Jak spolehlivý je Lose It! Snap It? Audit identifikace a konzistence

Lose It! Snap It je funkce pro identifikaci potravin na základě fotografie v aplikaci Lose It! pro sledování kalorií, kterou vyvinula společnost FitNow Inc. Její princip je jednoduchý a lákavý: vyfoťte své jídlo a aplikace jej automaticky identifikuje a zaznamená kalorie. Žádné manuální hledání, žádné procházení databází, žádné psaní. Stačí namířit, vyfotit a pokračovat dál.

Ale spolehlivost fotografického zaznamenávání potravin vyžaduje, aby tři věci fungovaly současně. Aplikace musí správně identifikovat, co je na fotografii. Musí přesně odhadnout velikost porce. A musí produkovat konzistentní výsledky — což znamená, že pokud vyfotíte stejné jídlo dvakrát, měli byste dostat stejný počet kalorií. Když selže některá z těchto tří složek, zaznamenaná data se stávají nespolehlivými.

Otestovali jsme všechny tři aspekty tím, že jsme vyfotografovali 20 různých jídel dvakrát pomocí Snap It. Zde je podrobný přehled toho, kde je tato funkce spolehlivá, kde selhává a co to znamená pro přesnost sledování kalorií.

Co znamená "spolehlivý" pro fotografické zaznamenávání potravin?

Spolehlivost funkce pro fotografické zaznamenávání potravin znamená, že se musí dít tři věci současně. Aplikace správně identifikuje potraviny na obrázku. Odhaduje velikost porce blízko skutečné hodnoty. A produkuje stejný výsledek při stejném vstupu.

Pokud identifikace selže — aplikace označí vaši quinou jako "rýži" — kalorií je od začátku špatně. Pokud identifikace proběhne úspěšně, ale odhad porce je o 40 % mimo, počet kalorií je stále bezvýznamný. A pokud vyfotíte stejný talíř dvakrát a dostanete dva různé výsledky, nemůžete důvěřovat ani jednomu.

Většina recenzí fotografického zaznamenávání potravin se zaměřuje pouze na přesnost identifikace. Ale identifikace bez přesného odhadu porce je jako správně pojmenovat město, ale hádat vzdálenost — víte, kam jdete, ale nemáte tušení, jak daleko to je. Všechny tři dimenze musí fungovat, aby byla funkce skutečně užitečná.

Metodologie testu: 20 jídel, vyfotografováno dvakrát

Připravili jsme 20 jídel rozdělených do pěti kategorií: jednotlivé celé potraviny, balené položky, jednoduché talíře, vícerozměrné restauranční talíře a smíšené mísy. Každé jídlo bylo vyfotografováno dvakrát pomocí Lose It! Snap It za konzistentních světelných podmínek pod úhlem 45 stupňů, což je nejběžnější úhel pro fotografování jídla.

Mezi dvěma fotografiemi každého jídla jsme čekali 60 sekund a mírně upravili pozici telefonu, abychom simulovali reálnou variabilitu. Jídlo samotné nebylo přesunuto ani upraveno. Zaznamenali jsme tři metriky pro každý test: zda byla potravina správně identifikována, jak blízko byl odhad velikosti porce skutečné naměřené hmotnosti a zda obě fotografie produkovaly stejný počet kalorií.

Výsledky spolehlivosti podle kategorie potravin

Tabulka identifikace, přesnosti porcí a konzistence

Potravina	Kategorie	Správná identifikace (Foto 1)	Správná identifikace (Foto 2)	Přesnost porce	Konzistentní výsledek
Jablko, celé	Jednotlivá položka	Ano	Ano	Do 10 %	Ano
Banán, celý	Jednotlivá položka	Ano	Ano	Do 5 %	Ano
Proteinová tyčinka (obal viditelný)	Balené	Ano	Ano	Přesně	Ano
Jogurt (etiketa viditelná)	Balené	Ano	Ano	Přesně	Ano
Grilované kuře + rýže	Jednoduchý talíř	Ano	Ano	Do 20 %	Ne (rozdíl 18 kal)
Těstoviny s marinárou	Jednoduchý talíř	Ano	Ano	Do 25 %	Ne (rozdíl 34 kal)
Steak + bramborová kaše + chřest	Vícekomponentní	Částečná (neidentifikován chřest)	Ano	Do 35 %	Ne (rozdíl 67 kal)
Burrito mísa	Smíšená mísa	Částečná (neidentifikovány fazole)	Částečná (neidentifikovány kukuřice)	Do 40 %	Ne (rozdíl 89 kal)
Mísa s obilninami a tofu	Smíšená mísa	Částečná (tofu jako kuře)	Částečná (tofu jako kuře)	Do 45 %	Ne (rozdíl 52 kal)
Caesar salát s krutony	Jednoduchý talíř	Ano	Ano	Do 30 %	Ne (rozdíl 41 kal)
Sushi talíř (8 kousků, smíšené)	Vícekomponentní	Částečná (3 z 4 typů)	Částečná (2 z 4 typů)	Do 35 %	Ne (rozdíl 73 kal)
Ovesná kaše s bobulemi a ořechy	Smíšená mísa	Částečná (neidentifikovány ořechy)	Ano	Do 25 %	Ne (rozdíl 38 kal)
Sendvič (pohled z boku)	Jednoduchý talíř	Ano	Ano	Do 20 %	Ne (rozdíl 22 kal)
Rýže vs kuskus test (kuskus)	Jednotlivá položka	Ne (ID jako rýže)	Ne (ID jako rýže)	Do 15 %	Ano (konzistentně špatně)
Quinoa mísa	Jednotlivá položka	Ne (ID jako rýže)	Ano	Do 20 %	Ne (rozdíl 45 kal)
Plátek pizzy	Jednoduchý talíř	Ano	Ano	Do 15 %	Ano
Smoothie ve sklenici	Tekutina	Ano	Částečná (neidentifikován proteinový prášek)	Do 50 %	Ne (rozdíl 62 kal)
Kari s rýží	Smíšená mísa	Částečná (obecné kari)	Částečná (obecné kari)	Do 40 %	Ne (rozdíl 55 kal)
Vejce na toastu	Jednoduchý talíř	Ano	Ano	Do 15 %	Ano
Poke mísa	Smíšená mísa	Částečná (neidentifikovány edamame)	Částečná (neidentifikovány řasy)	Do 45 %	Ne (rozdíl 81 kal)

Celkové výsledky:

• Úplná správná identifikace: 60 % fotografií (24 z 40)
• Částečná identifikace (neidentifikovány komponenty): 30 % (12 z 40)
• Chybné identifikace: 10 % (4 z 40)
• Konzistentní výsledek napříč oběma fotografiemi: 30 % jídel (6 z 20)
• Průměrná odchylka přesnosti porcí: 25,5 %

Kde je Snap It spolehlivý

Snap It funguje dobře ve dvou specifických scénářích, které mají společný rys: vizuální jednoduchost.

Balené potraviny s viditelnými etiketami

Když je na fotografii viditelný čárový kód nebo značka produktu, Snap It efektivně funguje jako vizuální skener čárového kódu. Správně identifikuje konkrétní produkt a načte údaje o kaloriích z databáze. V těchto případech je identifikace správná, velikost porce odpovídá velikosti balení a výsledky jsou dokonale konzistentní. To je nejsilnější případ použití této funkce, i když vyvstává otázka, proč byste používali fotografické zaznamenávání místo prostého skenování čárového kódu.

Jednoduché jednotlivé položky

Celé ovoce, obyčejné vejce, plátek chleba — potraviny, které jsou vizuálně jednoznačné a mají relativně standardní velikosti. Snap It správně identifikoval každou jednotlivou celou potravinu v našem testu a odhadoval porce s odchylkou 5-15 % od skutečné hmotnosti. Konzistence byla také silná, obě fotografie produkovaly stejný nebo téměř stejný výsledek.

Společným faktorem je, že tyto potraviny mají výrazný vizuální podpis a předvídatelné velikosti porcí. Jablko vypadá jako jablko z jakéhokoli úhlu a jeho kalorický obsah se pohybuje v úzkém rozmezí bez ohledu na přesnou velikost.

Kde je Snap It nespolehlivý

Selhání spolehlivosti se soustředí kolem tří scénářů, které představují většinu reálných jídel.

Vícekomponentní jídla

Když talíř obsahuje tři nebo více různých potravin, Snap It často vynechává alespoň jednu komponentu. V našem testu steakové večeře první fotografie zcela vynechala chřest. V testu sushi talíře aplikace identifikovala pouze 2-3 z 4 typů sushi, které byly přítomny. Každá vynechaná komponenta představuje celou potravinu, která není zaznamenána — často 50-150 kalorií, které jednoduše zmizí z vašeho denního součtu.

Smíšené mísy a vrstvená jídla

Burrito mísy, mísy s obilninami, poke mísy a kari vykazovaly špatné výsledky. Když jsou ingredience smíšené nebo vrstvené, AI má potíže s rozlišením jednotlivých komponentů. Naše burrito mísa obsahovala rýži, kuře, fazole, kukuřici, salsu, sýr a guacamole. Snap It identifikoval rýži a kuře, ale v jedné fotografii vynechal fazole a v jiné kukuřici. Odhad velikosti porce pro smíšené mísy měl průměrnou odchylku 40-45 % od skutečných naměřených hodnot.

Vizuelně podobné potraviny

Kuskus byl v obou fotografiích identifikován jako rýže — konzistentní chybné určení. Quinoa byla v jedné fotografii identifikována jako rýže a ve druhé správně. Květáková rýže, běžná rýže a kuskus jsou na fotografiích téměř nerozeznatelné, ale jejich kalorické hustoty se výrazně liší. Kuskus obsahuje přibližně 176 kalorií na vařený šálek ve srovnání s rýží, která má 206 kalorií na šálek. Konzistentní chybné určení kuskusu jako rýže přidává 30 kalorií na šálek, které uživatel ve skutečnosti nespotřeboval.

Analýza režimu selhání

Každou chybu jsme klasifikovali napříč všemi 40 fotografiemi, abychom identifikovali vzorce.

Tabulka četnosti režimu selhání

Režim selhání	Výskyty	% ze všech fotografií	Průměrný kalorický dopad
Vynechaná komponenta ve vícečlenném jídle	10	25 %	85 kal
Odhad porce nadměrný (>20 % nad skutečným)	7	17,5 %	62 kal
Odhad porce podhodnocený (>20 % pod skutečným)	9	22,5 %	58 kal
Chybné určení potraviny	4	10 %	45 kal
Nekonzistentní výsledek (stejné jídlo, různé kalorie)	14	35 %*	průměrný rozdíl 52 kal
Vynechané tekuté kalorie (dresinky, omáčky, olej)	6	15 %	72 kal

• Měřeno napříč 20 páry jídel, nikoli 40 jednotlivými fotografiemi.

Nejčastější chybou byla nekonzistentnost — 14 z 20 jídel produkovalo různé počty kalorií při fotografování dvakrát. Nejvíce kaloricky významnou chybou byla vynechaná komponenta, průměrně 85 nezaznamenaných kalorií na výskyt. Vynechané tekuté kalorie (dresinky, kuchyňské oleje, omáčky) byly také významné s 72 kaloriemi na výskyt.

Tyto selhání se nevyskytují izolovaně. Jedna fotografie jídla může vyvolat více režimů selhání současně — smíšená mísa může mít vynechanou komponentu, podhodnocenou porci a nekonzistentní výsledek ve srovnání s druhou fotografií.

Problém s alternativou: Když fotografické zaznamenávání selže

Když Snap It nedokáže identifikovat potravinu nebo uživatel rozpozná, že identifikace je špatná, aplikace se vrací k manuálnímu vyhledávání. Zde se objevuje druhý problém se spolehlivostí. Lose It! používá databázi, která zahrnuje uživatelsky zaslané položky vedle ověřených dat, podobně jako jiné crowdsourced databáze.

Uživatel, který začal s fotografickým zaznamenáváním, aby ušetřil čas, nyní musí manuálně prohledávat databázi, hodnotit více položek pro stejné jídlo a hádat, která je správná. Rychlostní výhoda fotografického zaznamenávání se ztrácí a uživatel se vrací k těm samým výzvám přesnosti, které ovlivňují jakoukoli crowdsourced databázi potravin. Studie z roku 2019 v Journal of the Academy of Nutrition and Dietetics zjistila, že crowdsourced nutriční databáze obsahovaly významné chyby přibližně v 27 % zkoumaných položek.

To vytváří nekonzistentní zkušenost při sledování. Některá jídla jsou zaznamenána pomocí fotografie s jednou úrovní přesnosti. Jiná jídla jsou zaznamenána manuálně s jinou úrovní přesnosti. Denní kalorický součet uživatele se stává patchworkem datových bodů s různou spolehlivostí, což ztěžuje identifikaci trendů nebo důvěru v čísla.

Jak přístup AI Nutrola k spolehlivosti funguje jinak

AI Nutrola řeší tři dimenze spolehlivosti — identifikaci, přesnost porcí a konzistenci — prostřednictvím odlišného architektonického přístupu.

Identifikace potravin v Nutrola mapuje každou rozpoznanou potravinu přímo na databázi ověřenou nutričními specialisty s více než 1,8 miliony položek. Když AI identifikuje kuře na vaší fotografii, odkazuje na jedinou ověřenou položku pro kuřecí prsa, nikoli na seznam uživatelsky zaslaných možností s různými počty kalorií. To eliminuje kaskádovou chybu, kdy správná identifikace stále vede k chybným kaloriím kvůli špatnému záznamu v databázi.

Pro přesnost porcí Nutrola kombinuje analýzu fotografií s hlasovým zaznamenáváním jako rychlou vrstvu korekce. Pokud AI odhaduje vaši porci rýže na 150 gramů, ale vy víte, že jste si odvážili 200 gramů, můžete říct "ve skutečnosti to bylo asi 200 gramů" a záznam se okamžitě aktualizuje. Tento přístup s člověkem v procesu uznává, že žádná AI dokonale neodhadne porce z 2D fotografie, zatímco poskytuje mechanismus korekce, který trvá sekundy, místo aby vyžadoval plné manuální vyhledávání.

Výhoda konzistence vyplývá sama z ověřené databáze. Protože každá potravina je mapována na jeden záznam, opakované fotografie, které identifikují stejnou potravinu, vždy produkují stejnou základní hodnotu kalorií. Odhady porcí se mohou mírně lišit mezi fotografiemi, ale základní nutriční data jsou stabilní a ověřená.

Nutrola také nabízí skenování čárových kódů pro balené potraviny a funkci importu receptů pro domácí vaření, což zajišťuje, že každá metoda zaznamenávání se propojuje se stejnou ověřenou databází. K dispozici na iOS a Android za 2,50 EUR měsíčně bez reklam, Nutrola upřednostňuje spolehlivost dat před velikostí databáze.

Často kladené otázky

Jak přesný je Lose It! Snap It pro každodenní jídla?

V našem testování Snap It správně identifikoval všechny komponenty potravin pouze v 60 % fotografií. U jednotlivých položek a balených potravin byla přesnost vysoká — blížila se 95 % správné identifikace s odhady porcí v rozmezí 5-15 % od skutečné hmotnosti. U vícekomponentních jídel a smíšených mís přesnost výrazně klesla, přičemž aplikace vynechala alespoň jednu potravinovou komponentu ve 25 % všech fotografií a odhady porcí se odchylovaly o 35-45 % od naměřených hodnot.

Dává Snap It stejný výsledek, pokud vyfotím stejné jídlo dvakrát?

Ne. V našem testu 20 jídel vyfotografovaných dvakrát pouze 30 % produkovalo konzistentní kalorické výsledky napříč oběma fotografiemi. Průměrný rozdíl kalorií mezi duplicitními fotografiemi byl 52 kalorií, přičemž některá jídla vykazovala rozdíly 80-89 kalorií. Tato nekonzistentnost znamená, že počet kalorií, který dostanete, závisí částečně na konkrétním úhlu, osvětlení a okamžiku, kdy fotografii pořídíte, nikoli pouze na tom, co jíte.

S jakými typy potravin funguje Snap It nejlépe?

Snap It je nejspolehlivější u vizuálně odlišných, jednotlivých potravin (celé ovoce, vejce, plátek chleba) a balených potravin, kde je na fotografii viditelná etiketa nebo značka. Tyto kategorie vykázaly míru správné identifikace nad 95 % a odhady porcí v rozmezí 5-15 % od skutečných hodnot. Funkce je nejméně spolehlivá u smíšených mís, vícekomponentních restaurančních talířů a vizuálně podobných obilnin, jako jsou rýže, kuskus a quinoa.

Proč Snap It vynechává ingredience v mé míse nebo talíři?

Když jsou potraviny vrstvené, smíšené nebo částečně skryté pod jinými ingrediencemi, AI nedokáže vizuálně rozlišit jednotlivé komponenty. Například v burrito míse fazole pod rýží nebo sýr smíchaný s jinými přílohami se stávají neviditelnými pro kameru, která zachycuje pouze horní povrch. Každá vynechaná ingredience představuje nezaznamenané kalorie — obvykle 50 až 150 kalorií na vynechanou komponentu na základě našeho testování.

Je sledování kalorií na základě fotografií dostatečně přesné pro hubnutí?

Sledování kalorií na základě fotografií může být dostatečně přesné pro hrubou povědomost o kaloriích, ale obecně není dostatečné pro přesné hubnutí na základě deficitu. Naše testování ukázalo průměrnou odchylku přesnosti porcí 25,5 % napříč všemi typy potravin, což se překládá na denní chyby kalorií od 150 do 400 kalorií v závislosti na složitosti jídla. Pro kontext, typický deficit pro hubnutí je 500 kalorií denně, což znamená, že chyby v zaznamenávání fotografií by mohly eliminovat 30-80 % plánovaného deficitu. Kombinace fotografického zaznamenávání s ověřením porcí — buď vážením potravin, nebo použitím hlasové korekce, jak to nabízí Nutrola — výrazně zlepšuje přesnost.