İletişimISSN:e-ISSN: 3023-5693
Yazar GirişiHakem GirişiYeni Üyelik
TürkçeEnglish
AnasayfaAmaç ve KapsamHakkındaYazarlar için RehberMakale GönderSon SayıArşivİletişim

YOLO Algoritması ile Gastronomide Yemek İçeriklerini Tespit Etmede Bir Makine Öğrenimi Yaklaşımı

muhammed abdullah özel,Mehmet Yasin GÜL,Eda GÜNEŞ

  • Mehmet Yasin GÜL: -
  • Eda GÜNEŞ: Necmettin Erbakan Üniversitesi Turizm Fakültesi
  •  Yıl : 2023
  •  Cilt : 2
  •  Sayı : 1
  •  Sayfa : 31-38
YOLO (You Only Look Once) algoritması, gastronomide yemek içeriğini tespit etmek için etkili bir araç olarak kullanılmaktadır. Bu makalede, YOLO algoritmasının gastronomi alanındaki uygulamaları ve neden tercih edilen bir yöntem olduğu üzerinde durulmaktadır. YOLO, tek bir derin sinir ağı modeli kullanarak nesneleri tespit eder ve sınıflandırır. Geleneksel yöntemlerin aksine, YOLO aynı anda tüm nesne sınıflarını tahmin eder. Bu, yemek içeriği tespiti için büyük bir avantajdır. Çünkü birden çok malzeme ve yemek bileşeni doğru bir şekilde sınıflandırılabilir. YOLO'nun hızlı çalışma yapısı, gerçek zamanlı uygulamalar için idealdir. Restoranlarda, yemek dağıtım hizmetlerinde ve diğer gastronomi uygulamalarında kullanılarak menülerin otomatik oluşturulması, kalori hesaplamaları ve yiyecek alerjenlerinin belirlenmesi gibi birçok fayda sağlanabilir. Bu yöntemin başarılı sonuçları, diğer yöntemlerle karşılaştırıldığında oldukça yüksektir. YOLO'nun kullanılmasıyla elde edilen hızlı performans, gastronomide otomasyon ve verimlilik artışı sağlayacaktır. Gastronomide YOLO kullanımı için uygun ve temsilci bir veri kümesi seçimi önemlidir. Farklı yemeklerin çeşitliliğini ve farklı açılardan çekilmiş görüntüleri içeren bir veri kümesi toplanmalıdır. Veri kümesi, nesne sınıflarının doğru şekilde belirlendiği anotasyonlar içermelidir. Eğitim süreci, GPU (Grafik İşleme Ünitesi) tabanlı bir bilgisayar üzerinde modelin veri kümesi üzerinde eğitimini içerir. YOLO algoritması, gastronomide yemek içeriği tespiti için kullanılabilecek etkili bir yöntemdir. Gelecekte, derin öğrenme tekniklerinin yaygınlaşmasıyla birlikte YOLO ve benzeri algoritmalardan daha fazla faydalanılması beklenmektedir.
Çıkar İlişkisi : Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Bu makale CC BY-NC 4.0 lisansı ile yayımlanmıştır.
NeuGastro
2023, Cilt2, Sayı1
E-ISSN: 3023-5693
Geliş Tarihi : , Kabul Tarihi : , Yayın Tarihi :

Kaynakça

  1. Aktaş, A., Demir, Ö., & Doğan, B. (2020). Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(3), 1685-1700.
  2. Atban, F., & İlhan, H. O. (2022). Öznitelik Seviyesinde Füzyon Yaklaşımının Kuruyemiş Tür Sınıflandırılmasında Performans Değerlendirmesi. Avrupa Bilim ve Teknoloji Dergisi, (45), 48-52.
  3. Aydın, Ş., & Çakır, M. U. (2022). Gastronomi ve dijitalleşme. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 12(4), 2143-2159.
  4. Chopra, M., & Purwar, A. (2022). Food Image Recognition Using CNN, Faster R-CNN and YOLO. In Applications of Artificial Intelligence, Big Data and Internet of Things in Sustainable Development (81-89). CRC Press.
  5. Fu, Y. (2020). Fruit Freshness Grading Using Deep Learning, A thesis submitted to the Auckland University of Technology in partial fulfillment of the requirements for the degree of Master of Computer and Information Sciences (MCIS)
  6. Güner, D., & Aydoğdu, A. (2022). Gastronomi alanındaki teknolojik gelişmelere yönelik bir değerlendirme: Dijital gastronomi. Aydın Gastronomy, 6(1), 17-28.
  7. Güneş, E., Bayram, Ş. B., Özkan, M., & Nizamlıoğlu, H. F. (2018). Gastronomy four zero (4.0). International Journal of Environmental Pollution and Environmental Modelling, 1(3), 77-84.
  8. Güngör, C., Baltacı, F., Erdem, A., & Erdem, E. (2017, May). Turkish cuisine: A benchmark dataset with Turkish meals for food recognition. In 2017 25th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
  9. Joshua, S. R., Shin, S., Lee, J. H., & Kim, S. K. (2023). Health to Eat: A Smart Plate with Food Recognition, Classification, and Weight Measurement for Type-2 Diabetic Mellitus Patients’ Nutrition Control. Sensors, 23(3), 1656.
  10. Kaur, R., Kumar, R., & Gupta, M. (2023). Deep neural network for food image classification and nutrient identification: A systematic review. Reviews in Endocrine and Metabolic Disorders, 1-21.
  11. Küçük, Z. K., & Ekren, N. (2020). Akıllı mutfak için tasarlanmış sistemler üzerine bir derleme. International Periodical of Recent Technologies in Applied Engineering, 2(1), 25-34.
  12. Liu, C., Cao, Y., Luo, Y., Chen, G., Vokkarane, V., & Ma, Y. (2016). Deepfood: Deep learning-based food image recognition for computer-aided dietary assessment. In Inclusive Smart Cities and Digital Health: 14th International Conference on Smart Homes and Health Telematics, ICOST 2016, Wuhan, China, May 25-27, 2016. Proceedings 14 (37-48). Springer International Publishing.
  13. Nivedhitha, P., Anurithi, P., Meenashree, S. S., & Kumari, P. (2022, November). Food Nutrition And Calories Analysis Using YOLO. In 2022 1st International Conference on Computational Science and Technology (ICCST) (382-386). IEEE.
  14. Özel, M. A., Baysal, S. S., & Şahin, M. (2021). Derin Öğrenme Algoritması (YOLO) ile Dinamik Test Süresince Süspansiyon Parçalarında Çatlak Tespiti. Avrupa Bilim ve Teknoloji Dergisi, (26), 1-5.
  15. Öztürk, H. M. (2020). Teknolojik gelişmeler ve gastronomi alanına yansımaları: Gastronomi 4.0. Güncel Turizm Araştırmaları Dergisi, 4(2), 222-239.
  16. Redmon J., Divvala S., Girshick R., & Farhadi A. (2016 ). You Only Look Once: Unified, Real-Time Object Detection. IEEE Conference on Computer Vision and Pattern Recognition , 779-788.
  17. Sun, J., Radecka, K., & Zilic, Z. (2019). Foodtracker: A real-time food detection mobile application by deep convolutional neural networks. arXiv preprint arXiv:1909.05994.
  18. Wang, Y., Wu, J., Deng, H., & Zeng, X. (2021). Food image recognition and food safety detection method based on deep learning. Computational Intelligence and Neuroscience, 2021.
  19. Web 1. https://kaanugurluoglu123.medium.com/yolo-you-only-look-once-versiyonlar%C4%B1-ve-%C3%B6zellikleri-nelerdir-cb3bf88be324. (Erişim tarihi: 10.06.2023)
  20. Xu, B., He, X., & Qu, Z. (2021). Asian food image classification based on deep learning. Journal of Computer and Communications, 9(03), 10.
  21. Yue, X., Li, H., Shimizu, M., Kawamura, S., & Meng, L. (2022). YOLO-GD: a deep learning-based object detection algorithm for empty-dish recycling robots. Machines, 10(5), 294.
  22. Zeng G. (2017). Fruit and Vegetables Classification System Using Image Saliency and Convolutional Neural Network. Proceedings of the Technology and Mechatronics Engineering Conference, 324-331. doi:10.1109/ITOEC.2017.8122370
  23. Zhou, L., Zhang, C., Liu, F., Qiu, Z., & He, Y. (2019). Application of deep learning in food: a review. Comprehensive reviews in food science and food safety, 18(6), 1793-1811.