此資料夾暫時不會存放任何程式碼，只會將各種想法對應的實驗程式碼位置進行記錄
- 在圖像當中匡選出食物資訊 (使用目標檢測網路，這裡目前考慮使用yolox)
- 利用(1)的模型在影片中快速獲取我們標註過的食物，之後對每個食物人工標註剩餘量，此時我們的資料結構
├── data: 主目錄 │ ├── train: 訓練使用圖像資料 │ │ ├── 0: 第0類圖像資料 │ │ │ ├── 100: 剩餘量為100%的圖像 │ │ │ ├── 50: 剩餘量為50%的圖像 │ │ │ └── 0: 剩餘量為0%的圖像 │ │ ├── 1: 第1類圖像資料 │ │ │ ├── 100: 剩餘量為100%的圖像 │ │ │ ├── 50: 剩餘量為50%的圖像 │ │ │ └── 0: 剩餘量為0%的圖像 │ │ └── n: 第n類圖像資料 │ │ ├── 100: 剩餘量為100%的圖像 │ │ ├── 50: 剩餘量為50%的圖像 │ │ └── 0: 剩餘量為0%的圖像 │ ├── val: 測試使用圖像資料 │ │ ├── 0: 第0類圖像資料 │ │ │ ├── 100: 剩餘量為100%的圖像 │ │ │ ├── 50: 剩餘量為50%的圖像 │ │ │ └── 0: 剩餘量為0%的圖像 │ │ ├── 1: 第1類圖像資料 │ │ │ ├── 100: 剩餘量為100%的圖像 │ │ │ ├── 50: 剩餘量為50%的圖像 │ │ │ └── 0: 剩餘量為0%的圖像 │ │ └── n: 第n類圖像資料 │ │ ├── 100: 剩餘量為100%的圖像 │ │ ├── 50: 剩餘量為50%的圖像 │ │ └── 0: 剩餘量為0%的圖像 │ └── annotation: 標註資料 │ ├── instance_train.json: 訓練的json資料，會是coco格式 │ ├── instance_val.json: 測試時的json資料，會是coco格式 │ - 固定食物種類以及剩餘量，使用GAN生成模型創造更多相同類別以及剩餘量的圖像
- 使用分類模型訓練分類不同剩餘量的圖片，這裡的模型是不同種食物就會使用不同參數的模型
- 固定食物種類使用不同剩餘量，使用GAN生成模型創建同種食物但隨機剩餘量
此時可以使用模型進行粗判剩餘量，之後人工檢查分類 - 再繼續訓練剩餘量分類模型，此時的圖像資料已經足夠豐富將剩餘量檢測模型訓練完成
- 創建以食物剩餘量以及經過時間最終獲取還需多少時間吃完的模型，這裡可以使用翻譯模型
把這個任務當作翻譯進行(小規模測試放在: Test的Transformer_NLP_Eat_Time 當中)
目標檢測出食物並且分類 -> 使用該類別的剩餘量分類模型 -> 使用該類別的剩餘量與時間對應到還需多少時間的模型
模型框架，之後的模型都會在此框架上進行擴展，提供簡單方式搭建模型
目標檢測模型，當中提供訓練以及檢測，同時也有對影片進行檢測後將圖像提取出來
之後目標檢測相關任務會直接使用該模型
使用食物分類資料集，進行標註圖像後直接將多張圖像進行拼貼，最後獲取目標檢測資料集
檢測吃飯動作
分類模型，主要用來檢測剩餘量資料
分割模型，主要也是解決剩餘量資料，對於固體的食物可以使用
預測剩餘時間，這裡外部的檔案是使用transformer架構預測剩餘時間
還有一個RegressionModel是使用傳統預測回歸的方式預測剩餘量