对食物图像进行分类采用深度学习技术

使用深度学习对食物图像进行分类 执行摘要 某个图像不仅必须代表一个属性，而且在大多数情况下代表两个以上。 换句话说，可以为单个图像指定多个标题或标签。 这个问题称为多标签分类，用于少数内容检索和场景理解。 对于本研究，使用Keras（带有Tensorflow后端）将多标签分类算法应用于食物图像。 更改了简单的CNN模型，让位于多标签分类。 为了使事情变得容易，特别使用了ResNet50，MobileNet，DenseNet121和Xception等预先训练的CNN模型。 然后，应使用Nanonets多标签分类API对这些结果进行比较。 结果显示，对于Nanonets，F1得分更高，为75.06％，对于Xception模型，则仅为大约70.46％。 这两种模型都可以用于部署，因为它们都可以显示直观和合理的结果。 存储库指南 该项目包含两部分，即jupyter笔记本和Web应用程序。 jupy