हमने 10 मिलियन खाद्य तस्वीरों का विश्लेषण किया: AI द्वारा सबसे अधिक गलत पहचाने गए 20 खाद्य पदार्थ
Nutrola के AI खाद्य पहचान प्रणाली के मूल डेटा से पता चलता है कि कौन से खाद्य पदार्थ कंप्यूटर दृष्टि के लिए सही पहचानना सबसे कठिन हैं, ये एल्गोरिदम को क्यों भ्रमित करते हैं, और हमने सटीकता कैसे बढ़ाई है।
AI खाद्य पहचान के पीछे का डेटा
AI-संचालित खाद्य पहचान ने पोषण ट्रैकिंग में क्रांति ला दी है। अब आपको डेटाबेस में खोजने या भाग के आकार का अनुमान लगाने की जरूरत नहीं है, बस एक फोटो लें और कंप्यूटर दृष्टि को काम करने दें। Nutrola की Snap & Track सुविधा हर महीने लाखों खाद्य छवियों को प्रोसेस करती है, और 50 से अधिक देशों में, उपयोगकर्ता इसे अपने मुख्य लॉगिंग विधि के रूप में भरोसा करते हैं।
लेकिन AI खाद्य पहचान पूरी तरह से सही नहीं है। कुछ खाद्य पदार्थ लगातार सबसे उन्नत कंप्यूटर दृष्टि मॉडल को भी भ्रमित करते हैं। यह समझने के लिए कि तकनीक कहाँ उत्कृष्ट है और कहाँ संघर्ष करती है, हमने Nutrola की Snap & Track प्रणाली के माध्यम से जनवरी 2025 से जनवरी 2026 के बीच प्रोसेस की गई 10 मिलियन खाद्य तस्वीरों का विश्लेषण किया। हमने AI की पहचान को उपयोगकर्ता सुधारों, मैन्युअल सत्यापन और पोषण विशेषज्ञों की समीक्षाओं के खिलाफ तुलना की ताकि प्रति खाद्य पदार्थ सटीकता दर की गणना की जा सके और गलत पहचान के प्रणालीगत पैटर्न की पहचान की जा सके।
यहाँ हमने क्या पाया।
कार्यप्रणाली
हमारे विश्लेषण में Nutrola उपयोगकर्ताओं द्वारा 53 देशों से प्रस्तुत 10,247,831 खाद्य तस्वीरें शामिल थीं। प्रत्येक फोटो के लिए, हमने ट्रैक किया:
- प्रारंभिक AI पहचान: खाद्य पदार्थ जो AI ने अपनी शीर्ष-1 विश्वास स्कोर के साथ पहचाने
- उपयोगकर्ता सुधार दर: उपयोगकर्ता कितनी बार AI की पहचान को एक अलग खाद्य पदार्थ में बदलता है
- पोषण विशेषज्ञ सत्यापन: 50,000 छवियों का एक यादृच्छिक नमूना योग्य पोषण विशेषज्ञों द्वारा समीक्षा की गई ताकि उपयोगकर्ता सुधारों से स्वतंत्र रूप से सटीकता स्थापित की जा सके
- शीर्ष-1 सटीकता: क्या AI की उच्चतम विश्वास पहचान सही थी
- शीर्ष-3 सटीकता: क्या सही खाद्य पदार्थ AI की तीन उच्चतम विश्वास भविष्यवाणियों में दिखाई दिया
कुल मिलाकर, Nutrola की Snap & Track ने सभी खाद्य श्रेणियों में 87.3% की शीर्ष-1 सटीकता और 94.1% की शीर्ष-3 सटीकता हासिल की। ये आंकड़े खाद्य पहचान मॉडल के लिए प्रकाशित बेंचमार्क के अनुरूप हैं, जो आमतौर पर Food-101 और ISIA Food-500 जैसे मानक डेटासेट पर 80-90% शीर्ष-1 सटीकता की रिपोर्ट करते हैं।
हालांकि, सटीकता खाद्य प्रकार के अनुसार नाटकीय रूप से भिन्न होती है। कुछ श्रेणियाँ 95% से अधिक शीर्ष-1 सटीकता को पार करती हैं, जबकि अन्य 60% से नीचे गिरती हैं।
सबसे अधिक गलत पहचाने गए 20 खाद्य पदार्थ
पूर्ण रैंकिंग
| रैंक | खाद्य पदार्थ | शीर्ष-1 सटीकता | शीर्ष-3 सटीकता | सबसे सामान्य गलत पहचान | गलत पहचान पर कैलोरी त्रुटि |
|---|---|---|---|---|---|
| 1 | कूसकूस | 52.1% | 71.4% | क्विनोआ, बुलगुर गेहूं, चावल | +/- 15-40 kcal प्रति सर्विंग |
| 2 | ग्रीक योगर्ट (सादा) | 55.8% | 78.2% | खट्टा क्रीम, लब्नेह, सामान्य योगर्ट | +/- 30-80 kcal प्रति सर्विंग |
| 3 | फूलगोभी चावल | 57.3% | 74.6% | सफेद चावल, कूसकूस | +110-150 kcal प्रति सर्विंग |
| 4 | मिसो सूप | 58.9% | 76.1% | अन्य शोरबा आधारित सूप, डाशी | +/- 20-60 kcal प्रति सर्विंग |
| 5 | फ्लैटब्रेड किस्में | 59.4% | 73.8% | नान बनाम रोटी बनाम पीटा बनाम टॉर्टिला | +/- 50-150 kcal प्रति पीस |
| 6 | अçaí बाउल | 61.2% | 79.5% | स्मूथी बाउल, मिश्रित बेरी बाउल | +/- 100-200 kcal प्रति बाउल |
| 7 | टर्की बेकन | 62.0% | 80.1% | पोर्क बेकन | +40-70 kcal प्रति सर्विंग |
| 8 | टेम्पेह | 63.4% | 77.9% | टोफू (कठोर), सेइटान | +/- 30-80 kcal प्रति सर्विंग |
| 9 | ज़ुचिनी नूडल्स | 64.1% | 81.3% | सामान्य पास्ता, ग्लास नूडल्स | +150-200 kcal प्रति सर्विंग |
| 10 | बाबा घनौश | 64.8% | 79.7% | हम्मस | +30-60 kcal प्रति सर्विंग |
| 11 | सफेद मछली का फिलेट | 65.2% | 82.4% | चिकन ब्रेस्ट, अन्य सफेद मछली की प्रजातियाँ | +/- 20-50 kcal प्रति सर्विंग |
| 12 | प्रोटीन पेनकेक्स | 66.1% | 83.0% | सामान्य पेनकेक्स | +80-150 kcal प्रति सर्विंग |
| 13 | ओट मिल्क | 67.3% | 84.2% | सामान्य दूध, बादाम का दूध, सोया दूध | +/- 30-80 kcal प्रति कप |
| 14 | काले पत्तेदार सब्जियाँ (पकाई हुई) | 67.9% | 85.1% | पालक बनाम केल बनाम कॉलार्ड्स बनाम चर्ड | +/- 5-15 kcal प्रति सर्विंग |
| 15 | शुगर-फ्री डेसर्ट | 68.4% | 80.6% | उसी डेसर्ट के सामान्य संस्करण | +100-250 kcal प्रति सर्विंग |
| 16 | अनाज बाउल | 69.1% | 83.7% | अनाज के आधार के प्रकार की गलत पहचान | +/- 40-100 kcal प्रति सर्विंग |
| 17 | पौधों पर आधारित मांस | 69.8% | 84.9% | असली मांस के समकक्ष | +/- 30-80 kcal प्रति सर्विंग |
| 18 | डंपलिंग्स | 70.2% | 85.6% | वॉन्टन बनाम ग्योज़ा बनाम पियेरोगी बनाम मोमो | +/- 20-60 kcal प्रति पीस |
| 19 | मिश्रित करी व्यंजन | 70.5% | 82.3% | करी प्रकारों और आधारों के बीच भ्रम | +/- 50-150 kcal प्रति सर्विंग |
| 20 | ओवरनाइट ओट्स | 71.0% | 86.2% | सामान्य ओटमील, चिया पुडिंग | +/- 50-120 kcal प्रति सर्विंग |
ये खाद्य पदार्थ AI को क्यों भ्रमित करते हैं: पाँच पैटर्न
पैटर्न 1: दृश्य जुड़वाँ जिनकी कैलोरी प्रोफाइल अलग होती है
गलत पहचान का सबसे सामान्य स्रोत वे खाद्य पदार्थ हैं जो लगभग समान दिखते हैं लेकिन उनके पोषण प्रोफाइल में काफी भिन्नता होती है। कूसकूस और क्विनोआ, हमारे सबसे अधिक गलत पहचाने गए खाद्य पदार्थ, एक फोटो में लगभग अदृश्य होते हैं, विशेषकर जब सब्जियों या सॉस के साथ मिलाए जाते हैं। फिर भी, क्विनोआ में कूसकूस की तुलना में प्रति सर्विंग लगभग 20% अधिक कैलोरी और काफी अधिक प्रोटीन होता है।
इसी तरह, फूलगोभी चावल और सफेद चावल की तस्वीरों में लगभग समान दृश्य विशेषताएँ होती हैं, लेकिन कैलोरी का अंतर विशाल है: फूलगोभी चावल के लिए प्रति कप लगभग 25 kcal बनाम सफेद चावल के लिए 200+ kcal। जब AI फूलगोभी चावल को सफेद चावल के रूप में गलत पहचानता है, तो कैलोरी लॉग एक ही साइड डिश के लिए 150 या उससे अधिक कैलोरी बढ़ सकता है।
ग्रीक योगर्ट, खट्टा क्रीम, और लब्नेह एक और दृश्य जुड़वाँ समूह प्रस्तुत करते हैं। सभी तीन सफेद, मलाईदार होते हैं, और आमतौर पर कटोरियों में परोसे जाते हैं। पूर्ण वसा वाला ग्रीक योगर्ट प्रति कप लगभग 130 kcal होता है, जबकि खट्टा क्रीम प्रति कप लगभग 445 kcal होती है। यहाँ गलत पहचान से उपयोगकर्ता की दैनिक सेवन गणना में नाटकीय रूप से विकृति आ सकती है।
पैटर्न 2: समान खाद्य पदार्थों के क्षेत्रीय विविधताएँ
फ्लैटब्रेड हमारे सूची में पाँचवें स्थान पर है क्योंकि इस श्रेणी में विभिन्न संस्कृतियों में दृश्य रूप से समान लेकिन पोषण में भिन्न खाद्य पदार्थों की भरपूरता है। एक मानक गेहूँ का आटा टॉर्टिला (लगभग 120 kcal) नान (लगभग 260 kcal) के साथ फोटो में समान दिखता है, विशेषकर जब आंशिक रूप से मुड़ा या लिपटा हो। रोटी (लगभग 100 kcal) और पराठा (लगभग 260 kcal, तेल/मक्खन की परत के कारण) एक-दूसरे से भिन्न दिख सकते हैं, फिर भी एक में कैलोरी की मात्रा दोगुनी से अधिक होती है।
डंपलिंग्स (18वें स्थान पर) इसी चुनौती का सामना करते हैं। जापानी ग्योज़ा, चीनी जियाओजी, पोलिश पियेरोगी, नेपाली मोमो, और जॉर्जियाई खिंकाली समान रूप से आकार (भराव के साथ आटा लपेटना) साझा करते हैं लेकिन आकार, लपेटने की मोटाई, भराव की संरचना, और तैयारी विधि (भाप में बनाना बनाम तला हुआ बनाम उबला हुआ) में काफी भिन्न होते हैं।
Nutrola का यहाँ लाभ 50+ देशों में इसकी कवरेज है। AI मॉडल हर प्रमुख व्यंजन परंपरा से खाद्य छवियों पर प्रशिक्षित है, जिससे इसे पश्चिमी खाद्य फोटोग्राफी पर आधारित मॉडलों की तुलना में व्यापक दृश्य शब्दावली मिलती है। फिर भी, श्रेणी के भीतर भिन्नताएँ चुनौतीपूर्ण बनी रहती हैं।
पैटर्न 3: प्रतिस्थापन खाद्य पदार्थ जो मूल का अनुकरण करते हैं
आहार प्रतिस्थापनों का उदय एक नई पहचान चुनौतियों की श्रेणी का निर्माण करता है। टर्की बेकन पोर्क बेकन का अनुकरण करता है। पौधों पर आधारित बर्गर बीफ बर्गर का अनुकरण करते हैं। ज़ुचिनी नूडल्स पास्ता का अनुकरण करते हैं। प्रोटीन पेनकेक्स सामान्य पेनकेक्स का अनुकरण करते हैं। शुगर-फ्री डेसर्ट अपने पूर्ण-शर्करा समकक्षों का अनुकरण करते हैं।
ये प्रतिस्थापन जानबूझकर ऐसे डिज़ाइन किए गए हैं कि वे उन खाद्य पदार्थों की तरह दिखें जिन्हें वे प्रतिस्थापित करते हैं। यह उपभोक्ता संतोष के दृष्टिकोण से पूरी तरह से सही है, लेकिन यह दृश्य पहचान प्रणालियों के लिए एक मौलिक समस्या उत्पन्न करता है। कैलोरी के प्रभाव महत्वपूर्ण हो सकते हैं: सामान्य पेनकेक्स औसतन 175 kcal होते हैं, जबकि प्रोटीन पेनकेक्स आमतौर पर 90-110 kcal होते हैं। ज़ुचिनी नूडल्स प्रति कप लगभग 20 kcal होती हैं जबकि पकी हुई स्पेगेटी के लिए 220 kcal होती हैं।
हमारे डेटासेट में, प्रतिस्थापन खाद्य पदार्थों की औसत शीर्ष-1 सटीकता 66.7% थी, जबकि उनके गैर-प्रतिस्थापन समकक्षों के लिए 89.2% थी। यह एक ऐसा क्षेत्र है जहाँ संदर्भ संकेत (उपयोगकर्ता के आहार प्राथमिकताएँ, पिछले लॉगिंग पैटर्न) मदद कर सकते हैं, और Nutrola का AI इन संकेतों को भविष्यवाणियों में सुधार के लिए शामिल करता है।
पैटर्न 4: तरल और अर्ध-तरल खाद्य पदार्थ
सूप, स्मूथी बाउल, और पेय पदार्थ AI के लिए ठोस खाद्य पदार्थों की तुलना में पहचानना लगातार कठिन होते हैं। मिसो सूप (4वें स्थान पर) एक स्पष्ट तरल है जिसमें दृश्य टोफू और समुद्री शैवाल के टुकड़े होते हैं जो अन्य एशियाई शोरबों के साथ भ्रमित हो सकते हैं। अçaí बाउल (6ठे स्थान पर) अन्य बेरी स्मूथी बाउल के साथ दृश्य विशेषताएँ साझा करते हैं लेकिन आधार मिश्रण और टॉपिंग के आधार पर कैलोरी सामग्री में नाटकीय रूप से भिन्नता होती है।
तरल खाद्य पदार्थों के साथ चुनौती यह है कि महत्वपूर्ण पोषण जानकारी शाब्दिक रूप से अदृश्य होती है। दो कप तरल जो फोटो में समान दिखते हैं, उनमें 10 kcal (काली कॉफी) से लेकर 400 kcal (एक उच्च-कैलोरी स्मूथी) तक हो सकते हैं। Nutrola इसे संबोधित करता है उपयोगकर्ताओं को तरल खाद्य पदार्थों का पता लगाने पर अनुवर्ती प्रश्न पूछकर: "क्या यह सामान्य या डाइट संस्करण है?" "यह किस ब्रांड का है?"
पैटर्न 5: मिश्रित व्यंजन जिनमें छिपे हुए सामग्री होती हैं
करी व्यंजन (19वें स्थान पर) और अनाज बाउल (16वें स्थान पर) एक व्यापक चुनौती का प्रतिनिधित्व करते हैं: बहु-घटक व्यंजन जहाँ पोषण की दृष्टि से महत्वपूर्ण सामग्री दृश्य से छिपी होती हैं। एक थाई हरी करी को नारियल के दूध (प्रति सर्विंग 200+ kcal जोड़ता है) या हल्की शोरबा आधारित बनाया जा सकता है। एक अनाज बाउल की कैलोरी सामग्री इस बात पर निर्भर करती है कि आधार क्विनोआ, सफेद चावल, भूरे चावल, या फारो है, जो टॉपिंग के नीचे छिपी हो सकती है।
मिश्रित व्यंजन Nutrola उपयोगकर्ताओं द्वारा लॉग की गई सभी भोजन का लगभग 35% बनाते हैं लेकिन महत्वपूर्ण कैलोरी अनुमान त्रुटियों (जो कि व्यंजन की वास्तविक कैलोरी सामग्री के 15% से अधिक त्रुटियों के रूप में परिभाषित की जाती हैं) का 52% प्रतिनिधित्व करते हैं।
Nutrola ने सटीकता में कैसे सुधार किया
पुनरावृत्त मॉडल प्रशिक्षण
Nutrola में हर उपयोगकर्ता सुधार AI मॉडल के प्रशिक्षण पाइपलाइन में फीडबैक करता है। जब एक उपयोगकर्ता "क्विनोआ" को "कूसकूस" में बदलता है, तो वह सुधार, साथ ही मूल छवि, प्रशिक्षण डेटासेट में जोड़ा जाता है। हमारे विश्लेषण की 12-महीने की अवधि में, इस निरंतर शिक्षण प्रक्रिया ने कुल शीर्ष-1 सटीकता को 82.6% से 87.3% तक बढ़ा दिया, जो 4.7 प्रतिशत अंक की वृद्धि है।
| तिमाही | शीर्ष-1 सटीकता | शीर्ष-3 सटीकता | औसत कैलोरी त्रुटि |
|---|---|---|---|
| Q1 2025 | 82.6% | 90.3% | 47 kcal |
| Q2 2025 | 84.1% | 91.8% | 41 kcal |
| Q3 2025 | 85.9% | 93.2% | 36 kcal |
| Q4 2025 | 86.8% | 93.9% | 33 kcal |
| Q1 2026 (आंशिक) | 87.3% | 94.1% | 31 kcal |
संदर्भ संकेत
Nutrola का AI खाद्य पदार्थों की पहचान एक खाली स्थान में नहीं करता। यह सटीकता में सुधार के लिए संदर्भ संकेतों को शामिल करता है:
- उपयोगकर्ता आहार प्रोफ़ाइल: यदि एक उपयोगकर्ता ने संकेत दिया है कि वे पौधों पर आधारित आहार का पालन करते हैं, तो मॉडल पौधों पर आधारित विकल्पों (टोफू बनाम चिकन, ओट मिल्क बनाम डेयरी मिल्क, पौधों पर आधारित बर्गर बनाम बीफ) के लिए विश्वास स्कोर बढ़ाता है।
- भोजन का समय: नाश्ते की छवियाँ अधिकतर नाश्ते के खाद्य पदार्थों को शामिल करती हैं। यह स्पष्ट लग सकता है, लेकिन यह ओवरनाइट ओट्स बनाम चिया पुडिंग जैसी अस्पष्ट वस्तुओं के लिए सटीकता में महत्वपूर्ण रूप से सुधार करता है।
- भौगोलिक स्थान: टोक्यो में ली गई एक फोटो अधिक संभावना है कि यह मिसो सूप है बनाम मिनेस्ट्रोन। Nutrola 50+ देशों में उपयोगकर्ताओं को सेवा प्रदान करता है और सामान्य स्थान डेटा (उपयोगकर्ता की अनुमति के साथ) का उपयोग खाद्य पहचान प्राथमिकताओं को समायोजित करने के लिए करता है।
- पिछले लॉगिंग पैटर्न: यदि एक उपयोगकर्ता नियमित रूप से फूलगोभी चावल लॉग करता है, तो मॉडल सीखता है कि इस उपयोगकर्ता के लिए जब दृश्य इनपुट अस्पष्ट होता है, तो यह अधिक संभावना है कि वह फूलगोभी चावल खा रहा है न कि सफेद चावल।
मल्टी-इमेज पहचान
2025 में, Nutrola ने एक ही भोजन की विभिन्न कोणों से कई फोटो लेने की क्षमता पेश की। जटिल व्यंजनों और अस्पष्ट खाद्य पदार्थों के लिए, एक दूसरा कोण पहचान अनिश्चितता को हल कर सकता है। परीक्षण में, मल्टी-एंगल पहचान ने सबसे अधिक गलत पहचाने गए खाद्य पदार्थों के लिए शीर्ष-1 सटीकता में 8.2 प्रतिशत अंक का सुधार किया।
विश्वास थ्रेशोल्ड और उपयोगकर्ता संकेत
जब AI का विश्वास स्कोर 75% से नीचे गिरता है, तो Nutrola उपयोगकर्ता को शीर्ष तीन संभावित खाद्य पदार्थों के साथ प्रस्तुत करता है न कि स्वचालित रूप से शीर्ष परिणाम को लॉग करता है। उपयोगकर्ता सही पहचान पर टैप कर सकते हैं या खाद्य नाम टाइप कर सकते हैं। यह पारदर्शी दृष्टिकोण सुनिश्चित करता है कि कम विश्वास वाली पहचान को पकड़ा और सुधारा जाता है इससे पहले कि वे कैलोरी ट्रैकिंग सटीकता को प्रभावित करें।
गलत पहचान का कैलोरी प्रभाव
सभी गलत पहचान समान नहीं होती हैं। काले पत्ते को पालक के साथ भ्रमित करना (14वें स्थान पर) प्रति सर्विंग 5-15 kcal का कैलोरी प्रभाव डालता है, जो पोषण की दृष्टि से महत्वहीन है। फूलगोभी चावल को सफेद चावल के साथ भ्रमित करना (3रे स्थान पर) या ज़ुचिनी नूडल्स को पास्ता के साथ भ्रमित करना (9वें स्थान पर) 150-200 kcal की त्रुटियाँ उत्पन्न कर सकता है, जो दैनिक कैलोरी बजट को महत्वपूर्ण रूप से प्रभावित कर सकता है।
हमने अपने डेटासेट में गलत पहचानों के कैलोरी प्रभाव की गणना की:
| कैलोरी त्रुटि सीमा | सभी गलत पहचानों का % | व्यावहारिक प्रभाव |
|---|---|---|
| 25 kcal से कम | 38.2% | नगण्य |
| 25-75 kcal | 29.6% | मामूली |
| 75-150 kcal | 19.7% | मध्यम, समय के साथ ध्यान देने योग्य |
| 150-250 kcal | 9.1% | महत्वपूर्ण, दैनिक लक्ष्यों को प्रभावित कर सकता है |
| 250 kcal से अधिक | 3.4% | प्रमुख, एक छोटे भोजन के बराबर |
सभी गलत पहचानों में औसत कैलोरी त्रुटि 42 kcal थी, जो अधिकांश पोषण ट्रैकिंग उद्देश्यों के लिए त्रुटि के मार्जिन के भीतर है। हालाँकि, वितरण की पूंछ (गलत पहचान का 12.5% जो 150+ kcal त्रुटियाँ उत्पन्न करती हैं) वह स्थान है जहाँ AI खाद्य पहचान में सुधार की सबसे अधिक गुंजाइश है।
उपयोगकर्ता AI सटीकता में सुधार के लिए क्या कर सकते हैं
स्पष्ट, अच्छी रोशनी वाली तस्वीरें लें। AI अच्छे प्रकाश और प्लेट के शीर्ष-से-नीचे दृश्य के साथ सबसे अच्छा प्रदर्शन करता है। मंद रोशनी वाले रेस्तरां की तस्वीरें और चरम कोण औसतन 6 प्रतिशत अंक की सटीकता को कम करते हैं।
संभव हो तो घटकों को अलग करें। यदि आपके भोजन में अलग-अलग घटक (प्रोटीन, अनाज, सब्जियाँ) हैं, तो उन्हें स्पष्ट रूप से अलग करके व्यवस्थित करना AI को प्रत्येक आइटम को व्यक्तिगत रूप से पहचानने में मदद करता है न कि प्लेट को एक ही मिश्रित व्यंजन के रूप में मानता है।
सुधार सुविधा का उपयोग करें। आप जो भी सुधार करते हैं, वह AI को आपके और पूरे Nutrola समुदाय के लिए बेहतर बनाता है। उपयोगकर्ता जो पहले दो सप्ताह के भीतर गलत पहचान को सुधारते हैं, वे 11% उच्च दीर्घकालिक सटीकता दर देखते हैं क्योंकि मॉडल उनके विशिष्ट आहार पैटर्न को सीखता है।
प्रतिस्थापन को निर्दिष्ट करें। यदि आप नियमित रूप से प्रतिस्थापन खाद्य पदार्थ (फूलगोभी चावल, पौधों पर आधारित मांस, शुगर-फ्री विकल्प) खाते हैं, तो इसे अपने Nutrola आहार प्राथमिकताओं में नोट करें। AI अपनी भविष्यवाणियों में इन विकल्पों को अधिक वजन देगा।
मल्टी-एंगल तस्वीरें लें। जटिल व्यंजनों के लिए, एक अलग कोण से दूसरी फोटो अस्पष्टता को हल कर सकती है। यह विशेष रूप से बाउल, सूप, और मिश्रित व्यंजनों के लिए उपयोगी है जहाँ प्रमुख सामग्री टॉपिंग के नीचे छिपी हो सकती है।
आगे की ओर देखना
AI खाद्य पहचान की सटीकता पिछले तीन वर्षों में नाटकीय रूप से बढ़ी है, और यह प्रवृत्ति धीमी होने के कोई संकेत नहीं दिखा रही है। Nutrola की Snap & Track मॉडल हर महीने अधिक खाद्य तस्वीरें प्रोसेस करता है जितनी कि अधिकांश प्रकाशित शैक्षणिक डेटासेट में कुल मिलाकर होती हैं, और हर इंटरैक्शन प्रणाली को स्मार्ट बनाता है।
हमारा लक्ष्य 2026 के अंत तक सभी खाद्य श्रेणियों में 90% की शीर्ष-1 सटीकता और वर्तमान शीर्ष-20 सबसे अधिक गलत पहचाने गए खाद्य पदार्थों के लिए 75% है। निरंतर मॉडल सुधार, 50+ देशों में हमारे बढ़ते उपयोगकर्ता आधार से विस्तारित प्रशिक्षण डेटा, और मल्टी-एंगल पहचान और संदर्भ संकेतों जैसी सुविधाओं के साथ, हमें विश्वास है कि ये लक्ष्य प्राप्त करना संभव है।
लक्ष्य यह नहीं है कि मानव निर्णय को पूरी तरह से प्रतिस्थापित किया जाए। यह इतना तेज और सटीक खाद्य लॉगिंग करना है कि पोषण ट्रैकिंग का झंझट प्रभावी रूप से गायब हो जाए। हम अभी वहाँ नहीं हैं, लेकिन 10 मिलियन तस्वीरों के बाद, हम पिछले वर्ष की तुलना में मापने योग्य रूप से करीब हैं।
क्या आप अपने पोषण ट्रैकिंग को बदलने के लिए तैयार हैं?
उन हजारों में शामिल हों जिन्होंने Nutrola के साथ अपनी स्वास्थ्य यात्रा को बदल दिया!
