Central Asian Food Dataset (CAFD)

Central Asian Food Dataset (CAFD)是由纳扎尔巴耶夫大学的智能系统和人工智能研究所创建的一个专注于中亚地区美食的数据集。该数据集包含16,499张图片，涵盖42种中亚特色菜肴，旨在通过图像识别技术辅助个性化饮食干预。创建过程中，研究团队通过网络爬虫从搜索引擎和社交媒体收集图片，使用Roboflow软件进行图像处理和标注。CAFD的应用领域广泛，包括改善食品质量、开发新食谱、优化生产流程及提升食品安全等。

Central Asian Food Dataset (CAFD) is a cuisine dataset dedicated to Central Asian regional dishes, developed by the Institute of Intelligent Systems and Artificial Intelligence at Nazarbayev University. It contains 16,499 images covering 42 iconic Central Asian specialty dishes, and aims to assist personalized dietary interventions via image recognition technologies. During its development, the research team collected images from search engines and social media through web scraping, and performed image processing and annotation using Roboflow software. CAFD has a wide range of application scenarios, including improving food quality, developing new recipes, optimizing production processes, and enhancing food safety.

搜集汇总

数据集介绍

构建方式

在计算机视觉与社交媒体深度融合的时代背景下，饮食影像的自动识别为个性化膳食干预提供了崭新可能。然而，中亚地区独具特色的饮食文化长期缺乏系统性的图像数据支撑。为填补这一空白，研究者构建了Central Asian Food Dataset (CAFD)，包含42个食物类别与逾16,000张图像。数据集的构建遵循严谨的五步流程：首先，通过文献与专家意见确定流行中亚菜肴清单；其次，利用Python脚本结合Selenium工具从搜索引擎与社交媒体爬取图像，并借助Roboflow从食谱视频中提取帧以补充少数类样本；接着，采用HashImage库去除重复图像；随后，由两名标注员使用Roboflow软件为每张图像中的食物生成边界框；最后，依据边界框坐标裁剪食物区域，按类别存入独立目录，形成最终数据集。

特点

CAFD的显著特色在于其地域文化的专一性与数据质量的严谨性。作为首个聚焦中亚饮食的公开图像数据集，它收录了如Plov、Samsa、Shashlyk等极具民族特色的菜肴，填补了现有数据集多聚焦西方与东亚菜系的空白。数据集经过多次迭代清洗与标注审核，确保图像清晰且类别准确，尽管各类别图像数量不均衡（99至922张不等），但整体质量上乘。在ResNet152模型上，CAFD实现了88.70%的Top-1准确率与98.59%的Top-5准确率，验证了其作为计算机视觉基准的可靠性。此外，数据集中的易混淆类别（如不同做法的Shashlyk）为细粒度识别研究提供了挑战性样本。

使用方法

CAFD为饮食识别研究提供了灵活的应用接口。研究者可直接使用其公开的16,499张图像进行图像分类模型的训练与评估，或将其与Food1K等通用数据集联合训练以提升跨菜系识别能力。数据集已按训练、验证与测试集划分（11,008张、2,763张与2,728张），避免数据泄露。用户可基于PyTorch框架加载预训练模型（如ResNet、EfficientNet）进行迁移学习，调整学习率与批次大小以适配任务。此外，数据集、源代码与预训练模型已开源至GitHub，支持后续扩展如多食物场景识别或食谱生成等应用。

背景与挑战

背景概述

在计算机视觉与深度学习技术日臻成熟的当下，基于图像的食物识别系统正逐步成为个性化营养干预与膳食评估的重要工具。然而，现有公开的食物数据集多集中于西式、中式及部分亚洲菜系，对文化独特且历史悠久的区域性饮食体系关注甚少。为填补这一空白，纳扎尔巴耶夫大学智能系统与人工智能研究所于2022年推出了Central Asian Food Dataset (CAFD)，由Aknur Karabay、Arman Bolatov、Huseyin Atakan Varol及Mei-Yen Chan共同构建。该数据集涵盖42类中亚民族特色菜肴，包含超过16,000张高质量图像，旨在为区域饮食的自动化识别提供基准资源，并推动个性化膳食干预研究的发展。CAFD的发布不仅弥补了中亚饮食在食物计算领域的数据缺失，也为跨文化膳食模式分析与计算机视觉模型在区域性场景下的泛化能力研究奠定了重要基础。

当前挑战

CAFD所面临的挑战首先体现在领域问题的复杂性上：中亚菜肴具有高度视觉相似性与细粒度特征，例如多种烤肉（Shashlyk）与面条类菜品（Lagman）在外观上极易混淆，导致分类模型在区分这些类别时性能显著下降，Top-1准确率仅为88.70%。此外，数据集的构建过程亦充满困难，包括从搜索引擎与社交媒体中爬取图像时面临的数据噪声、重复图像去除、以及通过视频帧提取以扩充少数类样本的繁琐流程。类别间样本数量的不均衡（每类图像从99张至922张不等）进一步加剧了模型训练的偏差，使得部分稀有菜品的识别精度远低于常见类别。这些挑战共同限制了CAFD在真实场景中实现稳定、高精度膳食评估的潜力。

常用场景

经典使用场景

Central Asian Food Dataset (CAFD) 作为首个专注于中亚地区民族饮食的图像数据集，其最经典的使用场景在于构建高精度的食物图像识别与分类系统。该数据集涵盖42类、逾16,000张中亚特色菜肴图像，填补了现有食物数据集长期以西方、东亚菜系为主导的空白。研究者可基于CAFD训练深度学习模型（如ResNet152），实现对抓饭、萨姆萨、马尼提等典型中亚食物的自动判别，并结合迁移学习技术，将ImageNet预训练权重适配至该领域，从而在个性化饮食评估、智能营养记录等任务中发挥基石作用。

实际应用

在实际应用层面，CAFD赋能了一系列贴近日常生活的智能服务。它可被集成至移动健康应用，帮助用户通过拍照自动记录饮食摄入，进而生成个性化的营养干预方案，尤其适用于中亚地区糖尿病、肥胖等代谢性疾病的膳食管理。此外，该数据集支持智能餐厅的菜品自动识别系统，优化菜单设计与库存管理；在食品安全领域，它有助于打击以次充好的欺诈行为，通过图像比对验证食材真伪。与社交媒体平台的结合还能催生饮食趋势分析工具，为公共卫生政策制定提供数据洞察。

衍生相关工作

CAFD的发布衍生了一系列具有启发性的后续工作。研究者基于该数据集探索了更深层的网络架构（如EfficientNet-b4）与数据增强策略，以提升细粒度分类场景下的判别性能，例如区分不同做法的烤肉或汤面。同时，CAFD启发了多任务学习范式的引入，将食物识别与配料预测、热量估算相结合，构建端到端的膳食评估系统。未来工作还计划拓展至食物场景识别，通过单图多目标检测实现餐盘中多种菜肴的同步分析，并融合跨模态数据（如食谱文本），进一步推动中亚饮食文化的数字化保护与智能分析。