Přesnost sledování kalorií pomocí AI podle kuchyně: Testovali jsme 500 jídel napříč 20 kuchyněmi

Většina modelů rozpoznávání potravin pomocí AI byla trénována převážně na západních jídlech. To znamená, že grilovaný kuřecí salát z delikatesy v Los Angeles a pizza s pepperoni z New Yorku jsou rozpoznávány téměř s dokonalou přesností, zatímco miska etiopského doro wat nebo talíř filipínského sisig může algoritmus nechat na pochybách. Chtěli jsme zjistit, jak velká je tato přesnost, a proto jsme provedli kontrolovaný test: 500 skutečných jídel, 20 kuchyní, každý talíř zvážen a porovnán s hodnotami vypočítanými nutričním specialistou. Tady jsou naše výsledky.

Metodologie: Jak jsme testovali 500 jídel

Tuto studii jsme navrhli tak, aby co nejvíce odpovídala reálným podmínkám. Zde je, jak to probíhalo:

• 500 jídel celkem, 25 na kuchyni, pocházejících z restaurací a domácích kuchyní.
• 20 kuchyní vybraných tak, aby reprezentovaly široké geografické a kulinářské spektrum.
• Každé jídlo bylo fotografováno za standardních podmínek — přirozené osvětlení, jeden talíř, pohled shora a pod úhlem 45 stupňů — pomocí smartphonu (bez studiového nastavení).
• Každé jídlo bylo také zváženo na kalibrované kuchyňské váze a jeho ingredience byly rozloženy registrovaným dietologem, aby vznikla referenční kalorická hodnota.
• Fotografie byly odeslány do AI Nutrola's Snap & Track k odhadu kalorií.
• Porovnali jsme odhad AI s referencí dietologa a změřili: průměrnou odchylku kalorií (v procentech), míru identifikace potravin (správně pojmenoval AI jídlo nebo jeho hlavní složky) a procento jídel, která spadla do 10 % a 15 % od referenční hodnoty.

Toto není laboratorní studie a netvrdíme, že máme klinicky přesné výsledky. Ale 500 jídel je dostatečné množství dat, aby odhalilo jasné vzorce, kde rozpoznávání potravin pomocí AI vyniká a kde zaostává.

20 testovaných kuchyní

Kuchyně byly vybrány na základě tří kritérií: globální popularity, rozmanitosti způsobů vaření a zastoupení nedostatečně zastoupených potravinových kategorií v tréninkových datech AI.

1. Americká
2. Italská
3. Mexická
4. Čínská
5. Japonská
6. Korejská
7. Indická
8. Thajská
9. Vietnamská
10. Středovýchodní / Libanonská
11. Turecká
12. Řecká
13. Etiopská
14. Nigerijská
15. Brazilská
16. Francouzská
17. Německá
18. Španělská
19. Filipínská
20. Karibská

Každá kuchyně byla zastoupena 25 jídly vybranými tak, aby pokryla široké spektrum dané kuchyně — předkrmy, hlavní chody, přílohy a pouliční jídlo. Záměrně jsme zahrnuli jak "fotogenická" jídla (sushi, jednotlivé tacos), tak náročnější (kari, dušená jídla, zapečené pokrmy).

Úplné výsledky: Všechny 20 kuchyní seřazeny podle přesnosti

Zde jsou výsledky, seřazené od nejpřesnějších po nejméně přesné podle průměrné odchylky kalorií:

Pořadí	Kuchyně	Testovaná jídla	Průměrná odchylka kalorií	Míra ID potravin	Do 10 %	Do 15 %
1	Japonská	25	5.8%	96%	84%	96%
2	Americká	25	6.2%	98%	80%	92%
3	Italská	25	6.5%	96%	80%	92%
4	Korejská	25	7.1%	92%	76%	88%
5	Německá	25	7.4%	92%	72%	88%
6	Řecká	25	7.9%	88%	68%	84%
7	Francouzská	25	8.3%	88%	64%	84%
8	Španělská	25	8.6%	88%	64%	80%
9	Mexická	25	9.1%	84%	60%	80%
10	Vietnamská	25	9.4%	84%	60%	76%
11	Brazilská	25	9.8%	80%	56%	76%
12	Turecká	25	10.2%	80%	52%	72%
13	Čínská	25	10.7%	80%	48%	72%
14	Středovýchodní	25	11.3%	76%	48%	68%
15	Filipínská	25	12.1%	72%	44%	64%
16	Karibská	25	12.8%	68%	40%	60%
17	Nigerijská	25	13.4%	64%	36%	56%
18	Thajská	25	13.9%	68%	36%	56%
19	Indická	25	14.6%	64%	32%	52%
20	Etiopská	25	15.8%	56%	28%	48%

Celkový průměr napříč všemi 500 jídly: 9.8% odchylka kalorií, 78% míra identifikace potravin, 56% do 10%, 74% do 15%.

5 nejpřesnějších kuchyní (a proč)

1. Japonská (průměrná odchylka 5.8%)

Japonská kuchyně je pravděpodobně nejpřátelštější kuchyní pro AI na světě. Sushi rolky, plátky sashimi, kousky tempury a bento boxy prezentují jídlo jako vizuálně odlišné, jednotlivě oddělené položky. Rýže je obvykle podávána jako jasně definovaná porce. AI může počítat kousky, odhadovat velikosti a porovnávat je s dobře naplněnou tréninkovou databází. Japonská kultura jídla také preferuje standardizovanou prezentaci — California roll v jedné restauraci vypadá téměř identicky jako California roll v jiné.

Nejlepší výkon: Nigiri sushi (3.2% odchylka), edamame (2.9%), onigiri (4.1%) Nejslabší výkon: Ramen (11.4% — kalorie v vývaru jsou těžké na odhad), okonomiyaki (9.8%)

2. Americká (průměrná odchylka 6.2%)

Americká kuchyně těží ze dvou hlavních výhod: silného zastoupení v tréninkových datech AI a vysokého podílu balených, standardizovaných nebo řetězcových položek. Big Mac vypadá všude stejně. Hot dog má předvídatelné rozměry. Saláty obvykle obsahují rozpoznatelné, oddělené ingredience. Dokonce i americké domácí vaření — hamburgery, grilované kuře, pečené brambory — se skládá z vizuálně odlišných komponentů.

Nejlepší výkon: Hamburgery (3.8%), grilované kuřecí prso (4.1%), Caesar salát (5.2%) Nejslabší výkon: Zapečená jídla (12.3%), nachos s náplní (10.9%)

3. Italská (průměrná odchylka 6.5%)

Italská kuchyně dosahuje vysokého skóre z podobných důvodů jako japonská — mnoho jídel má standardizovanou, vizuálně rozpoznatelnou formu. Margherita pizza, talíř špaget, caprese salát a miska risotta jsou všechny vizuálně odlišné a silně zastoupené v databázích obrázků potravin. Tvar těstovin je identifikovatelný a náplně obvykle leží na vrchu jídel, spíše než aby byly smíchány.

Nejlepší výkon: Margherita pizza (3.5%), caprese salát (4.0%), bruschetta (4.8%) Nejslabší výkon: Lasagne (11.2% — vrstvená jídla skrývají sýr a maso), carbonara (9.6% — obsah smetany a vajec se liší)

4. Korejská (průměrná odchylka 7.1%)

Korejská kuchyně nás překvapila tím, že se umístila na čtvrtém místě. Klíčovým faktorem je, že korejská jídla se obvykle podávají jako více malých pokrmů (banchan) vedle hlavního jídla, což usnadňuje rozpoznání jednotlivých položek. Bibimbap prezentuje ingredience v vizuálně oddělených sekcích na rýži. Kimbap je krájen na identifikovatelné kolečka. Kimchi a nakládané přílohy jsou vizuálně výrazné.

Nejlepší výkon: Kimbap (4.2%), bibimbap (5.8%), kimchi (3.1%) Nejslabší výkon: Jjigae/dušená jídla (12.7%), tteokbokki s omáčkou (10.1%)

5. Německá (průměrná odchylka 7.4%)

Německá kuchyně se vyznačuje velkými, vizuálně odlišnými položkami — klobásy, schnitzely, preclíky, bramborové knedlíky — které jsou pro AI snadno identifikovatelné a měřitelné. Talíře se obvykle skládají z oddělených komponentů spíše než smíšených pokrmů. Typy klobás jsou vizuálně rozlišitelné a chlebové výrobky mají standardní tvary a velikosti.

Nejlepší výkon: Bratwurst (4.5%), preclík (4.9%), schnitzel (6.2%) Nejslabší výkon: Eintopf/dušená jídla (11.8%), bramborový salát s různými dresinky (9.4%)

5 nejméně přesných kuchyní (a proč)

20. Etiopská (průměrná odchylka 15.8%)

Etiopská kuchyně byla pro AI nejnáročnější ve všech metrikách. Hlavním problémem je, že jídla na bázi injery prezentují více dušených pokrmů (wat) a zeleninových jídel podávaných společně na jednom velkém plochém chlebu, často překrývajících se a smíchaných. AI má potíže určit, kde jedno jídlo končí a druhé začíná. Doro wat, misir wat a kitfo vypadají vizuálně podobně — tmavé, omáčkové pokrmy s málo rozlišujícími povrchovými rysy. Obsah másla (niter kibbeh) a oleje je skrytý pod omáčkou.

Nízká míra identifikace potravin (56%) odráží skutečný nedostatek v tréninkových datech. Etiopská jídla jsou stále nedostatečně zastoupena v globálních databázích obrázků potravin.

19. Indická (průměrná odchylka 14.6%)

Indická kuchyně představuje dokonalou bouři výzev pro AI. Kari jsou opticky neprůhledná — fotografie nemohou odhalit, kolik ghee, smetany nebo kokosového mléka je uvnitř máslového kuřete. Dal se může pohybovat od 150 do 400 kalorií na porci v závislosti na olejích (tadka) používaných při přípravě. Omáčky vypadají podobně napříč pokrmy: korma, tikka masala a rogan josh mohou vypadat téměř identicky na fotografiích, přičemž se liší o stovky kalorií.

Chléb je další proměnná. Obvyklá roti má přibližně 100 kalorií; máslový naan z restaurace může překročit 300. Vypadají na fotografiích podobně, ale kalorický rozdíl je obrovský.

Faktor ghee: Mnoho indických jídel se dokončuje generózním nalitím ghee, které se zamíchá a stane se neviditelným. Naše referenční hodnoty dietologa ukázaly, že ghee a olej přispěly k 25-40% celkových kalorií v mnoha pokrmech — kaloriím, které AI jednoduše nemůže vidět.

18. Thajská (průměrná odchylka 13.9%)

Thajská kuchyně sdílí mnoho stejných výzev jako indická jídla: kari na bázi kokosového mléka s skrytým obsahem tuku, smažené pokrmy s proměnlivým množstvím oleje a omáčky, které maskují ingredience. Zelené kari se může pohybovat od 300 do 600 kalorií na misku v závislosti na poměru kokosového mléka. Kalorický obsah pad thai se dramaticky mění v závislosti na tamarindové pastě, arašídech a oleji — ingredience jsou rozloženy po celém pokrmu, spíše než aby byly viditelné na vrchu.

Rybí omáčka a cukr, dvě základní thajské koření, přidávají kalorie, které jsou na fotografii zcela neviditelné.

17. Nigerijská (průměrná odchylka 13.4%)

Nigerijská kuchyně čelí dvěma výzvám: omezenému zastoupení v tréninkových datech a kaloricky bohatým metodám vaření. Jollof rýže absorbuje oleje během vaření, které nejsou viditelné na povrchu. Egusi polévka se vyrábí z mletých melounových semínek a palmového oleje, obojí je vysoce kalorické ingredience, které se mísí do pokrmu. Pounded yam (fufu) je kaloricky bohatý škrob, který vypadá klamně lehce.

AI mělo potíže rozlišit mezi různými nigerijskými polévkami — ogbono, egusi a okra polévka vypadaly na fotografiích podobně, ale měly výrazně odlišné kalorické profily kvůli variacím v palmovém oleji a obsahu semen.

16. Karibská (průměrná odchylka 12.8%)

Karibská kuchyně kombinuje mnoho z nejnáročnějších prvků: dušená masa se skrytými tuky (oxtail, curry goat), rýže na bázi kokosového mléka, smažené plantainy s proměnlivou absorpcí oleje a jednopokrmová jídla jako pelau. AI si vedlo dobře u jerk kuřete (viditelné grilovací stopy, identifikovatelná forma), ale špatně u hnědých dušených pokrmů a kari příprav, kde omáčka zakrývala bílkoviny.

Problém skrytých kalorií: Které kuchyně nejvíce klamou AI

Jedním z nejdůležitějších zjištění z tohoto testu je to, co nazýváme "skrytá kalorická mezera" — rozdíl mezi tím, co AI může vidět, a tím, co je skutečně v pokrmu. Měřili jsme to zkoumáním, které kuchyně měly největší mezeru mezi odhadem AI a skutečným počtem kalorií, konkrétně způsobenou neviditelnými tuky a oleji.

Kuchyně	Průměrné skryté kalorie z tuku (na pokrm)	% celkových kalorií z skrytých tuků	Podhodnocení AI kvůli skrytým tucím
Indická	187 kcal	34%	-22%
Etiopská	165 kcal	31%	-20%
Thajská	152 kcal	29%	-18%
Nigerijská	148 kcal	28%	-17%
Čínská	134 kcal	24%	-14%
Středovýchodní	128 kcal	23%	-13%
Karibská	124 kcal	22%	-12%
Filipínská	118 kcal	21%	-11%
Turecká	112 kcal	20%	-10%
Brazilská	98 kcal	17%	-8%

Vzorec je jasný: kuchyně, které se silně spoléhají na vařicí oleje, ghee, kokosové mléko a omáčky na bázi ořechů, systematicky klamou sledovače kalorií AI, aby podhodnocovaly. To není chyba, která by byla jedinečná pro Nutrola — je to základní omezení odhadu kalorií na základě fotografie. Fotoaparát nemůže vidět rozpuštěný tuk.

Praktická implikace: Pokud pravidelně jíte pokrmy z horní poloviny tohoto stolu, měli byste očekávat, že odhady AI budou nižší, a zvážit přidání manuální opravy 10-20 % pro pokrmy s omáčkami a dušená jídla.

Jak Nutrola zlepšuje přesnost pro nedostatečně zastoupené kuchyně

Tyto údaje nezveřejňujeme, abychom omlouvali špatný výkon — zveřejňujeme je, protože transparentnost podporuje zlepšení. Zde je, co aktivně děláme:

Rozšiřování tréninkových dat pro nedostatečně zastoupené kuchyně

Naše tréninková pipeline obrázků byla historicky zaměřena na severoamerická a evropská jídla. Aktivně spolupracujeme s food fotografy a databázemi receptů v Jižní Asii, západní Africe, východní Africe, jihovýchodní Asii a Karibiku, abychom dramaticky rozšířili náš tréninkový soubor pro kuchyně, které dosáhly méně než 80 % v identifikaci potravin.

Partnerství s regionálními databázemi potravin

Odhad kalorií je dobrý pouze tak, jaké jsou nutriční údaje za ním. Budujeme partnerství s nutričními výzkumnými institucemi v Indii, Nigérii, Etiopii a Thajsku, abychom integrovali regionálně specifická nutriční data. "Máslové kuře" vyrobené v Dillí má jiný kalorický profil než britská verze z restaurace a naše databáze to musí odrážet.

Specifické AI prompty pro kuchyně

Když AI Nutrola detekuje kategorii kuchyně (např. indická, thajská, etiopská), nyní aplikuje specifické korekční faktory pro tuto kuchyni. Pokud systém identifikuje kari, automaticky upraví odhad nahoru pro pravděpodobné skryté tuky. To není dokonalé řešení, ale naše interní testování ukazuje, že to snižuje průměrnou odchylku pro indickou kuchyni z 14.6 % na 11.2 % a pro thajskou kuchyni z 13.9 % na 10.8 %.

Zpětná vazba od uživatelů

Každýkrát, když uživatel Nutrola manuálně opraví odhad AI, tato oprava se vrací do našeho modelu. Kuchyně s aktivnějšími uživatelskými základnami se zlepšují rychleji. Také provádíme cílené kampaně, abychom přilákali uživatele z regionů s nedostatečně zastoupenými kuchyněmi, aby pomohli trénovat model.

Tipy pro uživatele sledující mezinárodní jídlo

Na základě těchto údajů zde jsou praktické strategie pro dosažení co nejpřesnějších výsledků při sledování ne-západních kuchyní:

1. Přidejte "skrytý olej" buffer pro pokrmy s omáčkami

Pokud jíte indickou, thajskou, etiopskou, nigerijskou nebo čínskou kuchyni, přidejte 10-15 % k odhadu AI pro jakékoli jídlo, které obsahuje viditelnou omáčku nebo šťávu. Tato jediná úprava uzavírá většinu mezery v přesnosti.

2. Fotografujte jednotlivé komponenty, pokud je to možné

Místo fotografování celého etiopského sdíleného talíře, fotografujte jednotlivé waty odděleně, pokud můžete. Místo snímání celého thali, zachyťte každou misku jednotlivě. AI si vede výrazně lépe, když může izolovat jednotlivá jídla.

3. Použijte funkci manuální úpravy

Nutrola vám umožňuje upravit odhady AI nahoru nebo dolů po skenování. Použijte to pro jídla, která jíte pravidelně — jakmile víte, že zelené kari z vaší místní thajské restaurace má asi o 15 % více kalorií, než AI myslí, můžete tuto opravu použít pokaždé.

4. Porovnávejte s ověřenými recepty

Pokud vaříte mezinárodní jídlo doma, zaregistrujte recept jednou s přesnými měřeními (včetně všech olejů a ghee). Uložte ho jako vlastní jídlo v Nutrola. Od té doby ho můžete okamžitě registrovat s ověřenou přesností, místo abyste se spoléhali na odhad z fotografie.

5. Dávejte pozor na "kalorické dvojníky"

Některá jídla vypadají na fotografiích téměř identicky, ale liší se dramaticky v kaloriích. Naan vs. roti. Kokosové kari vs. rajčatové kari. Smažený plantain vs. vařený plantain. Když AI předloží svůj odhad, zkontrolujte, zda správně identifikovalo metodu přípravy.

6. Sledujte nápoje zvlášť

Mnoho mezinárodních kuchyní zahrnuje kaloricky bohaté nápoje — mango lassi, thajský ledový čaj, horchata, nigerijský zobo — které AI může přehlédnout, pokud jsou na okraji záběru. Fotografujte nápoje zvlášť pro nejlepší výsledky.

Co to znamená pro budoucnost sledování potravin pomocí AI

Tento test odhaluje, jak daleko se sledování kalorií pomocí AI dostalo a jak daleko ještě musí jít. U kuchyní s vizuálně odlišnými, dobře zdokumentovanými jídly — japonská, americká, italská, korejská — je sledování potravin pomocí AI již pozoruhodně přesné, s výkonem v rozmezí 6-7 % od manuálního hodnocení dietologa. To je dostatečné pro skutečně užitečné každodenní sledování.

U kuchyní se skrytými tuky, překrývajícími se pokrmy a omezenými tréninkovými daty — indická, etiopská, thajská, nigerijská — existuje významná mezera v přesnosti, o které by uživatelé měli vědoma. Mezera není natolik velká, aby sledování pomocí AI bylo pro tyto kuchyně zbytečné, ale je dostatečně velká, aby na ní záleželo, pokud se snažíte udržet přesný kalorický deficit.

Dobrou zprávou je, že tento problém je řešitelný. Je to v zásadě problém dat, nikoli algoritmický. Jak se tréninkové datové sady rozšiřují a regionální nutriční databáze se zlepšují, přesnost pro nedostatečně zastoupené kuchyně se přiblíží k nejlepším výkonům. Naším cílem v Nutrola je uzavřít tuto mezeru na méně než 8 % průměrné odchylky pro všech 20 kuchyní do konce roku 2026.

Mezitím kombinace odhadu AI, uživatelské povědomí a manuální úpravy vás dostane na úroveň přesnosti, která je více než dostatečná pro smysluplné sledování výživy — bez ohledu na to, jakou kuchyni jíte.

Funkce Snap & Track od Nutrola je k dispozici ve všech plánech, začínajících na pouhých 2.50 EUR měsíčně, bez reklam a s plným přístupem k našemu neustále se zlepšujícímu motoru rozpoznávání potravin AI. Čím rozmanitější jídla naši uživatelé fotografují, tím chytřejší systém se stává pro všechny.

---

Poznámka k metodologii: Tento test byl proveden interně týmem Nutrola v březnu 2026. Referenční hodnoty kalorií byly vypočítány dvěma registrovanými dietology pracujícími nezávisle, přičemž rozdíly byly vyřešeny konsensem. Všechny odhady AI byly generovány pomocí funkce Snap & Track v Nutrola v3.2. Plánujeme tento test opakovat čtvrtletně a zveřejňovat aktualizované výsledky.