Bling 음식 사진 견적 벤치마크 프로토콜
무게를 측정하거나 문서화된 참조 값을 기준으로 음식 사진 칼로리 및 다량 영양소 추정치를 평가하기 위한 버전이 있고 재현 가능한 프로토콜입니다.
- 상태
- 프로토콜만 — 결과 없음
- 버전
- 1.0.0
- 게시됨
- 최종 검토
현황
공개된 실적이 없습니다. 이 페이지는 결과 테이블이 존재하기 전에 규칙을 고정합니다.벤치마크가 답변할 내용
이 단위는 소비자 저널링을 위한 냉동 Bling 제품 빌드로 평가된 독립 식사입니다. 이는 임상적 검증이 아니며 진단, 치료, 약물 투여 또는 개별화된 영양 조언을 뒷받침할 수 없습니다.
- 1차 통과 에너지 및 다량 영양소 추정치는 문서화된 기준 값과 얼마나 떨어져 있습니까?
- 추정치는 얼마나 자주 미리 선언된 오류 범위에 속합니까?
- 어떤 식사 맥락과 시각적으로 숨겨진 재료가 더 큰 오류와 연관되어 있습니까?
- 실험실 정밀도를 암시하지 않고 구조화된 사용자 수정 단계에서 오류가 얼마나 변경됩니까?
샘플 및 수집
일반적인 벤치마크 릴리스에는 100끼의 물류 파일럿이 필요하며 제품 및 프로토콜이 냉동된 후 수집된 최소 1,000회의 독립적인 평가 식사가 필요합니다. 최소 200개의 평가 식사가 확인 홀드아웃에 남아 있고, 보고된 모든 기본 컨텍스트에는 최소 50개의 식사가 포함되어 있으며, 컬렉션은 여러 메뉴 주기에 걸쳐 최소 3개의 장소 또는 가정 소스에 걸쳐 있습니다.
최저치는 통계적 힘을 주장하는 것이 아니라 출판물에 대한 보호 장치입니다. 파일럿은 헤드라인 평가에 통합되지 않으며 달성된 신뢰 구간 정밀도가 보고됩니다.
개발, 파일럿 및 평가 파티션은 식당, 식사, 요리법 계보, 레스토랑 또는 장소 및 거의 중복된 이미지 그룹으로 격리됩니다. 최종 평가 이미지는 새로운 비공개 이미지이며 프로토콜과 시스템이 동결되기 전에 즉각적인 조정이 불가능합니다.
두 개의 보완 분포
- 관찰된 제품 트래픽 분포를 보존하는 자연 사용 샘플
- 요리, 에너지 및 부분 밴드, 단일 요리 대 혼합 요리, 가정 대 레스토랑 또는 포장 음식, 음료, 소스, 숨겨진 재료, 폐색, 조명, 각도, 용기 및 저대비 준비에 걸친 균형 잡힌 스트레스 샘플
미리 선언된 식사 컨텍스트
- 단일 표시 항목
- 집에서 만든 혼합 요리
- 레스토랑 또는 테이크아웃 식사
- 포장식품 또는 브랜드 식품
- 수프, 음료 또는 기타 눈에 잘 띄지 않는 준비
포함
- 완전한 식사 또는 소비 전 촬영된 식품
- 문서화된 참고방법 및 식용량
- 고정된 제품 버전 및 타임스탬프가 표시된 1차 통과 결과
- 이미지 공개 전 동의 및 비식별화 상태 기록
제외
- 참조 수량 누락 또는 검증할 수 없는 영양 공급원
- 섭취량을 측정하지 않은 부분 식사
- 인물이나 관련 없는 개인정보가 포함된 이미지
- 추정 성능이 좋지 않아 사후 제거
참조 값이 구축되는 방식
무게를 측정한 접시나 용기에서 시작하세요. 각 재료 또는 잠긴 레시피 추가, 저울 모델, 교정 날짜 및 질량, 저울 불확실성, 식용 중량 증가, 최종 재계량, 준비 상태, 레시피 개정, 남은 음식 및 폐기된 오일 또는 액체를 별도로 기록합니다.
- 식용 가능한 재료의 무게와 요리 레시피의 산출량 측정
- 정확한 패키지 영양성분표 및 섭취된 섭취량
- 주문한 품목 및 분량과 일치하는 공식 레스토랑 영양 기록
USDA FoodData Central 기록에는 FDC 식별자, 데이터 유형, 액세스 날짜, 출시 또는 업데이트 날짜가 포함됩니다. 단순히 가장 가까운 이름이 아닌 음식의 형태와 준비에 맞게 소스를 선택합니다.
성분의 총 영양소는 식용 가능한 무게와 측정된 최종 레시피 수율에 따라 조정됩니다. 보유 또는 수익률 계수는 해당 소스와 버전의 이름을 지정해야 합니다.
두 명의 자격을 갖춘 영양 검토자가 독립적으로 성분을 구성 기록과 일치시킵니다. 세 번째 검토자가 불일치를 해결합니다. 고유량, 고수분, 소스가 많고 브랜드 변수 하위 집합은 참조 방법 오류를 정량화하기 위해 중복 준비 또는 실험실 분석을 받습니다.
참조 불확실성, 대체, 남은 항목 및 사용할 수 없는 값은 명시적 필드로 유지됩니다. 그것들은 조용히 정확한 진리로 전환되지 않습니다.
등록 및 불변 동결
평가 라벨을 잠금 해제하기 전에 프로토콜 및 통계 분석 계획을 등록하세요.
공개 릴리스에는 등록 기록, 타임스탬프, 프로토콜 파일 해시, 이미지 매니페스트 해시, 참조 데이터 버전, 제품 빌드, 모델 구성, 프롬프트 해시, 파서 버전, 기본 결과, 여백, 제외, 누락 데이터 규칙, 하위 그룹 계획 및 표본 크기 정밀도 분석의 이름이 지정되어야 합니다.
동결된 등록에서 벗어나는 모든 사항은 열거되고, 날짜가 기재되고, 타당성이 입증되며, 결과에 편향이 발생할 수 있는 경우 확인 결과에서 제외됩니다.
사진 및 견적 캡처
1차 분석에서는 일반 소비자 사진 한 장을 사용합니다. 추가 조회수는 별도로 기록되며 기본 결과에 혼합될 수 없습니다.
- 장치 클래스
- 카메라 시야 및 거리 대역
- 조명 상태
- 접시 또는 용기 유형
- 축척 참조 표시 여부
- 식사 상황 및 준비 가시성
공개 이미지에는 명시적인 게시 허가가 있어야 하고, 사람이나 관련 없는 개인 정보가 포함되어 있지 않아야 하며, 제거 가능한 메타데이터가 제거되어 있어야 합니다.
두 가지 결과, 혼합되지 않음
- 1차 사진만으로 추정
- 사전 선언된 수정 메시지 이후 검토 후 추정치
구조화된 검토는 음식 정체성, 분량, 조리용 지방 또는 소스, 누락된 사이드 또는 음료, 데이터베이스 일치로 제한됩니다. 1차 통과 결과와 수정된 결과는 별도로 유지됩니다.
주요 결과는 실제 제품 경로를 통해 생성된 첫 번째 반응입니다. 반복 호출은 확률론적 출력 및 오류 일관성을 정량화하기 위해 사전 등록된 하위 집합에서만 실행됩니다. 가장 좋은 점수를 얻었기 때문에 실행이 선택되지 않았습니다.
상업 모델을 불변 스냅샷에 고정할 수 없는 경우 보고서에서는 정확한 재현이 보장되지 않으며 타임스탬프가 지정된 원시 응답과 사용 가능한 모든 호출 설정을 보존해야 한다고 명시해야 합니다.
결과 및 통계 분석
모든 열을 보려면 옆으로 스와이프하세요.
| 레벨 | 미리 선언된 결과 |
|---|---|
| 주 메뉴 | meal-level absolute energy error in kilocalories; proportion within ±20% of reference energy |
| 보조 | signed energy error (bias); median absolute energy error; root mean squared energy error; aggregate energy wAPE: sum of absolute errors divided by sum of reference energy; proportions within ±10% and ±30%; gross error proportion above ±50%; Bland–Altman 95% limits of agreement, with confidence intervals for bias and both limits; absolute protein, carbohydrate, and fat error in grams; protein, carbohydrate, and fat bias and aggregate wAPE; visible major-component recall; change from first-pass to post-review error; unavailable, refused, unparseable, and unsupported-completion rates |
10,000개의 식사 클러스터 부트스트랩 재표본을 사용하여 양면 95% 신뢰 구간을 보고합니다. 한 끼 식사의 모든 사진과 추정 단계는 동일한 리샘플에 유지됩니다.
평균, 중앙값, 사분위간 범위 및 적절한 경우 완전한 경험적 분포를 게시합니다. 하나의 평균에 의존하지 마십시오.
고정된 Bland-Altman 한계를 적용하기 전에 참조 크기와 비교하여 오류를 검사합니다. 식사 에너지에 따라 차이가 크게 변하는 경우 사전 등록된 로그 비율 또는 회귀 기반 합의 한계 분석을 사용하십시오.
모든 시스템 또는 단계 비교는 식사 쌍 부트스트랩 차이 간격을 사용합니다. 동등성 또는 비열등성을 위해서는 라벨을 열기 전에 마진을 동결해야 합니다. 중요하지 않은 차이는 결코 동등하다고 부르지 않습니다.
두 가지 공동 기본 결과는 분석 전에 선언됩니다. 확인된 2차 또는 하위 그룹 청구는 동결된 계층적 또는 허위 발견률 절차를 사용합니다. 다른 모든 하위 그룹 분석은 탐색적이라고 표시됩니다.
만족스러운 결과에 대한 보호책
- 인식 정확도는 영양 정확도로 보고되지 않습니다.
- 누락되거나 실패한 추정은 실패로 간주되며 별도로 보고됩니다. 그들은 떨어지지 않습니다.
- 기준 값이 0에 너무 가까우면 매크로 백분율 오류가 계산되지 않습니다.
- 동결된 샘플, 버전 및 참조 방법 외에는 단일 범용 정확도 백분율이 사용되지 않습니다.
- 상관관계는 일치나 정확성으로 간주되지 않습니다.
- 인용된 기관에서 실제로 정의하지 않는 한 어떤 임계값도 업계 또는 규제 표준으로 설명되지 않습니다.
보고된 지층
- 식사 맥락
- 성분 가시성
- 단품 요리와 혼합 요리 비교
- 집에서 만든 요리와 레스토랑 또는 포장 요리
- 사진 상태
- 지층이 출판층과 만날 때만 요리
- 지역 및 가격대
- 카메라 및 조명 상태
- 노골적인 동의 하에 손이나 사람에 인접한 작물이 유지되는 경우에만 피부색
수집된 식사에서 분석된 식사까지의 흐름 수, 모든 제외 이유, 사용할 수 없는 추정치 및 누락된 참조 영양소를 게시합니다.
실패 분류
- 식품 식별 오류
- 부분 또는 볼륨 오류
- 숨겨진 기름, 소스, 설탕 또는 준비 오류
- 브랜드 또는 레시피 가정 오류
- 단위 또는 구조화된 출력 구문 분석 오류
- 지원되지 않는 재료 완성
- 총 과소평가 또는 과대평가
- 부적절한 의료 또는 질병 조언
- 개인정보 노출
11 게이트
- 평가 라벨을 열기 전에 프로토콜, 통계 분석 계획, 관찰 스키마, 분석 코드 버전, 콘텐츠 해시를 공개적으로 사전 등록하세요.
- 제품 빌드, 정확한 모델 또는 공급업체 스냅샷, 프롬프트, 이미지 파이프라인, 파서, 지역, 호출 설정 및 식품 구성 릴리스를 동결합니다. 하나의 헤드라인 결과에 실질적으로 다른 버전을 결합하지 마십시오.
- 별도의 파일럿, 1,000식 평가 층, 200식 확정 홀드아웃, 소스 다양성 규칙 및 보고된 모든 계층 층을 완료합니다. 그렇지 않으면 일반 벤치마크 주장 없이 파일럿 전용 릴리스라는 라벨을 붙입니다.
- 완전히 추적 가능한 계량, 레시피 수율 및 보존 기록, 판정을 통한 독립적인 영양 검토, 정량화된 참조 불확실성을 제공합니다.
- 수집된 모든 식사, 실패한 추정, 제외, 수정 및 사용할 수 없는 영양소를 설명합니다.
- 공동 일차 결과, Bland-Altman 편향 및 합의 한계, 총 오류, 실패한 출력, 사전 지정된 스트레스 및 하위 그룹 결과에 대한 신뢰 구간을 보고합니다.
- 파티션 격리를 확인하고 평가 이미지, 레시피 계보, 장소 및 거의 중복된 항목을 즉각적인 조정 또는 결과 선택에 사용할 수 없다는 증거를 문서화합니다.
- 동의가 허용되는 익명화된 행 수준 데이터, 데이터 사전, 분석 코드, 체크섬 및 버전이 지정된 변경 로그를 게시합니다.
- 완전한 동의, EXIF 및 GPS 제거, 개인 및 민감한 배경 검색, 보존 및 삭제 제어, 액세스 검토, 모델 공급업체 데이터 사용 검토.
- 골든 센티널 세트 게시, 트리거 변경, 흐름 모니터링, 경고 임계값 및 정확성 주장을 일시 중지하거나 철회하는 조건을 게시합니다.
- 소비자 저널링 내에서 결론을 유지하고 실패 모드를 지정하며 임상적, 보편적 또는 인과적으로 뒷받침되지 않는 주장을 거부합니다.
기계 판독 가능한 프로토콜
사람이 읽을 수 있는 페이지와 기계가 읽을 수 있는 파일은 동일한 버전의 소스에서 나옵니다. 향후 데이터 세트는 행 수준 데이터와 다운로드 가능한 배포가 실제로 존재한 후에만 데이터 세트 마크업을 받게 됩니다.
사용된 표준(청구되지 않음)
GRRAS와 Bland–Altman 보고는 직접적인 합의 연구 백본을 형성합니다. TRIPOD-LLM 및 선택된 TRIPOD+AI 투명성 항목은 모델, 프롬프트, 데이터, 신뢰 구간, 하위 그룹, 실패 및 개방형 과학 보고를 관리합니다. NIST AI RMF 및 Generative AI 프로필은 버전, 공급업체, 개인 정보 보호, 드리프트, 사고 및 폐기 제어를 관리합니다. USDA FoodData Central 및 Nutrition5k는 참조 출처 및 획득 정보를 제공합니다.
이는 진단 정확성 연구, 임상 예측 모델 연구, 무작위 중재 또는 임상 결정 지원 평가가 아닙니다. 따라서 STARD-AI, TRIPOD+AI, CONSORT-AI, SPIRIT-AI 또는 DECIDE-AI 준수를 주장하지 않습니다.
소스 원장
표준 및 참조 방법
- 신뢰성 및 합의 연구 보고 지침(GRRAS)Journal of Clinical Epidemiology / EQUATOR 네트워크
- 합의 분석을 위한 Bland-Altman 방법: 보고 표준 검토간호 연구 발전에 관한 국제 저널
- 대규모 언어 모델을 사용하는 연구를 위한 TRIPOD-LLM 보고 지침자연의학
- TRIPOD+AI 성명: 임상 예측 모델 보고에 대한 업데이트된 지침BMJ
- FoodData Central 데이터 문서USDA
- Nutrition5k: 일반 식품의 자동 영양 이해를 향하여IEEE/CVF CVPR
- 인공지능 위험 관리 프레임워크 1.0NIST
- 인공 지능 위험 관리 프레임워크: 생성 인공 지능 프로필NIST
- 일반 웰니스: 저위험 장치에 대한 정책미국 식품의약국(FDA)
- FTC의 건강 위반 통지 규칙 준수미국 연방거래위원회
- 데이터세트 구조화된 데이터Google 검색 센터
수정 및 프로토콜 문제는 team@bling.best에서 환영합니다.