ما هو Snap & Track؟ دليل شامل لتتبع السعرات الحرارية باستخدام الصور

لقد كانت الطريقة التقليدية لتتبع السعرات الحرارية، والتي تتضمن البحث يدويًا في قاعدة بيانات عن كل مكون في وجبتك، وتقدير أحجام الحصص، وإدخال كل عنصر واحدًا تلو الآخر، هي السائدة لأكثر من عقد من الزمن. ورغم فعاليتها، إلا أنها بطيئة ومملة، وتعتبر واحدة من الأسباب الرئيسية التي تجعل الناس يتخلون عن تسجيل الطعام في غضون الأسبوعين الأولين.

يقدم تتبع السعرات الحرارية باستخدام الصور نهجًا مختلفًا تمامًا. بدلاً من الكتابة والبحث، كل ما عليك فعله هو التقاط صورة واحدة لوجبتك، ويتولى الذكاء الاصطناعي الباقي: حيث يقوم بتحديد الأطعمة الموجودة في طبقك، وتقدير أحجام الحصص، ويقدم لك تحليلًا غذائيًا كاملًا في ثوانٍ.

تطبيق Nutrola لهذه التكنولوجيا يُعرف باسم Snap & Track. يشرح هذا الدليل بالضبط ما هو تتبع السعرات الحرارية باستخدام الصور، وكيف تعمل التكنولوجيا الأساسية، وما الذي تقوم به بشكل جيد، وأين لا تزال تواجه تحديات، وكيف تقارن بطرق التسجيل الأخرى.

ما هو تتبع السعرات الحرارية باستخدام الصور؟

تتبع السعرات الحرارية باستخدام الصور هو طريقة لتسجيل الطعام تعتمد على كاميرا الهاتف الذكي والذكاء الاصطناعي لتقدير المحتوى الغذائي لوجبة من خلال صورة واحدة. بدلاً من الحاجة إلى البحث يدويًا في قاعدة بيانات الطعام، يقوم النظام بتحليل الصورة لتحديد العناصر الغذائية الفردية، وتقدير كمياتها، واسترجاع البيانات الغذائية المقابلة.

الوعد الأساسي هو السرعة والبساطة. يمكن تقليل العملية التي تستغرق عادةً من 60 إلى 120 ثانية لكل وجبة عند الإدخال اليدوي إلى أقل من 10 ثوانٍ باستخدام نظام يعتمد على الصور. بالنسبة للمستخدمين الذين يتناولون الطعام ثلاث إلى خمس مرات في اليوم، فإن هذه التوفير في الوقت يتحول إلى تجربة مختلفة تمامًا تجعل تتبع السعرات الحرارية على المدى الطويل مستدامًا.

لمحة تاريخية

تعود فكرة تصوير الطعام للتحليل الغذائي إلى الأبحاث الأكاديمية في أوائل العقد الأول من القرن الحادي والعشرين، عندما أظهرت نماذج رؤية الكمبيوتر لأول مرة القدرة على تصنيف صور الطعام بدقة معقولة. كانت الأنظمة المبكرة تتطلب إضاءة مسيطرة، وزوايا محددة، وأشياء مرجعية (مثل وضع عملة بجانب الطبق للقياس). كانت الدقة محدودة، وظلت التكنولوجيا محصورة في مختبرات الأبحاث.

جاءت الانفراجة مع نضوج التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، بين عامي 2017 و2022. مع تدريب هذه النماذج على مجموعات بيانات متزايدة الحجم من صور الطعام، تحسنت دقة التصنيف من حوالي 50% إلى أكثر من 90% للأطعمة الشائعة. بحلول عام 2024، بدأت التطبيقات الاستهلاكية تقدم تتبعًا قائمًا على الصور كميزة أساسية بدلاً من إضافة تجريبية.

كيف يعمل Snap & Track: خطوة بخطوة

فهم السلسلة الكاملة من الصورة إلى البيانات الغذائية يساعد في وضع توقعات واقعية حول ما يمكن أن تفعله التكنولوجيا وما لا يمكنها فعله.

الخطوة 1: التقاط الصورة

يفتح المستخدم تطبيق Nutrola ويقوم بالتقاط صورة لوجبتهم باستخدام واجهة الكاميرا المدمجة. يعمل النظام بشكل أفضل مع لقطة من الأعلى أو بزاوية 45 درجة تُظهر بوضوح جميع العناصر الموجودة في الطبق. الإضاءة الجيدة والحد الأدنى من العوائق (مثل الأيدي، أو الأدوات التي تغطي الطعام، أو الظلال القوية) تحسن النتائج.

يتم التقاط الصورة بدقة قياسية للهواتف الذكية. لا تتطلب أي معدات خاصة، أو أشياء مرجعية، أو خطوات معايرة.

الخطوة 2: الكشف عن الطعام وتحديد الهوية

بمجرد التقاط الصورة، تقوم مجموعة من نماذج الذكاء الاصطناعي بتحليلها بالتتابع.

الكشف عن الكائنات أولاً يحدد المناطق الغذائية المتميزة داخل الصورة. إذا كان الطبق يحتوي على دجاج مشوي، وأرز، وسلطة جانبية، يقوم النموذج برسم مربعات حول كل عنصر غذائي منفصل. هذه مشكلة تصنيف متعددة التسميات، مما يعني أن النظام يجب أن يتعرف على أن الصورة الواحدة تحتوي على عدة أطعمة متميزة بدلاً من اعتبار الطبق بالكامل كعنصر واحد.

تصنيف الطعام بعد ذلك يُعطي تسمية لكل منطقة تم الكشف عنها. يستمد النموذج من تصنيف يحتوي على آلاف العناصر الغذائية، مطابقة الميزات البصرية مثل اللون، والملمس، والشكل، والسياق مع فئات الطعام المعروفة. يأخذ النظام أيضًا في الاعتبار أنماط التواجد المتزامن. على سبيل المثال، إذا اكتشف ما يبدو أنه تورتيلا بجانب الفاصوليا، والأرز، والصلصة، فقد يستنتج أنه وعاء بوريتو بدلاً من تصنيف كل مكون بشكل منفصل.

الخطوة 3: تقدير حجم الحصة

تحديد ما هو الطعام الموجود هو نصف المشكلة فقط. يجب على النظام أيضًا تقدير كمية كل طعام على الطبق. يتم تحقيق ذلك من خلال مجموعة من التقنيات:

• القياس النسبي. يستخدم النموذج الطبق، أو الوعاء، أو الحاوية كمرجع بحجم افتراضي لتقدير حجم العناصر الغذائية بالنسبة له.
• تقدير العمق. تستنتج النماذج المتقدمة الهيكل ثلاثي الأبعاد من صورة ثنائية الأبعاد، مما يتيح تقدير ارتفاع أو سمك العناصر الغذائية مثل شريحة اللحم أو كومة الأرز.
• أوزان الحصص المتعلمة. تم تدريب النموذج على مئات الآلاف من الصور ذات أوزان الحصص المعروفة، مما يسمح له بتطبيق أوزان إحصائية. على سبيل المثال، عادةً ما تقع صدور الدجاج في سياق الوجبات المنزلية ضمن نطاق 120 إلى 200 جرام.

الخطوة 4: استرجاع البيانات الغذائية

مع تحديد العناصر الغذائية وتقدير الحصص، يقوم النظام بربط كل عنصر بدخله المقابل في قاعدة بيانات غذائية موثوقة. تستخدم Nutrola قاعدة بيانات مختارة بدلاً من قاعدة بيانات تعتمد على مساهمات المستخدمين، مما يقلل من خطر الإدخالات غير الصحيحة أو المكررة.

يقدم النظام تحليلًا غذائيًا كاملاً لكل عنصر تم اكتشافه والوجبة ككل:

العنصر الغذائي	لكل عنصر	لكل وجبة
السعرات الحرارية (سعرة حرارية)	مقدمة	مجموع
البروتين (جرام)	مقدمة	مجموع
الكربوهيدرات (جرام)	مقدمة	مجموع
الدهون (جرام)	مقدمة	مجموع
الألياف (جرام)	مقدمة	مجموع
العناصر الغذائية الدقيقة الرئيسية	مقدمة	مجموع

الخطوة 5: مراجعة المستخدم والتأكيد

يتم عرض النتائج على المستخدم، ويمكنه مراجعة، وضبط، أو تصحيح أي عنصر قبل تأكيد إدخال السجل. تعتبر هذه الخطوة التي تتضمن العنصر البشري حاسمة. إذا أخطأ النظام في تحديد الأرز البني كأرز أبيض، أو قدر 150 جرامًا من الدجاج بينما تكون الحصة الفعلية أقرب إلى 200 جرام، يمكن للمستخدم إجراء تصحيح سريع. مع مرور الوقت، تساعد هذه التصحيحات أيضًا في تحسين دقة النظام من خلال حلقات التغذية الراجعة.

التكنولوجيا وراء التعرف على الطعام باستخدام الصور

تعمل عدة طبقات من الذكاء الاصطناعي والتعلم الآلي معًا لجعل تتبع السعرات الحرارية باستخدام الصور ممكنًا.

الشبكات العصبية التلافيفية (CNNs)

تشكل الشبكة العصبية التلافيفية العمود الفقري لمعظم أنظمة التعرف على الطعام، وهي فئة من نماذج التعلم العميق المصممة خصيصًا لتحليل الصور. تقوم CNNs بمعالجة الصور من خلال عدة طبقات من الفلاتر التي تكشف عن ميزات متزايدة التجريد: الحواف والملمس في الطبقات الأولى، والأشكال والأنماط في الطبقات الوسطى، وميزات محددة للطعام في الطبقات الأعمق.

تستخدم أنظمة التعرف على الطعام الحديثة عادةً هياكل مثل ResNet، وEfficientNet، أو Vision Transformers (ViT) التي تم تدريبها مسبقًا على ملايين الصور العامة ثم تم تحسينها على مجموعات بيانات خاصة بالطعام.

التصنيف متعدد التسميات

على عكس التصنيف القياسي للصورة (حيث تتلقى الصورة تسمية واحدة فقط)، يتطلب التعرف على الطعام تصنيفًا متعدد التسميات. قد تحتوي صورة واحدة على خمسة، أو عشرة، أو أكثر من العناصر الغذائية المتميزة. يجب على النموذج اكتشاف وتصنيف كل منها بشكل مستقل مع فهم العلاقات المكانية بينها.

التعلم الانتقالي وتكييف المجال

سيتطلب تدريب نموذج التعرف على الطعام من الصفر مجموعة بيانات موسومة كبيرة بشكل غير عملي. بدلاً من ذلك، تستخدم الأنظمة الحديثة التعلم الانتقالي: بدءًا من نموذج تم تدريبه مسبقًا على مجموعة بيانات صور عامة كبيرة (مثل ImageNet) ثم تحسينه على صور خاصة بالطعام. يسمح هذا النهج للنموذج بالاستفادة من الفهم البصري العام (الحواف، والملمس، والأشكال) بينما يتخصص في ميزات الطعام.

بيانات التدريب

تعتبر جودة وتنوع بيانات التدريب أكثر أهمية من هيكل النموذج. يتم تدريب نماذج التعرف على الطعام الفعالة على مجموعات بيانات تحتوي على:

• مئات الآلاف إلى ملايين من صور الطعام الموصوفة
• مطابخ متنوعة، وأنماط طهي، وصيغ تقديم
• ظروف إضاءة متنوعة، وزوايا، وخلفيات
• صور من كل من المطاعم والوجبات المنزلية
• توضيحات أوزان الحصص لتقدير الحجم

الدقة: ماذا تظهر الأبحاث

يمكن قياس الدقة في تتبع السعرات الحرارية باستخدام الصور على بعدين: دقة تحديد الطعام (هل حدد النظام بشكل صحيح ما هو الطعام؟) ودقة تقدير السعرات الحرارية (هل قدر الكمية الصحيحة؟).

دقة تحديد الطعام

تحقق نماذج التعرف على الطعام الحديثة دقة من الدرجة الأولى (الطعام الصحيح هو التخمين الأول للنموذج) تتراوح بين 85 إلى 95 بالمئة على مجموعات البيانات المرجعية للأطعمة الشائعة في الصور المضيئة والمقدمة بوضوح. عادةً ما تتجاوز دقة الخمسة الأوائل (الطعام الصحيح موجود ضمن أفضل خمسة تخمينات للنموذج) 95 بالمئة.

ومع ذلك، لا تترجم دقة المعايير دائمًا مباشرةً إلى الأداء في العالم الحقيقي. تشمل العوامل التي تقلل من الدقة في الممارسة العملية:

العامل	تأثير على الدقة
الإضاءة السيئة أو الظلال	تقليل معتدل
الزوايا غير المعتادة (قريبة جدًا، أو من الجانب)	تقليل معتدل
الأطباق المختلطة أو المكدسة (مثل الكسرولات، أو الحساء)	تقليل كبير
الأطعمة غير الشائعة أو الإقليمية	تقليل كبير
الأطعمة المغطاة بالصلصات أو الإضافات	تقليل معتدل إلى كبير
العناصر المتداخلة	تقليل معتدل

دقة تقدير السعرات الحرارية

حتى عندما يكون تحديد الطعام صحيحًا، فإن تقدير السعرات الحرارية يقدم خطأ إضافيًا من خلال تقدير حجم الحصة. أظهرت الدراسات التي نُشرت بين عامي 2023 و2025 أن تقدير السعرات الحرارية باستخدام الصور عادةً ما يقع ضمن 15 إلى 25 بالمئة من القيمة الفعلية للسعرات الحرارية للوجبات القياسية. وهذا Comparable أو أفضل من دقة الإبلاغ الذاتي اليدوي، والذي أظهرت الدراسات أنه يقلل من تقدير تناول السعرات الحرارية بنسبة تتراوح بين 20 إلى 50 بالمئة.

وجدت مراجعة منهجية في عام 2024 في مجلة أكاديمية التغذية والحمية أن تتبع الصور المدعوم بالذكاء الاصطناعي قلل من متوسط خطأ التقدير بمقدار 12 نقطة مئوية مقارنةً بالتقدير اليدوي دون أي أدوات.

الأطعمة التي يتعامل معها بشكل جيد مقابل الأطعمة التي يواجه صعوبات معها

ليس كل الأطعمة سهلة التحليل بالنسبة لأنظمة الذكاء الاصطناعي. يساعد فهم هذه الاختلافات المستخدمين على الاستفادة القصوى من تتبع السعرات الحرارية باستخدام الصور.

الأطعمة ذات دقة التعرف العالية

• العناصر الكاملة والمتميزة بصريًا. مثل الموز، والتفاح، وبيضة مسلوقة، وشريحة خبز. تتمتع هذه الأطعمة بأشكال وملمس متسقين وسهل التعرف عليها.
• الوجبات المصفوفة مع مكونات مفصولة. مثل صدر دجاج مشوي مع بروكلي مطبوخ على البخار وأرز في طبق. كل عنصر متميز بصريًا ومفصول مكانيًا.
• الأطباق الشائعة من المطبخين الغربي والآسيوي. مثل السوشي، والبيتزا، والبرغر، والمعكرونة، والسلطات. هذه الأطعمة ممثلة بشكل كبير في مجموعات بيانات التدريب.
• الأطعمة المعبأة بأشكال قياسية. مثل بار الجرانولا، وكوب الزبادي، وعلبة التونة. توفر الحاوية مرجعًا مفيدًا للحجم.

الأطعمة التي تقدم تحديات

• الأطباق المختلطة والكسرولات. مثل اللازانيا، أو الحساء، أو الكاري حيث يتم خلط المكونات معًا مما يجعل من الصعب على النموذج تحديد المكونات الفردية ونسبها.
• الصلصات، والتتبيلات، والدهون المخفية. مثل الزيت المستخدم في الطهي، أو الزبدة المذابة في الخضار، أو تتبيلة كريمية مضافة على السلطة يمكن أن تضيف 100 إلى 300 سعرة حرارية لا يمكن اكتشافها بصريًا.
• المأكولات الإقليمية وغير الشائعة. الأطعمة التي تمثل تمثيلًا ضعيفًا في بيانات التدريب، مثل بعض الأطباق الأفريقية، أو الآسيوية الوسطى، أو الأطباق الأصلية، قد تكون لها معدلات تعرف أقل.
• المشروبات. يمكن أن يبدو كوب من عصير البرتقال وكوب من سموزي المانجو متشابهين للغاية على الرغم من اختلاف محتوى السعرات الحرارية. كما أن المشروبات الداكنة مثل القهوة مع الكريمة مقابل القهوة السوداء تقدم تحديات أيضًا.
• الأطعمة ذات الكثافة المتغيرة. يمكن أن تبدو وعاءين من الشوفان متشابهين ولكن يختلفان بشكل كبير في محتوى السعرات الحرارية اعتمادًا على نسبة الشوفان إلى الماء.

نصائح لتحسين نتائج تتبع السعرات الحرارية باستخدام الصور

يمكن للمستخدمين تحسين دقة تتبع السعرات الحرارية باستخدام الصور بشكل كبير من خلال اتباع بعض الإرشادات العملية.

1. التصوير من الأعلى أو بزاوية 45 درجة. توفر اللقطات من الأعلى أفضل رؤية لجميع العناصر في الطبق وأفضل منظور لتقدير الحصة.
2. ضمان إضاءة جيدة ومتوازنة. تنتج ضوء النهار الطبيعي أفضل النتائج. تجنب الظلال القاسية، أو الإضاءة الخلفية، أو البيئات المظلمة جدًا.
3. فصل الأطعمة عند الإمكان. إذا كنت تقوم بتقديم وجبتك بنفسك، فإن الحفاظ على العناصر متميزة بصريًا (بدلاً من تكديس كل شيء معًا) يحسن من دقة التعرف والحصة.
4. تسجيل الصلصات، والتتبيلات، والزيوت المستخدمة في الطهي بشكل منفصل. هذه هي المصدر الأكثر شيوعًا للسعرات الحرارية المخفية. أضفها كإدخالات يدوية بعد تحليل الصورة لضمان التقاطها.
5. المراجعة والتصحيح. دائمًا ما يستغرق الأمر بضع ثوانٍ لمراجعة نتائج الذكاء الاصطناعي قبل التأكيد. تصحيح عنصر تم تحديده بشكل خاطئ يستغرق خمس ثوانٍ؛ تجاهله يؤدي إلى تراكم الأخطاء على مدى الأيام والأسابيع.
6. التصوير قبل الأكل. يضمن التقاط الصورة قبل البدء في الأكل أن تكون الحصة الكاملة مرئية. يصعب على النظام تحليل طبق تم تناوله جزئيًا بدقة.
7. استخدام طبق أو وعاء قياسي. يستخدم النظام الحاوية كمرجع للحجم. يمكن أن تؤدي الحاويات غير المعتادة (مثل طبق تقديم كبير جدًا أو طبق مقبلات صغير جدًا) إلى تشويه تقديرات الحصة.

تتبع السعرات الحرارية باستخدام الصور مقابل التسجيل اليدوي مقابل مسح الرموز الشريطية

تمتلك كل طريقة من طرق تسجيل الطعام نقاط قوة وضعف مميزة. توفر الجدول أدناه مقارنة مباشرة.

الميزة	تتبع الصور (Snap & Track)	البحث اليدوي في قاعدة البيانات	مسح الرموز الشريطية
السرعة لكل إدخال	5-10 ثوانٍ	60-120 ثانية	10-15 ثانية
الدقة للأطعمة المعبأة	جيدة	جيدة (إذا تم اختيار العنصر الصحيح)	ممتازة (مطابقة دقيقة)
الدقة للوجبات المنزلية	جيدة	معتدلة (تعتمد على التقدير)	غير قابلة للتطبيق
الدقة للوجبات في المطاعم	جيدة	ضعيفة إلى معتدلة	غير قابلة للتطبيق
يتعامل مع الأطباق المختلطة	معتدلة	جيدة (إذا كان المستخدم يعرف المكونات)	غير قابلة للتطبيق
يلتقط الدهون/الزيوت المخفية	ضعيفة	معتدلة (إذا تذكر المستخدم)	غير قابلة للتطبيق
منحنى التعلم	منخفض جدًا	معتدل	منخفض
جهد المستخدم	ضئيل	مرتفع	منخفض (للمعبأة فقط)
الالتزام على المدى الطويل	مرتفع	منخفض إلى معتدل	معتدل
يعمل بدون تغليف	نعم	نعم	لا

متى يجب استخدام كل طريقة

النهج الأكثر فعالية هو استخدام الطرق الثلاث حسب الموقف:

• Snap & Track لمعظم الوجبات، خاصة الأطباق المنزلية وتناول الطعام في المطاعم حيث يمكنك رؤية الطعام.
• مسح الرموز الشريطية للأطعمة المعبأة، والوجبات الخفيفة، والمشروبات التي تحتوي على رمز شريطي، حيث يوفر ذلك بيانات غذائية دقيقة.
• الإدخال اليدوي لمكونات معينة مثل زيت الطهي، أو الزبدة، أو الصلصات التي لا تظهر في الصور، وللأطعمة التي لا يتعرف عليها الذكاء الاصطناعي.

يدعم Nutrola جميع الطرق الثلاث ضمن واجهة واحدة، مما يسمح للمستخدمين بدمجها حسب الحاجة لكل وجبة.

الخصوصية: كيف يتم التعامل مع بيانات الصور

تعتبر الخصوصية مصدر قلق مشروع عندما يطلب تطبيق ما تصوير طعامك. تتعامل تطبيقات مختلفة مع بيانات الصور بطرق مختلفة، ويجب على المستخدمين فهم المزايا والعيوب.

معالجة البيانات في السحابة مقابل المعالجة على الجهاز

تقوم معظم أنظمة تتبع السعرات الحرارية باستخدام الصور بمعالجة الصور في السحابة. يتم تحميل الصورة إلى خادم بعيد حيث يقوم نموذج الذكاء الاصطناعي بتحليلها، ويتم إرسال النتائج مرة أخرى إلى الجهاز. يسمح هذا باستخدام نماذج أكبر وأكثر دقة ستكون مكلفة جدًا من الناحية الحسابية لتشغيلها على الهاتف الذكي.

تحتفظ المعالجة على الجهاز بالصورة على هاتف المستخدم، حيث يتم تشغيل نموذج ذكاء اصطناعي أصغر محليًا. يوفر هذا ضمانات خصوصية أقوى حيث لا تترك الصورة الجهاز، ولكن قد تضحي ببعض الدقة لأن النماذج المحلية عادةً ما تكون أصغر وأقل قدرة من نظيراتها المستندة إلى السحابة.

نهج Nutrola

تعالج Nutrola صور الطعام باستخدام نماذج ذكاء اصطناعي قائمة على السحابة لضمان أعلى دقة ممكنة. يتم نقل الصور عبر اتصالات مشفرة (TLS 1.3)، ومعالجتها للتحليل الغذائي، ولا يتم تخزينها بشكل دائم على خوادم Nutrola بعد اكتمال التحليل. لا تُستخدم الصور في الإعلانات، ولا تُباع لأطراف ثالثة، ولا تُشارك خارج سلسلة تحليل التغذية.

يمكن للمستخدمين مراجعة سياسة الخصوصية الكاملة لـ Nutrola للحصول على معلومات مفصلة حول معالجة البيانات، وفترات الاحتفاظ، وحقوقهم المتعلقة بالبيانات الشخصية.

اعتبارات الخصوصية الرئيسية

القلق	ما يجب البحث عنه
تشفير البيانات	TLS/SSL أثناء النقل
احتفاظ الصور	ما إذا كانت الصور تُحذف بعد التحليل
المشاركة مع أطراف ثالثة	ما إذا كانت الصور تُشارك مع المعلنين أو وسطاء البيانات
استخدام بيانات التدريب	ما إذا كانت صورك تُستخدم لتدريب نماذج الذكاء الاصطناعي
حقوق حذف البيانات	القدرة على طلب حذف جميع البيانات المخزنة

مستقبل تتبع السعرات الحرارية باستخدام الصور

تتطور تكنولوجيا التعرف على الطعام باستخدام الصور بسرعة. من المتوقع أن تؤدي عدة تطورات إلى تحسين الدقة والقدرة بشكل كبير في المدى القريب.

التقدير من زوايا متعددة والفيديو. بدلاً من الاعتماد على صورة واحدة، قد تستخدم الأنظمة المستقبلية مقاطع فيديو قصيرة أو زوايا متعددة لبناء فهم ثلاثي الأبعاد للوجبة، مما يحسن بشكل كبير تقدير حجم الحصة.

أجهزة استشعار العمق. يمكن أن توفر الهواتف الذكية المزودة بتقنية LiDAR أو أجهزة استشعار العمق القائمة على الضوء الهيكلي (الموجودة بالفعل في بعض الطرازات الرائدة) معلومات عمق دقيقة، مما يسمح للنظام بحساب حجم الطعام بدلاً من تقديره من صورة مسطحة.

نماذج مخصصة. مع تسجيل المستخدمين وتصحيح الوجبات بمرور الوقت، يمكن للنظام أن يتعلم تفضيلات الطعام المحددة، وأحجام الحصص النموذجية، وأنماط الطهي، مما يخلق نموذجًا مخصصًا يحسن الدقة لنظامهم الغذائي المحدد.

توسيع تغطية المأكولات. تؤدي الجهود المستمرة لتنويع مجموعات بيانات التدريب إلى تحسين دقة التعرف على المأكولات الممثلة تمثيلًا ضعيفًا، مما يجعل التكنولوجيا أكثر عدالة وفائدة لقاعدة مستخدمين عالمية.

التكامل مع بيانات الأجهزة القابلة للارتداء. سيمكن دمج تسجيل الطعام القائم على الصور مع بيانات أجهزة تتبع اللياقة البدنية، وأجهزة مراقبة الجلوكوز المستمرة، وغيرها من الأجهزة القابلة للارتداء من إجراء تحليل غذائي أكثر شمولية ودقة.

الأسئلة الشائعة

ما مدى دقة تتبع السعرات الحرارية باستخدام الصور مقارنةً بالتسجيل اليدوي؟

عادةً ما يقدر تتبع السعرات الحرارية باستخدام الصور محتوى السعرات الحرارية ضمن 15 إلى 25 بالمئة من القيمة الفعلية للوجبات القياسية. أظهرت الدراسات السريرية أن الإبلاغ الذاتي اليدوي دون أي أدوات يقلل من تقدير تناول السعرات الحرارية بنسبة تتراوح بين 20 إلى 50 بالمئة في المتوسط. عندما يقوم المستخدمون بمراجعة وتصحيح التقديرات التي ينتجها الذكاء الاصطناعي، فإن تتبع السعرات الحرارية باستخدام الصور ينتج عمومًا دقة متساوية أو أفضل من التسجيل اليدوي، مع متطلبات زمنية وجهدية أقل بكثير. تميل مجموعة تقدير الذكاء الاصطناعي بالإضافة إلى مراجعة الإنسان إلى التفوق على أي من النهجين بمفردهما.

هل يمكن لـ Snap & Track التعرف على الأطعمة من أي مطبخ؟

يعمل Snap & Track بشكل أفضل مع المأكولات التي تم تمثيلها جيدًا في بيانات التدريب الخاصة به، والتي تشمل معظم الأطباق الغربية، والآسيوية الشرقية، والجنوبية، واللاتينية الأمريكية. قد تكون دقة التعرف على المأكولات الإقليمية الأقل شيوعًا موضع شك، على الرغم من أن هذا مجال نشط للتحسين. إذا لم يتعرف النظام على طبق معين، يمكن للمستخدمين دائمًا العودة إلى الإدخال اليدوي أو البحث في قاعدة البيانات مباشرة. تستمر Nutrola في توسيع بيانات تدريب صور الطعام لتحسين تغطية المأكولات العالمية.

هل يعمل Snap & Track مع الأطباق المختلطة مثل الحساء، والكسرولات، والكاري؟

تعتبر الأطباق المختلطة واحدة من الفئات الأكثر تحديًا للتعرف باستخدام الصور لأن المكونات الفردية مختلطة معًا وليست متميزة بصريًا. يمكن لـ Snap & Track التعرف على العديد من الأطباق المختلطة الشائعة (مثل الفلفل الحار، أو الرامن، أو الكاري) كعناصر كاملة وتقديم بيانات غذائية تقديرية بناءً على الوصفات القياسية. بالنسبة للأطباق المختلطة المنزلية ذات المكونات غير القياسية، ستحصل على دقة أفضل من خلال تسجيل المكونات الفردية يدويًا أو استخدام ميزة بناء الوصفة لإنشاء إدخال مخصص.

هل يتم تخزين صور طعامي أو مشاركتها مع أطراف ثالثة؟

تنقل Nutrola صور الطعام عبر اتصالات مشفرة للتحليل القائم على السحابة. لا تُخزن الصور بشكل دائم على خوادم Nutrola بعد اكتمال التحليل، ولا تُشارك مع أطراف ثالثة، أو تُستخدم في الإعلانات، أو تُباع لوكلاء البيانات. يحتفظ المستخدمون بالتحكم الكامل في بياناتهم ويمكنهم طلب حذف أي معلومات مخزنة في أي وقت من خلال إعدادات الخصوصية في التطبيق.

هل أحتاج إلى كاميرا خاصة أو معدات لاستخدام تتبع السعرات الحرارية باستخدام الصور؟

لا تتطلب أي معدات خاصة. توفر أي كاميرا هاتف ذكي حديث (من حوالي عام 2018 فصاعدًا) جودة صورة كافية للتعرف الدقيق على الطعام. ستؤدي الكاميرات ذات الدقة العالية والإضاءة الجيدة إلى تحسين النتائج، ولكن النظام مصمم للعمل بشكل جيد مع الأجهزة القياسية. لا حاجة لأشياء مرجعية، أو خطوات معايرة، أو ملحقات خارجية.

هل يجب أن أستخدم Snap & Track لكل وجبة، أم أن هناك أوقاتًا تكون فيها طرق أخرى أفضل؟

النهج الأكثر دقة هو استخدام الطريقة المناسبة لكل موقف. Snap & Track مثالي للوجبات المصفوفة، وتناول الطعام في المطاعم، وأي موقف تكون فيه الأطعمة مرئية. يعد مسح الرموز الشريطية أكثر دقة للأطعمة المعبأة التي تحتوي على رمز شريطي، حيث يسترجع بيانات الشركة المصنعة الدقيقة. يكون الإدخال اليدوي هو الأفضل للمكونات التي لا تظهر في الصور، مثل زيوت الطهي، أو الزبدة، أو المكملات الغذائية. إن استخدام جميع الطرق الثلاث حسب الاقتضاء، بدلاً من الاعتماد حصريًا على أي واحدة منها، ينتج عنه سجل غذائي يومي أكثر دقة.