深入解析chinesefoodnet数据集：构建高效中文食品识别模型的关键技术

1次阅读

没有评论

共计 2972 个字符，预计需要花费 8 分钟才能阅读完成。

中文食品图像识别是计算机视觉领域的一个重要应用方向，但在实际开发中我们面临着两个主要挑战：

数据稀缺性问题：相比通用物体识别，专门针对中文食品的高质量标注数据集较少
标注困难：中餐种类繁多，地域差异大，同一菜品在不同地区的表现形式可能完全不同

chinesefoodnet 数据集正是为解决这些问题而构建的专业数据集。它包含了超过 10 万张涵盖 208 种典型中餐菜品的高分辨率图像，每张图像都经过专业标注和验证，为中文食品识别研究提供了宝贵的基础数据支持。

chinesefoodnet 数据集具有以下几个突出特点：

数据规模：
总样本量：108,837 张图像
类别数：208 种中餐菜品
平均每类样本数：约 523 张
类别分布：
覆盖八大菜系（鲁、川、粤、闽、苏、浙、湘、徽）
包含主食、热菜、凉菜、汤羹等完整餐饮类别
类别样本量相对均衡，最大类与最小类样本比不超过 3:1
图像特点：
分辨率：平均 1280×960 像素
拍摄角度：多视角（俯视、45 度、平视）
背景复杂度：从纯色背景到真实餐厅环境
光照条件：多样化的自然光和人工光源

图像增强：
随机水平翻转（p=0.5）
随机旋转（-15°到 +15°）
色彩抖动（亮度、对比度、饱和度各±0.1）
随机裁剪（保留率 0.8-1.0）
类别平衡：
对样本较少的类别使用过采样
对样本较多的类别使用欠采样
采用 Focal Loss 缓解类别不平衡问题
标准化处理：
归一化到 [0,1] 范围
使用 ImageNet 均值方差进行标准化

经过实验对比，我们发现以下架构在 chinesefoodnet 上表现优异：

CNN 架构：
EfficientNet-B4（平衡精度与速度）
ResNet-50（经典基准模型）
Transformer 架构：
ViT-Base/16（需要大量数据增强）
Swin-Tiny（计算效率较高）
混合架构：
ConvNeXt-S（CNN 与 Transformer 优点的结合）

学习率调整：
初始学习率：3e-4（AdamW 优化器）
采用余弦退火调度
前 5 个 epoch 使用线性 warmup
损失函数：
基础选择：交叉熵损失
改进选择：Label Smoothing（smoothing=0.1）
应对不平衡：Focal Loss（γ=2.0）
正则化策略：
Weight decay：0.05
Dropout：0.2（全连接层）
Stochastic Depth：0.1（对深层网络）

from torchvision import transforms
from torch.utils.data import DataLoader

# 定义数据增强
train_transform = transforms.Compose([transforms.RandomResizedCrop(224),
    transforms.RandomHorizontalFlip(),
    transforms.ColorJitter(0.1, 0.1, 0.1),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], 
                         std=[0.229, 0.224, 0.225])
])

# 创建数据集
train_dataset = ChineseFoodNet(root='path/to/dataset', 
                             split='train', 
                             transform=train_transform)

# 创建数据加载器
train_loader = DataLoader(train_dataset, 
                        batch_size=64, 
                        shuffle=True, 
                        num_workers=4)

import torch.nn as nn
from torchvision.models import efficientnet_b4

class FoodClassifier(nn.Module):
    def __init__(self, num_classes=208):
        super().__init__()
        self.backbone = efficientnet_b4(pretrained=True)
        self.backbone.classifier[1] = nn.Linear(self.backbone.classifier[1].in_features, 
            num_classes
        )

    def forward(self, x):
        return self.backbone(x)

import torch.optim as optim
from torch.optim.lr_scheduler import CosineAnnealingLR

model = FoodClassifier().cuda()
criterion = nn.CrossEntropyLoss()
optimizer = optim.AdamW(model.parameters(), lr=3e-4)
scheduler = CosineAnnealingLR(optimizer, T_max=100)

for epoch in range(100):
    model.train()
    for images, labels in train_loader:
        images, labels = images.cuda(), labels.cuda()

        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

    scheduler.step()

我们在 chinesefoodnet 测试集上对比了不同模型的性能：