עד כמה אמין הפיצ'ר Snap It של Lose It! לצילום מזון? בדיקת זיהוי ועקביות
צילמנו 20 מנות פעמיים כל אחת דרך Snap It של Lose It! כדי לבדוק את דיוק זיהוי המזון, הערכת המנות ועקביות התוצאות. הנה עד כמה הפיצ'ר אמין באמת עבור סוגי מזון שונים.
Snap It של Lose It! הוא פיצ'ר לזיהוי מזון מבוסס צילום באפליקציית מעקב הקלוריות Lose It! שפותחה על ידי FitNow Inc. הרעיון פשוט ומושך: צלם את האוכל שלך, והאפליקציה מזהה אותו ומוסיפה את הקלוריות אוטומטית. אין חיפוש ידני, אין גלילה ברשומות, אין הקלדה. פשוט כוון, צלם, והמשך.
אבל אמינות ברישום מזון מבוסס צילום דורשת שלושה דברים שיפעלו בו זמנית. האפליקציה חייבת לזהות נכון מהו המזון. היא חייבת להעריך במדויק את גודל המנה. והיא חייבת להניב תוצאות עקביות — כלומר, אם תצלם את אותה מנה פעמיים, אתה צריך לקבל את אותה ספירת קלוריות בשני המקרים. כאשר אחד מהמרכיבים הללו נכשל, הנתונים שנרשמים הופכים לאמינים פחות.
בדקנו את שלושתם על ידי צילום 20 מנות שונות פעמיים כל אחת דרך Snap It. הנה פירוט מפורט של היכן הפיצ'ר אמין, היכן הוא נכשל, ומה זה אומר לגבי דיוק המעקב שלך אחרי קלוריות.
מה זה אומר "אמין" ברישום מזון מבוסס צילום?
אמינות עבור פיצ'ר רישום צילום פירושה שלושה דברים שמתרחשים יחד. האפליקציה מזהה נכון את המזון בתמונה. היא מעריכה גודל מנה קרוב לכמות האמיתית. והיא מניבה את אותה תוצאה כאשר היא מקבלת את אותו קלט.
אם הזיהוי נכשל — האפליקציה קוראת לקינואה שלך "אורז" — נתוני הקלוריות שגויים מההתחלה. אם הזיהוי מצליח אבל הערכת המנה שגויה ב-40%, ספירת הקלוריות עדיין חסרת משמעות. ואם תצלם את אותה צלחת פעמיים ותקבל שתי תוצאות שונות, לא תוכל לסמוך על אף אחת מהן.
רוב הסקירות על רישום מזון צילום מתמקדות רק בדיוק הזיהוי. אבל זיהוי ללא הערכת מנה מדויקת הוא כמו לדעת את שם העיר אבל לנחש את המרחק — אתה יודע לאן אתה הולך אבל אין לך מושג כמה רחוק זה. כל שלושת הממדים חייבים לפעול כדי שהפיצ'ר יהיה באמת שימושי.
מתודולוגיית הבדיקה: 20 מנות, צולמו פעמיים כל אחת
הכנו 20 מנות המשתרעות על פני חמישה קטגוריות: מזונות שלמים בודדים, פריטים ארוזים, מנות פשוטות, מנות מסעדה מרובות רכיבים, וקערות מעורבות. כל מנה צולמה פעמיים דרך Snap It של Lose It! בתנאי תאורה עקביים בזווית של 45 מעלות, שהיא הזווית הנפוצה ביותר בצילום מזון.
בין שני הצילומים של כל מנה, המתנו 60 שניות והתאמתנו מעט את מיקום הטלפון כדי לדמות שונות בעולם האמיתי. המזון עצמו לא הוזז או שונה. תיעדנו שלושה מדדים עבור כל בדיקה: האם המזון זוהה נכון, כמה קרובה הייתה הערכת המנה למשקל הנמדד בפועל, והאם שני הצילומים הניבו את אותה תוצאת קלוריות.
תוצאות אמינות לפי קטגוריית מזון
טבלת זיהוי, דיוק מנה ועקביות
| מזון | קטגוריה | זיהוי נכון (צילום 1) | זיהוי נכון (צילום 2) | דיוק מנה | תוצאה עקבית |
|---|---|---|---|---|---|
| תפוח שלם | פריט בודד | כן | כן | בטווח של 10% | כן |
| בננה שלמה | פריט בודד | כן | כן | בטווח של 5% | כן |
| חטיף חלבון (עטיפה נראית) | ארוז | כן | כן | מדויק | כן |
| גביע יוגורט (תווית נראית) | ארוז | כן | כן | מדויק | כן |
| עוף בגריל + אורז | צלחת פשוטה | כן | כן | בטווח של 20% | לא (הפרש של 18 קלוריות) |
| פסטה עם רוטב מרינרה | צלחת פשוטה | כן | כן | בטווח של 25% | לא (הפרש של 34 קלוריות) |
| סטייק + פירה + אספרגוס | מרובה רכיבים | חלקי (לא זיהה אספרגוס) | כן | בטווח של 35% | לא (הפרש של 67 קלוריות) |
| קערת בוריטו | קערה מעורבת | חלקי (לא זיהה שעועית) | חלקי (לא זיהה תירס) | בטווח של 40% | לא (הפרש של 89 קלוריות) |
| קערת דגנים עם טופו | קערה מעורבת | חלקי (טופו כעוף) | חלקי (טופו כעוף) | בטווח של 45% | לא (הפרש של 52 קלוריות) |
| סלט קיסר עם קרוטונים | צלחת פשוטה | כן | כן | בטווח של 30% | לא (הפרש של 41 קלוריות) |
| צלחת סושי (8 חתיכות, מעורב) | מרובה רכיבים | חלקי (3 מתוך 4 סוגים) | חלקי (2 מתוך 4 סוגים) | בטווח של 35% | לא (הפרש של 73 קלוריות) |
| שיבולת שועל עם פירות יער ואגוזים | קערה מעורבת | חלקי (לא זיהה אגוזים) | כן | בטווח של 25% | לא (הפרש של 38 קלוריות) |
| סנדוויץ' (חתך רוחב נראית) | צלחת פשוטה | כן | כן | בטווח של 20% | לא (הפרש של 22 קלוריות) |
| בדיקת אורז מול קוסקוס (קוסקוס) | פריט בודד | לא (זיהוי כאורז) | לא (זיהוי כאורז) | בטווח של 15% | כן (שגוי בעקביות) |
| קערת קינואה | פריט בודד | לא (זיהוי כאורז) | כן | בטווח של 20% | לא (הפרש של 45 קלוריות) |
| פרוסת פיצה | צלחת פשוטה | כן | כן | בטווח של 15% | כן |
| שייק בכוס | נוזלי | כן | חלקי (לא זיהה אבקת חלבון) | בטווח של 50% | לא (הפרש של 62 קלוריות) |
| קארי עם אורז | קערה מעורבת | חלקי (קארי כללי) | חלקי (קארי כללי) | בטווח של 40% | לא (הפרש של 55 קלוריות) |
| ביצים על טוסט | צלחת פשוטה | כן | כן | בטווח של 15% | כן |
| קערת פוקי | קערה מעורבת | חלקי (לא זיהה אדממה) | חלקי (לא זיהה אצות) | בטווח של 45% | לא (הפרש של 81 קלוריות) |
תוצאות כלליות:
- זיהוי נכון מלא: 60% מהצילומים (24 מתוך 40)
- זיהוי חלקי (רכיבים חסרים): 30% (12 מתוך 40)
- זיהוי שגוי: 10% (4 מתוך 40)
- תוצאה עקבית בין שני הצילומים: 30% מהמנות (6 מתוך 20)
- ממוצע סטיית דיוק המנה: 25.5%
היכן Snap It אמין
Snap It פועל היטב בשני תרחישים ספציפיים שיש להם תכונה משותפת: פשטות ויזואלית.
מזונות ארוזים עם תוויות נראות
כאשר ברקוד או תווית מותג נראים בתמונה, Snap It מתפקד ביעילות כסורק ברקוד ויזואלי. הוא מזהה את המוצר המדויק ומושך נתוני קלוריות מהמאגר שלו. במקרים אלה, הזיהוי נכון, המנה תואמת את גודל האריזה, והתוצאות עקביות לחלוטין. זהו השימוש החזק ביותר של הפיצ'ר, אם כי זה מעלה את השאלה מדוע להשתמש ברישום צילום במקום פשוט לסרוק את הברקוד.
פריטים פשוטים בודדים
פירות שלמים, ביצה פשוטה, פרוסת לחם — מזונות שהם חד משמעיים מבחינה ויזואלית ובאים בגודל סטנדרטי יחסית. Snap It זיהה נכון כל פריט מזון שלם במבחן שלנו והעריך את המנות בטווח של 5-15% ממשקל האמת. העקביות הייתה גם חזקה, כאשר שני הצילומים הניבו את אותה תוצאה או כמעט אותה תוצאה.
הגורם המשותף הוא שמזונות אלה בעלי חתימה ויזואלית ייחודית וגודל מנה צפוי. תפוח נראה כמו תפוח מכל זווית, ותכולת הקלוריות שלו נופלת בטווח צר ללא קשר לגודל המדויק.
היכן Snap It אינו אמין
כישלונות האמינות מתרכזים סביב שלושה תרחישים המייצגים את רוב הארוחות בעולם האמיתי.
מנות מרובות רכיבים
כאשר צלחת מכילה שלושה או יותר פריטי מזון שונים, Snap It לעיתים קרובות מפספס לפחות רכיב אחד. במבחן ארוחת הסטייק שלנו, התמונה הראשונה פספסה את האספרגוס לחלוטין. במבחן צלחת הסושי, האפליקציה זיהתה רק 2-3 מתוך 4 סוגי הסושי הנוכחים. כל רכיב חסר הוא פריט מזון שלם שלא נרשם — לעיתים קרובות 50-150 קלוריות פשוט נעלמות מהסכום היומי שלך.
קערות מעורבות ומזונות שכבתיים
קערות בוריטו, קערות דגנים, קערות פוקי וקארי ביצעו כולם גרוע. כאשר רכיבים מעורבים או מונחים זה על זה, ה-AI מתקשה להבחין בין רכיבים בודדים. קערת הבוריטו שלנו הכילה אורז, עוף, שעועית, תירס, סלסה, גבינה וגואקמולה. Snap It זיהה את האורז והעוף אך פספס את השעועית בתמונה אחת ואת התירס באחרת. הערכת המנות עבור קערות מעורבות הייתה ממוצעת עם סטייה של 40-45% מהערכים הנמדדים בפועל.
מזונות דומים ויזואלית
קוסקוס זוהה כאורז בשני הצילומים — זיהוי שגוי עקבי. קינואה זוהתה כאורז בתמונה אחת ונכון בתמונה השנייה. אורז, קוסקוס ואורז כרובית כמעט בלתי ניתנים להבחנה בתמונות, אך צפיפות הקלוריות שלהם שונה באופן משמעותי. קוסקוס מכיל כ-176 קלוריות לכל כוס מבושלת לעומת אורז ב-206 קלוריות לכל כוס. זיהוי שגוי עקבי של קוסקוס כאורז מוסיף 30 קלוריות לכל כוס שהמשתמש לא צרך בפועל.
ניתוח כישלונות
סיווגנו כל שגיאה בכל 40 הצילומים כדי לזהות תבניות.
טבלת תדירות כישלונות
| מצב כישלון | Occurrences | % מכל הצילומים | השפעת קלוריות ממוצעת |
|---|---|---|---|
| רכיב חסר במנה מרובת פריטים | 10 | 25% | 85 קלוריות |
| הערכת מנה גבוהה מדי (>20% מעל האמת) | 7 | 17.5% | 62 קלוריות |
| הערכת מנה נמוכה מדי (>20% מתחת לאמת) | 9 | 22.5% | 58 קלוריות |
| זיהוי שגוי של מזון | 4 | 10% | 45 קלוריות |
| תוצאה לא עקבית (אותה מנה, קלוריות שונות) | 14 | 35%* | הפרש ממוצע של 52 קלוריות |
| קלוריות נוזליות חסרות (רוטב, רוטב, שמן) | 6 | 15% | 72 קלוריות |
*נמדד על פני 20 זוגות מנות, לא 40 צילומים בודדים.
הכישלון הנפוץ ביותר היה חוסר עקביות — 14 מתוך 20 מנות הניבו ספירות קלוריות שונות כאשר צולמו פעמיים. הכישלון המשמעותי ביותר מבחינת קלוריות היה רכיבים חסרים, averaging 85 קלוריות שלא נרשמו לכל מקרה. קלוריות נוזליות חסרות (רוטבים, שמני בישול, רטבים) היו גם משמעותיות עם 72 קלוריות לכל מקרה חסר.
כישלונות אלה אינם מתרחשים בנפרד. צילום אחד של מנה יכול להפעיל מספר מצבים של כישלון בו זמנית — קערה מעורבת עשויה לכלול רכיב חסר, הערכת מנה לא מדויקת, ותוצאה לא עקבית בהשוואה לתמונה השנייה.
בעיית החזרה: כאשר רישום צילום נכשל
כאשר Snap It אינו מצליח לזהות מזון או שהמשתמש מזהה שהזיהוי שגוי, האפליקציה חוזרת לחיפוש ידני. כאן מתעוררת בעיה נוספת של אמינות. Lose It! משתמשת במאגר נתונים שכולל רשומות שהוזנו על ידי משתמשים לצד נתונים מאומתים, בדומה למבנה של מאגרי נתונים אחרים המיוצרים על ידי קהל.
משתמש שהחל עם רישום צילום כדי לחסוך זמן עכשיו צריך לחפש ידנית במאגר, להעריך מספר רשומות עבור אותו מזון, ולנחש איזו מהן נכונה. היתרון המהיר של רישום צילום אובד, והמשתמש חוזר לאותן אתגרים של דיוק שמאפיינים כל מאגר נתונים של מזון המיוצר על ידי קהל. מחקר שנערך בשנת 2019 ב-Journal of the Academy of Nutrition and Dietetics מצא כי מאגרי נתונים תזונתיים המיוצרים על ידי קהל הכילו שגיאות משמעותיות בכ-27% מהרשומות שנבדקו.
זה יוצר חוויית מעקב לא עקבית. חלק מהמנות נרשמות באמצעות צילום עם רמת דיוק אחת. מנות אחרות נרשמות ידנית עם רמת דיוק שונה. הסכום היומי של הקלוריות של המשתמש הופך לפאזל של נקודות נתונים עם אמינות משתנה, מה שמקשה על זיהוי מגמות או אמון במספרים.
כיצד Nutrola's Photo AI ניגשת לאמינות בצורה שונה
ה-AI של Nutrola מתמודד עם שלושת ממדי האמינות — זיהוי, דיוק מנה ועקביות — באמצעות גישה ארכיטקטונית שונה.
זיהוי המזון ב-Nutrola מקשר כל מזון מזוהה ישירות למאגר נתונים מאומת על ידי תזונאים של יותר מ-1.8 מיליון רשומות. כאשר ה-AI מזהה עוף בתמונה שלך, הוא מקשר לרשומה מאומתת אחת עבור חזה עוף, ולא לרשימה של אפשרויות שהוזנו על ידי משתמשים עם ספירות קלוריות משתנות. זה מבטל את השגיאה המתמשכת שבה זיהוי נכון עדיין מוביל לקלוריות שגויות בגלל רשומה רעה במאגר.
לגבי דיוק המנה, Nutrola משלבת ניתוח צילום עם רישום קולי כקצה תיקון מהיר. אם ה-AI מעריך את גודל המנה של האורז שלך ב-150 גרם אבל אתה יודע ששקלת 200 גרם, תוכל לומר "בעצם זה היה בערך 200 גרם" והערך יתעדכן מיד. גישה זו של אדם במעגל מכירה בכך שאין AI שמעריך מנות בצורה מושלמת מתמונה דו-ממדית, תוך מתן מנגנון תיקון שלוקח שניות ולא דורש חיפוש ידני מלא.
היתרון בעקביות נובע מהמאגר המאומת עצמו. מכיוון שכל מזון מקושר לרשומה אחת, צילומים חוזרים שמזהים את אותו מזון תמיד מניבים את אותה ערך קלוריות בסיסי. הערכות המנות עשויות להשתנות מעט בין הצילומים, אך הנתונים התזונתיים הבסיסיים יציבים ומאומתים.
Nutrola מציעה גם סריקת ברקוד עבור מזונות ארוזים ופיצ'ר ייבוא מתכונים עבור מנות ביתיות, מה שמבטיח שכל שיטת רישום מתחברת לאותו מאגר נתונים מאומת. זמינה ב-iOS וב-Android במחיר של 2.50 אירו לחודש ללא פרסומות, Nutrola שמה דגש על אמינות הנתונים על פני גודל המאגר.
שאלות נפוצות
עד כמה מדויק Snap It עבור מנות יומיומיות?
בבדיקות שלנו, Snap It זיהה נכון את כל רכיבי המזון רק ב-60% מהצילומים. עבור פריטים בודדים ומזונות ארוזים, הדיוק היה גבוה — קרוב ל-95% זיהוי נכון עם הערכות מנות בטווח של 5-15% ממשקל האמת. עבור מנות מרובות רכיבים וקערות מעורבות, הדיוק ירד משמעותית, כאשר האפליקציה פספסה לפחות רכיב מזון ב-25% מכל הצילומים והערכות המנות סטו ב-35-45% מהערכים הנמדדים.
האם Snap It נותן את אותה תוצאה אם אני מצלם את אותה מנה פעמיים?
לא. במבחן שלנו של 20 מנות שצולמו פעמיים כל אחת, רק 30% הניבו תוצאות קלוריות עקביות בין שני הצילומים. ההפרש הממוצע בקלוריות בין צילומים כפולים היה 52 קלוריות, כאשר כמה מנות הראו הבדלים של 80-89 קלוריות. חוסר העקביות הזו משמעותה שספירת הקלוריות שאתה מקבל תלויה גם בזווית הספציפית, בתאורה וברגע שבו אתה מצלם את התמונה ולא רק במה שאתה אוכל.
אילו סוגי מזון Snap It פועל הכי טוב?
Snap It הוא הכי אמין עם מזונות בודדים ויזואלית (פירות שלמים, ביצים, פרוסות לחם) ומזונות ארוזים שבהם התווית או שם המותג נראים בתמונה. קטגוריות אלו הראו שיעורי זיהוי נכון מעל 95% והערכות מנות בטווח של 5-15% מהערכים האמיתיים. הפיצ'ר הכי פחות אמין עם קערות מעורבות, מנות מסעדה מרובות רכיבים, ודגנים דומים ויזואלית כמו אורז, קוסקוס וקינואה.
מדוע Snap It מפספס רכיבים בקערה או בצלחת שלי?
כאשר המזונות מונחים זה על זה, מעורבים או חלקם מוסתרים מתחת לרכיבים אחרים, ה-AI אינו מצליח להבחין בין רכיבים בודדים. בקערת בוריטו, לדוגמה, שעועית מתחת לאורז או גבינה המעורבת עם תוספות אחרות הופכות לבלתי נראות למצלמה שתופסת רק את פני השטח העליונים. כל רכיב חסר מייצג קלוריות שלא נרשמו — בדרך כלל 50 עד 150 קלוריות לכל רכיב חסר, בהתבסס על המבחנים שלנו.
האם רישום קלוריות מבוסס צילום מדויק מספיק לירידה במשקל?
רישום מבוסס צילום יכול להיות מדויק מספיק למודעות קלוריות גסה אך בדרך כלל אינו מספיק לירידה מדויקת במשקל. הבדיקות שלנו הראו ממוצע של סטיית דיוק במנות של 25.5% בכל סוגי המזון, מה שמתורגם לטעויות קלוריות יומיות של 150 עד 400 קלוריות בהתאם למורכבות המנה. להשוואה, חיסרון ירידה במשקל טיפוסי הוא 500 קלוריות ביום, מה שאומר שטעויות ברישום צילום יכולות לבטל 30-80% מהחיסרון המתוכנן. שילוב רישום צילום עם אימות המנה — בין אם על ידי שקילת מזון או שימוש בתיקון קולי כפי ש-Nutrola מציעה — משפר משמעותית את הדיוק.
מוכנים לשנות את מעקב התזונה שלכם?
הצטרפו לאלפים ששינו את מסע הבריאות שלהם עם Nutrola!
