企业官网建设流程全解析

食品图像检测数据集 | 3500张YOLO智慧餐饮数据集

适用于智能结算、营养分析与目标检测研究

一、数据集概述

本数据集面向计算机视觉目标检测与实例分割任务，专为餐盘食品识别模型训练、验证与测试设计，共包含约3500张高质量标注图像（训练集2447张、验证集699张、测试集350张），覆盖36类菜品。该数据集可广泛应用于智能结算台、营养膳食分析、自动取餐结算、餐饮后厨管理与饮食记录等场景，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。

随着智慧食堂和餐饮数字化的快速发展，利用计算机视觉技术实现餐盘食品的自动识别与结算已成为提升餐饮效率、优化膳食管理的重要手段。本数据集针对食品检测场景中菜品种类繁多、形态相似、堆叠遮挡频繁等问题进行专项构建，可为智能结算系统与营养分析平台提供高质量数据支撑。

数据集下载

通过网盘分享的文件：食品图像检测数据集-36类
链接: https://pan.baidu.com/s/1ovZlTYIFx2sr8MPcKjyaOA?pwd=e8x2
提取码: e8x2

二、数据集基本信息

三、数据集类别说明

本数据集为多类别细粒度目标检测数据集，共设置36个检测类别，覆盖中餐、西餐、快餐及东南亚风味等多种菜系，类别细粒度高，贴合餐饮识别实际需求。

类别配置

nc:36names:-cola-beijing_beef-fried_noodles-fried_rice-hash_brown-walnut_shrimp-kung_pao_chicken-green_bean_chicken_breast-mixed_vegetables-orange_chicken-white_rice-black_pepper_beef_rice-hamburger-carrot_fried_egg-cheeseburger-chicken_waffle-chicken_nuggets-cabbage-sausage-crispy_corn-curry-french_fries-fried_chicken-fried_chicken_pieces-fried_dumplings-fried_egg-mango_chicken_wrap-mozzarella_cheeseburger-mung_bean_sprouts-popcorn_chicken-indonesian_potato_cake-rice-sprite-cheese_dip-triangle_hash_brown-water_spinach

类别详情（按菜系分组）

36类设计覆盖中餐、西餐、快餐及东南亚风味等多种菜系，包含主食、荤菜、素菜、小吃、饮品与蘸料等完整餐盘构成，类别细粒度高，可支撑精细化的菜品识别与营养分析应用。

四、数据集结构说明

数据集采用标准YOLO目录结构组织，已按训练集、验证集、测试集进行科学划分，结构清晰，便于直接接入主流检测框架。

食品图像检测数据集-36类/ ├── train │ ├── images │ └── labels ├── valid │ ├── images │ └── labels ├── test │ ├── images │ └── labels └── data.yaml

各数据集作用如下：

• train/images & labels：训练集图像与标签（2447张），用于模型参数学习与特征提取；
• valid/images & labels：验证集图像与标签（699张），用于超参数调优、早停监控及防止过拟合；
• test/images & labels：测试集图像与标签（350张），用于最终模型性能评估与泛化能力测试。

标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，配套data.yaml已配置好类别名称与数量（保留原始英文类别名并注释备份，中文类别名可直接用于训练与可视化），可直接适配YOLO系列等目标检测框架。

五、数据集核心优势

1. 多菜系细粒度覆盖

36类标签覆盖中餐、西餐、快餐及东南亚风味等多种菜系：

• 中式菜品：宫保鸡丁、炒饭、炒面、北京牛肉等
• 西式快餐：汉堡、薯条、炸鸡、鸡块等
• 东南亚风味：咖喱、印尼土豆饼等
• 饮品蘸料：可乐、雪碧、芝士蘸酱

类别细粒度高，覆盖主食、荤菜、素菜、小吃、饮品的完整餐盘构成，可支撑精细化的菜品识别。

2. 贴近真实餐饮场景

数据来源于真实餐饮场景，具有以下特点：

• 多种拍摄角度：俯拍、斜拍、平视
• 多种光照条件：自然光、室内灯光
• 多种容器：餐盘、碗、快餐盒
• 真实堆叠遮挡：菜品间的堆叠与相互遮挡

有效保障模型在实际餐饮场景中的泛化能力。

3. 密集目标检测挑战

餐盘场景具有典型的密集目标检测特点：

• 多菜品同盘：单个餐盘中常同时存在多种菜品
• 菜品相互接触：不同菜品之间边界模糊、相互接触
• 形态相似：同类菜品不同做法、不同菜品外观相似
• 尺度差异：主菜、配菜、蘸料尺度差异大

对模型的密集目标检测与细粒度区分能力提出较高要求。

4. 支持营养分析与热量估算

类别设计支持营养膳食分析应用：

• 菜品识别：识别餐盘中的菜品类型
• 分量估算：基于检测框面积估算菜品分量
• 热量计算：结合菜品营养数据库进行热量估算
• 膳食分析：分析饮食结构，提供营养建议

5. 高质量人工标注

所有图像均经过高质量人工标注：

• 边界框规整、无漏标/错标
• 36类菜品判别标准统一清晰
• 密集/遮挡场景下的独立标注处理
• 满足高精度检测模型训练需求

有效保证模型训练质量。

6. 即用型数据组织

标准目录结构+规范化data.yaml配置，无需复杂预处理，下载即可直接用于模型训练，降低使用门槛。

六、适用场景

智慧食堂/自助餐智能结算

在食堂、自助餐厅的智能结算台上自动识别餐盘中的菜品，实现自动计价与结算。

饮食记录与营养热量估算

在饮食记录App中自动识别菜品，结合营养数据库进行热量估算与膳食分析。

餐饮后厨出餐自动核验

在后厨出餐环节自动核验菜品品类与数量，辅助出餐质量管理。

食品图像检索与菜品推荐

基于菜品识别结果实现食品图像检索与个性化菜品推荐。

餐饮大数据分析

基于菜品识别数据统计消费偏好与菜品热度，辅助餐饮经营决策。

教学科研

用于细粒度分类与密集目标检测算法研究等科研场景。

七、适用研究方向

本数据集可广泛应用于以下研究领域：

• 食品图像检测与识别研究（36类）
• 细粒度目标检测研究
• 密集目标检测研究（多菜品同盘）
• 智慧餐饮与智能结算研究
• 营养分析与膳食评估研究
• YOLO系列模型优化研究
• 轻量化检测模型与边缘部署研究
• 域适应与跨场景泛化研究

八、总结

食品图像检测数据集包含约3500张高质量标注图像，采用标准YOLO格式构建，专注于餐盘食品的检测与识别任务。数据集覆盖可乐、北京牛肉、炒面、炒饭、宫保鸡丁、汉堡、薯条、炸鸡、咖喱等36类核心菜品，涵盖中餐、西餐、快餐及东南亚风味等多种菜系，具有菜系覆盖广、类别细粒度高、场景真实等特点，可广泛应用于智能结算、营养分析、后厨核验、菜品推荐等领域，是开展食品视觉检测算法研发与智慧餐饮系统建设的优质数据资源。