के अनुमान में 15 प्रतिशत के भीतर सटीक होता है, वह कैलोरी के अनुमान के साथ एक संयुक्त त्रुटि दर उत्पन्न करेगा जो किसी भी व्यक्तिगत मेट्रिक की तुलना में व्यापक होगी।

इसीलिए बेंचमार्क मेट्रिक्स अकेले पूरी कहानी नहीं बताते। पोषण डेटाबेस और वॉल्यूम अनुमान घटक भी समान रूप से महत्वपूर्ण हैं, और यहीं पर उद्देश्य-निर्मित पोषण प्रणाली सामान्य खाद्य पहचान मॉडलों से अलग होती हैं।

आपके ट्रैकिंग के लिए इन मेट्रिक्स का क्या मतलब है

अंत उपयोगकर्ता के लिए, इन बेंचमार्क का व्यावहारिक प्रभाव सीधा है।

एकल-आइटम भोजन (जैसे ओटमील की कटोरी, प्रोटीन शेक, एक फल का टुकड़ा) को अधिकांश आधुनिक खाद्य AI सिस्टम द्वारा उच्च सटीकता के साथ पहचाना जाता है। त्रुटि का मार्जिन आमतौर पर वास्तविक कैलोरी सामग्री के 5 से 10 प्रतिशत के भीतर होता है।

बहु-आइटम प्लेटें कठिन होती हैं। अच्छी तरह से अलग आइटम्स के लिए 10 से 20 प्रतिशत के भीतर सटीकता की अपेक्षा करें और ओवरलैपिंग या मिश्रित आइटम्स के लिए 15 से 25 प्रतिशत। यहीं पर मल्टीमोडल इनपुट (आवाज या पाठ विवरण जोड़ना) परिणामों में महत्वपूर्ण सुधार लाता है।

जटिल मिश्रित व्यंजन (स्ट्यू, कैसरोल, करी) सबसे कठिन चुनौती बने रहते हैं। यहाँ, सिस्टम व्यंजन-स्तरीय पहचान और डेटाबेस लुकअप पर अधिक निर्भर करता है बजाय घटक-स्तरीय विश्लेषण के। एक सत्यापित डेटाबेस जिसमें व्यंजन-विशिष्ट प्रविष्टियाँ होती हैं, पहचान सटीकता की तुलना में अधिक महत्वपूर्ण हो जाती है।

सुधार की दिशा स्पष्ट है: मॉडल आर्किटेक्चर की प्रत्येक पीढ़ी नियंत्रित बेंचमार्क प्रदर्शन और वास्तविक दुनिया की सटीकता के बीच के अंतर को बंद करती है। लेकिन आज की सबसे महत्वपूर्ण सटीकता में सुधार केवल बेहतर पहचान मॉडलों से नहीं, बल्कि दृश्य AI को सत्यापित पोषण डेटा और मल्टीमोडल उपयोगकर्ता इनपुट के संयोजन से आता है।

अक्सर पूछे जाने वाले प्रश्न

खाद्य पहचान AI में mAP क्या है?

Mean Average Precision (mAP) एक मानक मेट्रिक है जिसका उपयोग यह मूल्यांकन करने के लिए किया जाता है कि वस्तु पहचान मॉडल छवियों में आइटम्स की पहचान और स्थान को कितनी सटीकता से करता है। खाद्य पहचान में, mAP यह मापता है कि AI विभिन्न खाद्य आइटम्स को पहचानने और सही वर्गीकृत करने में कितनी विश्वसनीयता से काम करता है। उच्च mAP बेहतर समग्र पहचान प्रदर्शन को दर्शाता है। यह मेट्रिक प्रिसिजन (क्या पहचान सही थी) और रिकॉल (क्या सभी आइटम मिले) दोनों को ध्यान में रखता है, सिस्टम की सटीकता का एक व्यापक माप प्रदान करता है। वर्तमान अत्याधुनिक खाद्य पहचान मॉडल मानक बेंचमार्क पर mAP@0.5 स्कोर 0.78 से 0.88 के बीच प्राप्त करते हैं।

फोटो से AI कैलोरी ट्रैकिंग की सटीकता कितनी है?

सटीकता भोजन की जटिलता के अनुसार काफी भिन्न होती है। स्पष्ट रूप से दिखाई देने वाले खाद्य पदार्थों के साथ एकल-आइटम भोजन के लिए, आधुनिक AI वास्तविक मानों के 5 से 10 प्रतिशत के भीतर कैलोरी अनुमान प्राप्त करता है। बहु-आइटम प्लेटों के लिए जिनमें अच्छी तरह से अलग घटक होते हैं, सटीकता 10 से 20 प्रतिशत के भीतर गिर जाती है। जटिल मिश्रित व्यंजन और छिपे हुए घटकों जैसे खाना पकाने के तेलों के साथ भोजन सबसे बड़ी चुनौती प्रस्तुत करते हैं, यदि केवल फोटो विश्लेषण पर निर्भर किया जाए तो 20 से 30 प्रतिशत की संभावित त्रुटियाँ हो सकती हैं। ऐसे सिस्टम जो फोटो पहचान को उपयोगकर्ता द्वारा प्रदान की गई संदर्भ जानकारी के साथ जोड़ते हैं, सबसे अच्छी वास्तविक दुनिया की सटीकता प्राप्त करते हैं।

खाद्य AI में सेमांटिक और इंस्टेंस सेगमेंटेशन में क्या अंतर है?

सेमांटिक सेगमेंटेशन छवि में प्रत्येक पिक्सेल को एक खाद्य श्रेणी के साथ लेबल करता है लेकिन एक ही श्रेणी के अलग-अलग उदाहरणों के बीच भेद नहीं करता। इंस्टेंस सेगमेंटेशन प्रत्येक खाद्य आइटम को एक अलग इकाई के रूप में पहचानता है, भले ही कई आइटम एक ही श्रेणी साझा करते हों। कैलोरी ट्रैकिंग के लिए, इंस्टेंस सेगमेंटेशन आवश्यक है क्योंकि यह सिस्टम को प्रत्येक आइटम के लिए स्वतंत्र रूप से भाग के आकार का अनुमान लगाने की अनुमति देता है। बिना इंस्टेंस सेगमेंटेशन के, एक प्लेट जिसमें दो अलग-अलग करी होती हैं, एक ही करी क्षेत्र के रूप में माना जाएगा, जिससे पोषण का अनुमान गलत हो जाएगा।

खाद्य AI बेंचमार्क वास्तविक दुनिया के प्रदर्शन को क्यों नहीं दर्शाते हैं?

मानक बेंचमार्क जैसे Food-101 और UECFOOD-256 में क्यूरेटेड छवियाँ होती हैं जो आमतौर पर अच्छी रोशनी, एकल आइटम, ओवरहेड फोटो प्रदर्शित करती हैं। वास्तविक दुनिया की खाद्य तस्वीरें परिवर्तनीय प्रकाश में, असंगत कोणों पर, कई ओवरलैपिंग आइटम्स के साथ, और अक्सर आंशिक ओक्लूजन के साथ ली जाती हैं। इसके अलावा, बेंचमार्क डेटासेट मुख्य रूप से पश्चिमी-केंद्रित होते हैं, जिसका अर्थ है कि इन पर परीक्षण किए गए मॉडल में सटीकता बढ़ी हुई दिख सकती है जो वैश्विक विविध व्यंजनों पर लागू नहीं होती। वास्तविक दुनिया में mAP आमतौर पर इन वितरण अंतर के कारण बेंचमार्क प्रदर्शन से 10 से 20 अंक नीचे होता है।

खाद्य पहचान के लिए कौन सा मॉडल आर्किटेक्चर सबसे अच्छा काम करता है?

वर्तमान में सबसे अच्छे परिणाम हाइब्रिड आर्किटेक्चर से आते हैं जो CNN फीचर एक्सट्रैक्शन को ट्रांसफार्मर-आधारित ध्यान तंत्र के साथ जोड़ते हैं। शुद्ध CNN मॉडल जैसे YOLO परिवार तेज इनफरेंस प्रदान करते हैं जो मोबाइल ऐप के लिए उपयुक्त होते हैं, जबकि Vision Transformers जटिल बहु-आइटम प्लेटों पर बेहतर सटीकता प्रदान करते हैं। हाइब्रिड दृष्टिकोण दोनों लाभों का संतुलन बनाते हैं, बहु-आइटम खाद्य पहचान पर mAP@0.5 0.85 से ऊपर प्राप्त करते हैं जबकि व्यावहारिक मोबाइल उपयोग के लिए 2 सेकंड से कम प्रतिक्रिया समय बनाए रखते हैं। आर्किटेक्चर का चुनाव तैनाती के संदर्भ पर भी निर्भर करता है: मोबाइल ऐप हल्के मॉडलों को प्राथमिकता देते हैं, जबकि क्लाउड-आधारित प्रोसेसिंग बड़े ट्रांसफार्मर आर्किटेक्चर का लाभ उठा सकती है।