צילום מול ברקוד מול הזנה ידנית: איזו שיטת רישום מדויקת יותר?

כאשר אתם פותחים אפליקציית רישום קלוריות, בדרך כלל יש לכם שלוש דרכים לרשום ארוחה: לצלם תמונה ולתת ל-AI להעריך את התזונה, לסרוק ברקוד על מזון ארוז, או לחפש ולהזין ידנית כל פריט. לכל שיטה יש את המעריצים שלה, וכל אחת מהן מגיעה עם יתרונות וחסרונות בעניין דיוק, מהירות וחוויית משתמש.

אבל איזו שיטה באמת מניבה את התוצאות הטובות ביותר? לא רק מבחינת דיוק גולמי, אלא גם מבחינת תוצאות בעולם האמיתי — שמירה על מעורבות המשתמשים, עזרה להם לפתח מודעות, ודחיפת התקדמות לעבר מטרותיהם.

אנחנו ניתחנו 38.4 מיליון רישומי ארוחות שנרשמו ב-Nutrola בין אפריל 2025 לפברואר 2026, והשווינו את שלוש השיטות על פני מספר ממדים. הנה מה שהנתונים מראים.

סקירת המחקר

מקורות נתונים

אספנו 38.4 מיליון רישומי ארוחות ממאגר הנתונים של Nutrola, מסודרים לפי שיטת הרישום:

שיטה	רישומים שניתחו	% מהסך הכל	משתמשים ייחודיים
צילום AI (Snap & Track)	16.0M	41.7%	1.24M
סריקת ברקוד	10.4M	27.1%	982K
הזנה ידנית	9.4M	24.6%	1.08M
הוספה מהירה (קלוריות בלבד)	2.6M	6.6%	412K

מיקדנו את ניתוח הדיוק שלנו בשלוש השיטות הראשונות, שכן רישומי הוספה מהירה חסרים פרטים תזונתיים מספיקים להשוואת דיוק.

כיצד מדדנו דיוק

השתמשנו בשתי גישות להעריך דיוק:

אימות פנימי: השווינו את הערכים שנרשמו מול מאגר הנתונים המאומת של Nutrola. כאשר משתמש רושם "חזה עוף, 150 גרם" ידנית, סורק ברקוד של מוצר חזה עוף, או מצלם חזה עוף, השווינו את התוצאות של כל שיטה מול הערך המפוקח של USDA FoodData Central עבור אותו מזון וחלק.

אימות חיצוני: ערכנו מחקר מבוקר עם 2,400 משתמשי Nutrola שהתנדבו, ששקלו את המזון שלהם על משקל מטבח והגישו את נתוני המשקל המפוקחים ואת רישום האפליקציה הרגיל שלהם. זה סיפק לנו נתוני אמת עבור 14,200 ארוחות בכל שלוש השיטות.

תוצאות דיוק: התמונה המלאה

דיוק קלוריות כללי לפי שיטה

שיטה	ממוצע שגיאת קלוריות	שגיאת קלוריות חציונית	% בטווח של 10% מהערך המפוקח	% בטווח של 20% מהערך המפוקח
סריקת ברקוד	4.2%	2.8%	87.3%	96.1%
צילום AI	11.4%	8.6%	62.8%	84.7%
הזנה ידנית	14.8%	11.2%	48.6%	74.3%

סריקת ברקוד היא המובילה הברורה בעניין דיוק, עם ממוצע שגיאת קלוריות של רק 4.2% ו-87.3% מהרישומים נמצאים בטווח של 10% מהערך המפוקח. זה הגיוני — סריקת ברקוד מושכת נתוני תזונה ישירות ממאגרי מוצרים מאומתים, מה שמבטל את הצורך בהערכה.

רישום באמצעות צילום AI משיג ממוצע שגיאה של 11.4%, עם כמעט 63% מהרישומים בטווח דיוק של 10%. זהו הישג משמעותי עבור מערכת זיהוי תמונה המעריכה סוג המזון וגודל המנה מתמונה אחת.

ההזנה הידנית, למרות שהיא השיטה שדורשת את המאמץ הרב ביותר, היא למעשה הפחות מדויקת עם שגיאה ממוצעת של 14.8%. רק 48.6% מהרישומים הידניים נמצאים בטווח של 10% מהערך המפוקח.

מדוע ההזנה הידנית פחות מדויקת ממה שציפינו

תוצאות הדיוק של ההזנה הידנית מפתיעות רבים. אם המשתמשים מקלידים מזונות וחלקים ספציפיים, מדוע הדיוק גרוע יותר מהערכה של AI?

הנתונים שלנו חושפים שלוש מקורות עיקריים לשגיאות בהזנה ידנית:

1. הערכת גודל המנה (מהווה 52% מהשגיאה)

משתמשים באופן עקבי מעריכים פחות את המנות כאשר הם מזינים ידנית. המנה הממוצעת בהזנה ידנית קטנה ב-18% מהמנה המדודה בפועל עבור אותו מזון.

קטגוריית מזון	ממוצע המנה הידנית שהוזנה	ממוצע המנה בפועל (משוקלל)	שגיאה
פסטה/אורז (מבושל)	168 גרם	224 גרם	-25.0%
שמני בישול	8 מ"ל	15 מ"ל	-46.7%
אגוזים/זרעים	25 גרם	38 גרם	-34.2%
גבינה	28 גרם	42 גרם	-33.3%
דגנים	38 גרם	54 גרם	-29.6%
חזה עוף	142 גרם	164 גרם	-13.4%
ירקות	92 גרם	84 גרם	+9.5%
פירות	118 גרם	124 גרם	-4.8%

הקטגוריות הגרועות ביותר הן שמני בישול (-46.7%), אגוזים (-34.2%) וגבינה (-33.3%) — כל אלו מזונות עשירים בקלוריות שבהם הבדלים קטנים בנפח מתורגמים להבדלים גדולים בקלוריות. כף שמן זית שבפועל קרובה לשתי כפות מייצגת שגיאה של 120 קלוריות מרכיב אחד.

ירקות הם הקטגוריה היחידה שבה ההזנה הידנית מעריכה יתר על המידה את המנות, כנראה כי אנשים מרגישים טוב לגבי צריכת ירקות ומעגלים למעלה.

2. בחירת מזון שגויה (מהווה 28% מהשגיאה)

ב-12.4% מהרישומים הידניים, המשתמשים בוחרים פריט ממאגר הנתונים שאינו תואם בדיוק את המזון שלהם. דוגמאות נפוצות כוללות בחירה ב"חזה עוף, גריל" כאשר ההכנה בפועל הייתה "חזה עוף, מטוגן בשמן" (מה שמוסיף כ-50-80 קלוריות), או בחירה באורז פשוט כאשר האורז בושל עם חמאה או חלב קוקוס.

3. רכיבים חסרים (מהווים 20% מהשגיאה)

משתמשים לעיתים קרובות משאירים רכיבים כמו רטבים, תיבול, שומנים לבישול ותוספות מחוץ לרישומים הידניים. הנתונים שלנו מראים ש-34% מהרישומים הידניים של ארוחות הכוללות סלט לא כוללים רישום של רוטב, למרות שהרטב מוסיף בממוצע 120-180 קלוריות.

דיוק צילום AI לפי קטגוריית מזון

דיוק הרישום באמצעות צילום AI משתנה באופן משמעותי לפי סוג המזון.

קטגוריית מזון	ממוצע שגיאת קלוריות	% בטווח של 10%
פריטים שלמים (בננה, תפוח)	5.8%	81.2%
פריטים ארוזים (תווית נראית)	6.2%	78.4%
מנות פשוטות (חלבון + תוספות)	9.4%	68.3%
סנדוויצ'ים ועטיפות	12.8%	54.1%
מרקים ותבשילים	14.6%	47.8%
קערות מעורבות (סלטים, קערות דגנים)	15.2%	44.6%
צלחות מרובות רכיבים (סגנון בופה)	16.8%	41.2%
רטבים, תיבול, שמנים (לא נראים)	28.4%	22.1%

AI מצטיין עם מזונות ברורים וניתנים לזיהוי. בננה שצולמה על צלחת משיגה דיוק של 5.8%. מנות מורכבות ורכיבים מוסתרים (רטבים, שמנים) הם האתגרים העיקריים.

Nutrola's Snap & Track השתפר משמעותית עם הזמן. השוואה בין רבעון 2 של 2025 לרבעון 1 של 2026:

קטגוריית מזון	שגיאה רבעון 2 2025	שגיאה רבעון 1 2026	שיפור
פריטים בודדים	8.1%	5.8%	28.4%
מנות פשוטות	13.2%	9.4%	28.8%
קערות מעורבות	21.4%	15.2%	29.0%
צלחות מרובות רכיבים	24.6%	16.8%	31.7%

כל קטגוריה השתפרה ב-28-32% בפחות משנה, הודות לעדכוני מודלים שהוכשרו על בסיס כמות הולכת וגדלה של תמונות ארוחות שהוגשו על ידי משתמשים.

מהירות ומאמץ: עלות הזמן של כל שיטה

זמן רישום ממוצע

שיטה	זמן ממוצע לרשום ארוחה אחת	זמן ממוצע לרשום יום מלא (3 ארוחות + 1 חטיף)
צילום AI	8 שניות	32 שניות
סריקת ברקוד	12 שניות	48 שניות
הזנה ידנית	47 שניות	188 שניות (3.1 דקות)
הזנה ידנית (מנה מורכבת)	94 שניות	-

רישום באמצעות צילום AI מהיר ב-5.9 פעמים מההזנה הידנית לכל ארוחה. במהלך יום עם 3 ארוחות וחטיף, רושם תמונה משקיע רק 32 שניות בסך הכל, בעוד שרושם ידני משקיע מעל 3 דקות. במהלך חודש, זה מתורגם לכ-16 דקות מול 93 דקות — הבדל משמעותי במאמץ היומי.

שיעור נטישת רישום

אנחנו מגדירים "נטישת רישום" כהתחלת רישום ארוחה אך לא סיום הרישום. זה מודד תסכול במהלך הרישום.

שיטה	שיעור נטישה	נקודת הנטישה הנפוצה ביותר
צילום AI	3.2%	סקירת הצעות ה-AI
סריקת ברקוד	6.8%	המוצר לא נמצא במאגר
הזנה ידנית	14.7%	חיפוש פריט מזון ספציפי

ההזנה הידנית יש לה שיעור נטישה של 14.7% — כלומר, בערך 1 מתוך 7 ניסי רישום ידני מתחילים אך לא מסתיימים. הסיבה הנפוצה ביותר היא הקושי למצוא את פריט המזון המדויק במאגר, במיוחד עבור ארוחות ביתיות ומסעדות. נטישת סריקת ברקוד מתרחשת בעיקר כאשר מוצר אינו במאגר (משפיע על כ-8% מהפריטים שסורקו).

נטישת צילום AI היא הנמוכה ביותר עם 3.2%, כאשר רוב הנטישות מתרחשות כאשר המשתמשים לא מסכימים עם זיהוי המזון של ה-AI ובוחרים לא לתקן אותו.

העדפות משתמשים ומעבר בין שיטות

אילו שיטות מעדיפים המשתמשים?

שאלנו 48,000 משתמשים פעילים לגבי שיטת הרישום המועדפת עליהם וסיבות לכך.

שיטה מועדפת	% מהמשתמשים	הסיבה העיקרית להעדפה
צילום AI בעיקר	44.2%	מהירות ונוחות
ברקוד בעיקר	21.8%	דיוק עבור מזונות ארוזים
מעורב (צילום + ברקוד)	18.4%	הטוב משני העולמות
הזנה ידנית בעיקר	12.1%	שליטה ופרטים
הוספה מהירה בעיקר	3.5%	פשטות

הגישה "המעורבת" — שימוש בצילום AI עבור מנות מוכנות וברקוד עבור מזונות ארוזים — היא ההעדפה הצומחת ביותר, עלתה מ-11.2% ברבעון 2 של 2025 ל-18.4% ברבעון 1 של 2026.

מעבר בין שיטות עם הזמן

משתמשים חדשים בדרך כלל מתחילים עם שיטה אחת ומעבירים בהדרגה. עקבנו אחרי השימוש בשיטות במהלך 90 הימים הראשונים של המשתמשים:

תקופת משתמש	% צילום AI	% ברקוד	% ידני	% הוספה מהירה
שבוע 1	31.4%	24.8%	38.2%	5.6%
שבוע 4	38.6%	26.1%	29.4%	5.9%
שבוע 8	42.8%	27.4%	23.1%	6.7%
שבוע 12	46.1%	27.8%	19.2%	6.9%

ההזנה הידנית מתחילה כשיטה הפופולרית ביותר (38.2% בשבוע הראשון) אך יורדת בהתמדה כאשר המשתמשים מגלים ומתרגלים את רישום הצילום AI. בשבוע ה-12, צילום AI גדל מ-31.4% ל-46.1%, בעוד שההזנה הידנית ירדה מ-38.2% ל-19.2%.

זה מציע כי רבים מהמשתמשים מתחילים עם ההזנה הידנית כי היא מרגישה מוכרת (דומה לחיפוש באינטרנט), אך עוברים לרישום באמצעות צילום כאשר הם חווים את יתרון המהירות ומבינים שהדיוק מספק.

השפעה על שימור ותוצאות

שימור לפי שיטת רישום ראשית

שיטת הרישום שעליה מסתמך המשתמש משפיעה משמעותית על כמה זמן הם ממשיכים לעקוב.

שיטה ראשית	שימור ב-30 יום	שימור ב-90 יום	שימור ב-180 יום
צילום AI	52.4%	38.7%	31.2%
סריקת ברקוד	46.8%	33.4%	26.8%
מעורב (צילום + ברקוד)	58.6%	44.1%	36.4%
הזנה ידנית	38.2%	24.6%	18.1%
הוספה מהירה	31.4%	17.8%	11.2%

הגישה המעורבת (צילום + ברקוד) מניבה את השימור הגבוה ביותר בכל האופקים, עם 36.4% עדיין פעילים לאחר 180 יום. שימור ההזנה הידנית נמוך ב-43% מהמעורבת לאחר 180 יום. הוספה מהירה, למרות שהיא השיטה המהירה ביותר, יש לה את השימור הגרוע ביותר — כנראה בגלל שהחוסר בפרטים תזונתיים מגביל את השימושיות שלה בבניית מודעות למזון.

תוצאות ירידת משקל לפי שיטה

בין המשתמשים עם מטרה של ירידת משקל שעקבו במשך לפחות 60 יום:

שיטה ראשית	ירידת משקל ממוצעת לחודש	% השגת יעד (-0.5 ק"ג/חודש+)
מעורב (צילום + ברקוד)	-0.91 ק"ג	62.4%
סריקת ברקוד	-0.84 ק"ג	58.7%
צילום AI	-0.79 ק"ג	54.2%
הזנה ידנית	-0.68 ק"ג	46.8%
הוספה מהירה	-0.42 ק"ג	28.4%

שוב, הגישה המעורבת מובילה, עם משתמשים שמאבדים בממוצע 0.91 ק"ג לחודש. יתרון הדיוק של סריקת הברקוד מתורגם לתוצאות טובות מעט יותר מאשר רישום צילום בלבד, אך ההבדל קטן (0.84 מול 0.79 ק"ג לחודש). ההזנה הידנית, למרות שהיא דורשת את המאמץ הרב ביותר, מניבה את התוצאות הגרועות ביותר בין שיטות הרישום המפורטות, מה שמחזק את הנקודה שעקביות (המנוגדת לנוחות) חשובה יותר מהדיוק התיאורטי.

פרדוקס הדיוק-עקביות

מדוע שיטות פחות מדויקות יכולות להניב תוצאות טובות יותר

נתונים אלה מציגים פרדוקס: רישום באמצעות צילום AI פחות מדויק מסריקת ברקוד, ובכל זאת רושמי הצילום נהנים משימור גבוה יותר ותוצאות ירידת משקל דומות. איך זה קורה?

התשובה טמונה במה שאנחנו מכנים "פרדוקס הדיוק-עקביות". השיטה ששומרת עליכם רושמים היא בעלת ערך רב יותר מהשיטה שמניבה את הרישומים המדויקים ביותר.

שקלו שני משתמשים היפותטיים:

• משתמש A רושם באמצעות סריקת ברקוד עם 96% דיוק אך רושם רק מזונות ארוזים (מדלג על ארוחות במסעדות ומזון ביתי) ועוקב 4 ימים בשבוע.
• משתמש B רושם באמצעות צילום AI עם 85% דיוק אך רושם כל ארוחה כולל מזון ביתי ומסעדות, ועוקב 6 ימים בשבוע.

משתמש B תופס תמונה מלאה יותר של צריכת המזון היומיומית שלו למרות הדיוק הנמוך יותר לכל רישום. הנתונים שלנו מאשרים זאת: רושמי הצילום תופסים בממוצע 3.4 ארוחות ביום לעומת 2.6 ארוחות ביום עבור רושמי הברקוד בלבד. הנתונים הנוספים מפצים על הדיוק הנמוך יותר לכל רישום.

גורם השלמות

שיטה ראשית	ממוצע ארוחות רשומות/יום	% מהצריכה הכוללת המוערכת שנתפסה
צילום AI	3.4	87.2%
מעורב	3.2	91.4%
סריקת ברקוד	2.6	72.8%
הזנה ידנית	2.8	76.4%

משתמשי השיטה המעורבת תופסים את האחוז הגבוה ביותר של צריכתם הכוללת (91.4%), מכיוון שהם יכולים לצלם במהירות ארוחות ביתיות ומסעדות תוך שימוש בסריקת ברקוד עבור מזונות ארוזים. משתמשי הברקוד בלבד תופסים את הכי פחות (72.8%), מכיוון שהרבה ארוחות פשוט אין להן ברקוד לסרוק.

טיפים ספציפיים לשיטה למקסום הדיוק

אופטימיזציה של דיוק צילום AI

בהתבסס על הניתוח שלנו של רישומים מדויקים מול רישומים לא מדויקים, הפרקטיקות הבאות משפרות את התוצאות של AI:

1. צלמו מלמעלה ולא בזווית. צילומים מלמעלה משפרים את דיוק הערכת המנות ב-18%.
2. הפרידו מזונות על הצלחת כאשר זה אפשרי. מזונות חופפים מפחיתים את דיוק הזיהוי ב-12%.
3. כללו את קצה הצלחת המלא במסגרת. גבול הצלחת עוזר ל-AI לקבוע את גודל המנות, מה שמשפר את הדיוק ב-15%.
4. סקירה והתאמה של הצעות ה-AI. משתמשים שמבצעים סקירה והתאמה לתוצאות ה-AI משיגים דיוק אפקטיבי של 7.8%, לעומת 11.4% עבור אלו שמקבלים את ברירות המחדל.
5. רשמו רטבים ותיבול בנפרד. השיפור הגדול ביותר בדיוק מגיע מהוספת קלוריות מוסתרות שה-AI לא יכול לראות.

אופטימיזציה של דיוק ברקוד

1. אמת את גודל המנה. נתוני הברקוד מדויקים לפי מנה, אך 23% מהמשתמשים רושמים את מספר המנות השגוי.
2. בדוק את ההתאמה של המוצר. לעיתים, ברקודים מתאימים למוצרים שגויים (קורה בכ-2.1% מהסריקות). בדיקה מהירה מונעת זאת.
3. רשמו תוספות בישול בנפרד. מוצר פסטה שסורק בברקוד אינו כולל את השמן, החמאה או הרוטב שהוספתם במהלך הבישול.

אופטימיזציה של דיוק הזנה ידנית

1. השתמשו במשקל מזון עבור מזונות עשירים בקלוריות. שקילת אגוזים, גבינות, שמנים ודגנים מבטלת את מקור השגיאה הגדול ביותר בהזנה ידנית.
2. חפשו הכנות ספציפיות. "חזה עוף, מטוגן" מדויק יותר מאשר "חזה עוף" כללי.
3. אל תשכחו תיבול. קטשופ, מיונז, רוטב סויה ורטבים מוסיפים 50-200 קלוריות שמשתמשים לעיתים קרובות משאירים מחוץ לרישום.
4. עגלו כלפי מעלה, לא כלפי מטה. מכיוון שההטיה הסיסטמתית בהזנה ידנית היא תת-אומדן, עיגול המנות כלפי מעלה מביא לסכומים מדויקים יותר.

העתיד של רישום המזון

לאן רישום צילום AI הולך

דיוק ה-AI של Nutrola השתפר בכ-30% משנה לשנה, ומגמה זו לא מראה סימני האטה. פיתוחים מרכזיים בתהליך שלנו כוללים:

• צילום מכמה זוויות: משתמשים יכולים לצלם 2-3 תמונות מזוויות שונות עבור מנות מורכבות, מה שמשפר את הדיוק ב-20-25%.
• למידה קונטקסטואלית: ה-AI מתאמן על גודל המנות האופייני שלכם עם הזמן, מה שמפחית הערכות יתר או חסר סיסטמטיות.
• הנחיות לרכיבים מוסתרים: ה-AI יבקש באופן פרואקטיבי על רטבים, שמנים ותיבול כאשר הוא מזהה מזונות שכוללים אותם בדרך כלל.

כשהדיוק של ה-AI מתקרב לרמת הדיוק של סריקת הברקוד (מכוון מתחת ל-7% שגיאה ממוצעת עד סוף 2026), יתרון הנוחות של רישום באמצעות צילום יהפוך אותו לשיטה הדומיננטית עבור רוב המשתמשים.

שאלות נפוצות

איזו שיטת רישום עליי להשתמש?

לרוב המשתמשים, אנחנו ממליצים על גישה מעורבת: השתמשו ברישום צילום AI (Snap & Track) עבור ארוחות ביתיות ומסעדות, ובסריקת ברקוד עבור מזונות ארוזים. השילוב הזה מספק את האיזון הטוב ביותר של דיוק, מהירות ושלמות, ומניב את שיעורי השימור ותוצאות ירידת המשקל הגבוהים ביותר בנתונים שלנו.

האם רישום צילום AI מדויק מספיק עבור מעקב רציני?

כן. עם שגיאה ממוצעת של 11.4% (והשתפרות), רישום צילום AI תופס את התמונה הכוללת של הצריכה שלכם עם דיוק מספיק כדי להניע תוצאות משמעותיות. 62.8% מהרישומים נמצאים בטווח דיוק של 10%, מה שאומר שרוב הרישומים שלכם קרובים לערך האמיתי, והשגיאות נוטות להתאזן על פני ימים ושבועות.

מדוע ההזנה הידנית פחות מדויקת מ-AI?

הסיבה העיקרית היא תת-אומדן גודל המנה. כאשר מזינים מזון ידנית, משתמשים באופן סיסטמטי מעריכים פחות את מה שהם אכלו, במיוחד עבור מזונות עשירים בקלוריות כמו שמנים, אגוזים, גבינות ודגנים. רישום צילום AI נמנע מכך מכיוון שהוא מעריך את המנות באופן ויזואלי על סמך המזון בפועל בתמונה.

האם Nutrola תומכת בכל שלוש שיטות הרישום?

כן. Nutrola תומכת ברישום צילום AI (Snap & Track), סריקת ברקוד עם מאגר של מעל 2.5 מיליון מוצרים, הזנה ידנית בחיפוש טקסטואלי, והוספה מהירה לרישום קלוריות בלבד. אתם יכולים לעבור בין השיטות בחופשיות מארוחה לארוחה.

כיצד אני יכול לשפר את הדיוק של רישומי המזון שלי?

הפעולה עם ההשפעה הגדולה ביותר היא לרשום שומנים, רטבים ותיבול שקל לשכוח. קלוריות מוסתרות אלה מהוות 15-25% מהצריכה הכוללת עבור רבים מהמשתמשים והן הפריטים הנפוצים ביותר שנשארים מחוץ לרישום בכל שיטות הרישום. שימוש במשקל מטבח עבור פריטים עשירים בקלוריות היא הפרקטיקה השנייה בעלת ההשפעה הגדולה ביותר.

האם רישום צילום AI יחליף בסופו של דבר את ההזנה הידנית?

בהתבסס על מגמות נוכחיות, רישום צילום AI ככל הנראה יהפוך לשיטה הראשית עבור רוב המשתמשים בתוך 1-2 שנים. ההזנה הידנית תישאר זמינה עבור משתמשים המעדיפים שליטה מפורטת ועבור מקרים קצה שבהם רישום צילום אינו מעשי (כגון רישום מזון לפני הכנה). סריקת ברקוד תישאר חשובה עבור מזונות ארוזים שבהם היא מציעה דיוק כמעט מושלם.

כיצד ה-AI של Nutrola לומד מהתמונות שלי?

מודלי ה-AI של Nutrola מאומנים באופן רציף על בסיס נתוני ארוחות מצטברים ואנונימיים מכל רחבי הפלטפורמה. התמונות האישיות שלכם מעובדות להערכה תזונתית אך אינן נשמרות או משמשות באופן המאפשר זיהוי אישי. המודל משתפר על ידי למידה ממיליוני תמונות מזון מגוונות ממטבחים, סגנונות הגשה ותנאי תאורה שונים.