食物辨識助手

架構管線 · Pipeline

• ▸瀏覽器端：ONNX Runtime Web（WASM）執行 YOLOv8 ONNX 模型，偵測中亞料理食物（46 類），輸入 640×640 letterbox，信心度門檻 0.25
• ▸備援層：ONNX 偵測結果為零時，自動切換 TensorFlow.js + COCO-SSD（80 類通用食物，CDN 載入）
• ▸後端分析：偵測到的食物標籤（純文字，非圖片）POST 到 FastAPI 後端，呼叫 Google Gemini 2.5 Flash Lite 做深度分析
• ▸後端備援：FastAPI 端另有 YOLOv8（伺服器端推理）與 ResNet-50 Food-101 分類模型作為多層備援

技術亮點 · Highlights

• ▸圖片全程留在瀏覽器本地，只有文字標籤離開裝置，隱私優先
• ▸傳送文字標籤（約 10–30 token）取代圖片 base64（數千 token），大幅降低 API 成本
• ▸ONNX → COCO-SSD → Gemini 多層備援鏈，任一層失敗系統仍可繼續運作
• ▸前端無框架依賴：純 HTML5 / CSS3 / Vanilla JS，不需要 Node.js 或打包工具

技術棧 · Stack

• ▸前端推理：ONNX Runtime Web（WASM）+ TensorFlow.js COCO-SSD
• ▸後端框架：FastAPI + Pydantic v2（型別安全的請求/回應模型）
• ▸AI 分析：Google Gemini 2.5 Flash Lite
• ▸後端備援模型：Ultralytics YOLOv8、HuggingFace ResNet-50 Food-101