क्या AI फोटो स्कैनिंग जातीय और सांस्कृतिक खाद्य पदार्थों को पहचान सकती है? हमने 50 व्यंजनों का परीक्षण किया
हमने 8 विभिन्न व्यंजनों में 50 खाद्य पदार्थों की तस्वीरें खींची और उन्हें AI खाद्य पहचान प्रणाली से गुजारा। इटालियन और जापानी व्यंजनों ने 90 प्रतिशत से ऊपर स्कोर किया। इथियोपियाई और जटिल भारतीय व्यंजन 60 प्रतिशत से नीचे गिर गए। यहाँ पूर्ण परिणाम हैं।
AI खाद्य फोटो स्कैनिंग ने 8 वैश्विक व्यंजनों में परीक्षण किए गए 50 व्यंजनों में से 78 प्रतिशत को सही पहचाना, लेकिन सटीकता में काफी भिन्नता थी: इटालियन व्यंजनों ने 95 प्रतिशत पहचान दर हासिल की, जबकि इथियोपियाई व्यंजन 50 प्रतिशत पहचान दर पर गिर गए, जिसमें कैलोरी त्रुटियाँ 35 प्रतिशत से अधिक थीं।
यह मुख्य संख्या असली कहानी को छिपाती है। यदि आप ज्यादातर पश्चिमी यूरोपीय या पूर्वी एशियाई भोजन करते हैं, तो AI फोटो लॉगिंग बहुत अच्छी तरह से काम करती है। लेकिन यदि आपका आहार इनजेरा प्लेटर्स, जटिल बिरयानी, या मोल आधारित व्यंजनों को शामिल करता है, तो इस तकनीक में गंभीर दृष्टिहीनता है, जो आपके भोजन के कैलोरी ट्रैकिंग को सैकड़ों कैलोरी से प्रभावित कर सकती है।
हमने यह परीक्षण ठोस आंकड़े उत्पन्न करने के लिए किया, न कि अस्पष्ट दावों के लिए। नीचे हर व्यंजन, हर व्यंजन श्रेणी, और हर विफलता मोड के परिणाम दिए गए हैं जो हमने दस्तावेज किए हैं।
हमने परीक्षण को कैसे संरचित किया
हमने प्रत्येक व्यंजन की तीन स्थितियों में तस्वीरें खींची: सफेद प्लेट पर प्राकृतिक दिन का प्रकाश, गहरे प्लेट पर रेस्तरां की रोशनी, और ओवरहेड स्मार्टफोन फ्लैश। प्रत्येक फोटो को एक प्रमुख AI खाद्य पहचान पाइपलाइन के माध्यम से संसाधित किया गया। हमने प्रत्येक व्यंजन के लिए तीन मैट्रिक्स रिकॉर्ड किए:
- पहचान सटीकता: क्या AI ने सही नाम दिया या पोषण के समान मिलान किया?
- कैलोरी सटीकता: AI का अनुमान Nutrola के आहार विशेषज्ञ द्वारा समीक्षा किए गए डेटाबेस से सत्यापित पोषण डेटा के कितने करीब था?
- सामान्य त्रुटियाँ: AI ने क्या गलत किया, और उस त्रुटि ने कैलोरी गणना को कैसे प्रभावित किया?
सभी सत्यापित कैलोरी मान USDA FoodData Central डेटाबेस, क्षेत्र-विशिष्ट पोषण संदर्भों, और Nutrola के अपने सत्यापित खाद्य डेटाबेस के खिलाफ क्रॉस-रेफरenced किए गए, जिसमें क्षेत्रीय तैयारी के विभिन्न प्रकारों के साथ 1.2 मिलियन से अधिक प्रविष्टियाँ शामिल हैं।
व्यंजन के अनुसार परिणाम
भारतीय व्यंजन (6 व्यंजन परीक्षण किए गए)
| व्यंजन | सही पहचाना गया? | कैलोरी अनुमान | सत्यापित कैलोरी | कैलोरी त्रुटि | सामान्य त्रुटि |
|---|---|---|---|---|---|
| दाल (तूर दाल, तड़का) | हाँ | 210 kcal | 245 kcal | -14.3% | घी का तड़का छूटा, वसा का कम आकलन |
| चिकन बिरयानी | आंशिक — "चिकन के साथ चावल" | 380 kcal | 490 kcal | -22.4% | परतदार घी और तले हुए प्याज का पता नहीं चला |
| लहसुन नान | हाँ | 260 kcal | 310 kcal | -16.1% | सतह पर मक्खन की ब्रशिंग का कम आकलन |
| चिकन टिक्का मसाला | हाँ | 320 kcal | 365 kcal | -12.3% | क्रीम सामग्री का कम आकलन |
| समोसा (2 पीस) | हाँ | 280 kcal | 310 kcal | -9.7% | डीप-फ्राइंग तेल के अवशोषण का थोड़ा कम आकलन |
| पनीर बटर मसाला | आंशिक — "चीज करी" | 290 kcal | 410 kcal | -29.3% | पनीर की घनत्व और मक्खन की सामग्री दोनों छूट गईं |
भारतीय व्यंजन का सारांश: 6 में से 4 व्यंजन सही पहचाने गए (66.7%)। औसत कैलोरी त्रुटि: -17.4%। लगातार पैटर्न छिपे हुए वसा का कम आकलन था — घी, मक्खन, और तले हुए तेल जो व्यंजन में अवशोषित होते हैं और तस्वीरों में अदृश्य होते हैं।
थाई व्यंजन (6 व्यंजन परीक्षण किए गए)
| व्यंजन | सही पहचाना गया? | कैलोरी अनुमान | सत्यापित कैलोरी | कैलोरी त्रुटि | सामान्य त्रुटि |
|---|---|---|---|---|---|
| पैड थाई | हाँ | 390 kcal | 410 kcal | -4.9% | इमली सॉस में चीनी का थोड़ा कम आकलन |
| हरी करी (चावल के साथ) | हाँ | 430 kcal | 485 kcal | -11.3% | नारियल के दूध की वसा का कम आकलन |
| टॉम यम सूप | हाँ | 180 kcal | 200 kcal | -10.0% | नारियल के दूध के प्रकार (टॉम यम खा) का पता नहीं चला |
| आम चिपचिपा चावल | हाँ | 350 kcal | 380 kcal | -7.9% | नारियल क्रीम की बूंद का कम आकलन |
| लार्ब (सूअर का मांस) | आंशिक — "मांस सलाद" | 240 kcal | 270 kcal | -11.1% | भुने हुए चावल के आटे की कैलोरी छूट गई |
| सोम टाम (पपीता सलाद) | हाँ | 120 kcal | 150 kcal | -20.0% | पाम चीनी और मूंगफली की सामग्री का कम आकलन |
थाई व्यंजन का सारांश: 6 में से 5 व्यंजन सही पहचाने गए (83.3%)। औसत कैलोरी त्रुटि: -10.9%। थाई भोजन ने भारतीय की तुलना में बेहतर प्रदर्शन किया क्योंकि कई व्यंजनों की दृश्य प्रस्तुति स्पष्ट होती है, हालांकि नारियल के दूध और पाम चीनी की मात्रा एक दृष्टिहीनता बनी रही।
इथियोपियाई व्यंजन (4 व्यंजन परीक्षण किए गए)
| व्यंजन | सही पहचाना गया? | कैलोरी अनुमान | सत्यापित कैलोरी | कैलोरी त्रुटि | सामान्य त्रुटि |
|---|---|---|---|---|---|
| इनजेरा प्लेटर (मिक्स) | नहीं — "स्टू के साथ फ्लैटब्रेड" | 340 kcal | 580 kcal | -41.4% | प्लेट पर कई स्ट्यू को अलग नहीं किया गया; निटर किब्बे अदृश्य |
| डोरो वॉट | नहीं — "चिकन स्टू" | 280 kcal | 390 kcal | -28.2% | बर्बरी मसाले का मक्खन पूरी तरह से छूट गया |
| शिरो | आंशिक — "बीन्स डिप" | 200 kcal | 290 kcal | -31.0% | चने के आटे की घनत्व और तेल की सामग्री छूट गई |
| किट्फो | आंशिक — "पीस मांस" | 310 kcal | 420 kcal | -26.2% | मितमिता मसाले का मक्खन नहीं पहचाना गया |
इथियोपियाई व्यंजन का सारांश: 4 में से 0 व्यंजन पूरी तरह से सही पहचाने गए (0%), 2 आंशिक मिलान (50% आंशिक)। औसत कैलोरी त्रुटि: -31.7%। इथियोपियाई भोजन AI के लिए सबसे कठिन व्यंजन था। इनजेरा-आधारित प्लेटर एक अनूठी चुनौती प्रस्तुत करते हैं क्योंकि कई व्यंजन एक ही प्लेट पर होते हैं, और खुद फर्मेंटेड फ्लैटब्रेड कैलोरी में महत्वपूर्ण होता है। स्पष्ट मसाले का मक्खन (निटर किब्बे) का उपयोग उदारता से किया जाता है और यह तस्वीरों में पूरी तरह से अदृश्य होता है।
मैक्सिकन व्यंजन (6 व्यंजन परीक्षण किए गए)
| व्यंजन | सही पहचाना गया? | कैलोरी अनुमान | सत्यापित कैलोरी | कैलोरी त्रुटि | सामान्य त्रुटि |
|---|---|---|---|---|---|
| टाकोस अल पास्टर (3) | हाँ | 420 kcal | 465 kcal | -9.7% | अनानास और पके सूअर के वसा का कम आकलन |
| चिकन एनचिलादास (2) | हाँ | 380 kcal | 440 kcal | -13.6% | सॉस का तेल और टॉर्टिला के अंदर पनीर छूट गया |
| पोज़ोले रोज़ो | आंशिक — "सूअर का मांस सूप" | 310 kcal | 390 kcal | -20.5% | होमिनी और सूअर के वसा की सामग्री छूट गई |
| टमाले (2) | हाँ | 400 kcal | 470 kcal | -14.9% | मासा में लार्ड का कम आकलन |
| एलोते (स्ट्रीट कॉर्न) | हाँ | 280 kcal | 320 kcal | -12.5% | मेयो और पनीर की कोटिंग का कम आकलन |
| चुर्रोस (3 पीस) | हाँ | 300 kcal | 340 kcal | -11.8% | डीप-फ्राई तेल का अवशोषण कम आकलन |
मैक्सिकन व्यंजन का सारांश: 6 में से 5 व्यंजन सही पहचाने गए (83.3%)। औसत कैलोरी त्रुटि: -13.8%। मैक्सिकन भोजन की पहचान में ठीक प्रदर्शन किया क्योंकि टाकोस, एनचिलादास, और चुर्रोस के आकार स्पष्ट होते हैं। लगातार कमी लार्ड, तले हुए तेल, और पनीर-भारी टॉपिंग से छिपे हुए वसा में थी।
जापानी व्यंजन (5 व्यंजन परीक्षण किए गए)
| व्यंजन | सही पहचाना गया? | कैलोरी अनुमान | सत्यापित कैलोरी | कैलोरी त्रुटि | सामान्य त्रुटि |
|---|---|---|---|---|---|
| टोंकोट्सु रामेन | हाँ | 480 kcal | 520 kcal | -7.7% | सूअर की हड्डी का शोरबा वसा का थोड़ा कम आकलन |
| assorted sushi (8 pieces) | हाँ | 340 kcal | 360 kcal | -5.6% | सुशी चावल की चीनी और सिरका का कम आकलन |
| श्रिम्प टेम्पुरा (5 पीस) | हाँ | 350 kcal | 380 kcal | -7.9% | बैटर के तेल का अवशोषण थोड़ा कम आकलन |
| ओकोनोमियाकी | हाँ | 490 kcal | 530 kcal | -7.5% | मेयो और बोनिटो टॉपिंग की कैलोरी का कम आकलन |
| ग्युदोन | हाँ | 560 kcal | 590 kcal | -5.1% | मिरिन-आधारित सॉस का थोड़ा कम आकलन |
जापानी व्यंजन का सारांश: 5 में से 5 व्यंजन सही पहचाने गए (100%)। औसत कैलोरी त्रुटि: -6.8%। जापानी व्यंजन ने हमारे परीक्षण में सबसे उच्च पहचान दर हासिल की। सुशी, रामेन, और टेम्पुरा जैसे व्यंजन AI प्रशिक्षण डेटासेट में भारी रूप से शामिल हैं, और प्लेटिंग शैली — अक्सर घटकों के स्पष्ट अलगाव के साथ — दृश्य पहचान को सरल बनाती है।
मध्य पूर्वी व्यंजन (5 व्यंजन परीक्षण किए गए)
| व्यंजन | सही पहचाना गया? | कैलोरी अनुमान | सत्यापित कैलोरी | कैलोरी त्रुटि | सामान्य त्रुटि |
|---|---|---|---|---|---|
| हम्मस (जैतून के तेल के साथ) | हाँ | 250 kcal | 310 kcal | -19.4% | जैतून के तेल की बूंद का गंभीरता से कम आकलन |
| फालाफेल (4 पीस) | हाँ | 280 kcal | 340 kcal | -17.6% | डीप-फ्राई तेल का अवशोषण छूट गया |
| चिकन शावरमा प्लेट | हाँ | 480 kcal | 540 kcal | -11.1% | लहसुन सॉस और पके हुए वसा का कम आकलन |
| तब्बूलेह | हाँ | 130 kcal | 150 kcal | -13.3% | जैतून के तेल की सामग्री का कम आकलन |
| मंसाफ | नहीं — "चावल के साथ मांस और सॉस" | 420 kcal | 680 kcal | -38.2% | जमीद दही सॉस और घी में भिगोया चावल पूरी तरह से छूट गया |
मध्य पूर्वी व्यंजन का सारांश: 5 में से 4 व्यंजन सही पहचाने गए (80%)। औसत कैलोरी त्रुटि: -19.9%। सामान्य व्यंजन जैसे हम्मस और फालाफेल को आसानी से पहचाना गया, लेकिन कैलोरी सटीकता प्रभावित हुई क्योंकि जैतून के तेल की मात्रा का आकलन करना दृश्य रूप से कठिन है। मंसाफ एक महत्वपूर्ण विफलता थी — सूखे दही सॉस (जमीद) और चावल में स्पष्ट मक्खन की मात्रा तस्वीरों में अदृश्य होती है।
चीनी व्यंजन (5 व्यंजन परीक्षण किए गए)
| व्यंजन | सही पहचाना गया? | कैलोरी अनुमान | सत्यापित कैलोरी | कैलोरी त्रुटि | सामान्य त्रुटि |
|---|---|---|---|---|---|
| डिम सम (6 मिश्रित पीस) | आंशिक — "डंपलिंग" | 360 kcal | 410 kcal | -12.2% | हार गॉव, सियू माई, चार सियू बाओ में अंतर नहीं किया गया |
| मापो टोफू | हाँ | 280 kcal | 340 kcal | -17.6% | सॉस में मिर्च का तेल और पिसा हुआ सूअर का मांस का कम आकलन |
| कुंग पाओ चिकन | हाँ | 350 kcal | 380 kcal | -7.9% | मूंगफली के तेल की मात्रा का थोड़ा कम आकलन |
| हॉट पॉट (व्यक्तिगत कटोरा) | नहीं — "सब्जियों के साथ सूप" | 290 kcal | 520 kcal | -44.2% | शोरबा का वसा, तिल डिपिंग सॉस, और सामग्री की विविधता छूट गई |
| कोंजी (सूअर के मांस के साथ) | हाँ | 180 kcal | 210 kcal | -14.3% | सूअर का मांस वसा और संरक्षित अंडे की कैलोरी का कम आकलन |
चीनी व्यंजन का सारांश: 5 में से 3 व्यंजन सही पहचाने गए (60%)। औसत कैलोरी त्रुटि: -19.2%। चीनी भोजन ने मिश्रित चित्र प्रस्तुत किया। कुंग पाओ चिकन और मापो टोफू जैसे प्रसिद्ध व्यंजन पहचाने गए, लेकिन बहु-घटक भोजन जैसे डिम सम और हॉट पॉट समस्याग्रस्त रहे। विशेष रूप से, हॉट पॉट ने हमारे पूरे परीक्षण में दूसरे सबसे खराब परिणाम का उत्पादन किया।
इटालियन व्यंजन (5 व्यंजन परीक्षण किए गए)
| व्यंजन | सही पहचाना गया? | कैलोरी अनुमान | सत्यापित कैलोरी | कैलोरी त्रुटि | सामान्य त्रुटि |
|---|---|---|---|---|---|
| स्पघेटी कार्बोनारा | हाँ | 480 kcal | 510 kcal | -5.9% | अंडे और पेकोरिनो की सामग्री का थोड़ा कम आकलन |
| मशरूम रिसोट्टो | हाँ | 390 kcal | 420 kcal | -7.1% | मक्खन और परमेसन का फिनिश कम आकलन |
| ओसो बुको | हाँ | 440 kcal | 480 kcal | -8.3% | मरोर वसा की सामग्री का कम आकलन |
| ब्रुशेटा (3 पीस) | हाँ | 220 kcal | 240 kcal | -8.3% | ब्रेड पर जैतून के तेल का थोड़ा कम आकलन |
| मारgherita पिज्जा (2 स्लाइस) | हाँ | 440 kcal | 460 kcal | -4.3% | मोज़ेरेला के तेल का मामूली कम आकलन |
इटालियन व्यंजन का सारांश: 5 में से 5 व्यंजन सही पहचाने गए (100%)। औसत कैलोरी त्रुटि: -6.8%। इटालियन भोजन ने जापानी के साथ सर्वश्रेष्ठ प्रदर्शन किया। ये व्यंजन AI प्रशिक्षण डेटासेट में प्रमुखता से मौजूद हैं, और दृश्य प्रस्तुति — स्पष्ट पास्ता आकार, पहचानने योग्य पिज्जा, स्पष्ट प्लेटेड प्रोटीन — इन्हें फोटो आधारित पहचान के लिए आदर्श बनाती है।
पूर्ण परिणाम सारांश तालिका
| व्यंजन | परीक्षण किए गए व्यंजन | सही पहचान | पहचान दर | औसत कैलोरी त्रुटि | सबसे खराब एकल त्रुटि |
|---|---|---|---|---|---|
| जापानी | 5 | 5 | 100% | -6.8% | -7.9% (टेम्पुरा) |
| इटालियन | 5 | 5 | 100% | -6.8% | -8.3% (ओसो बुको) |
| थाई | 6 | 5 | 83.3% | -10.9% | -20.0% (सोम टाम) |
| मैक्सिकन | 6 | 5 | 83.3% | -13.8% | -20.5% (पोज़ोले) |
| मध्य पूर्वी | 5 | 4 | 80.0% | -19.9% | -38.2% (मंसाफ) |
| भारतीय | 6 | 4 | 66.7% | -17.4% | -29.3% (पनीर बटर मसाला) |
| चीनी | 5 | 3 | 60.0% | -19.2% | -44.2% (हॉट पॉट) |
| इथियोपियाई | 4 | 0 | 0% (50% आंशिक) | -31.7% | -41.4% (इनजेरा प्लेटर) |
| कुल | 42 अद्वितीय + 8 आंशिक | 31 पूर्ण + 6 आंशिक | 78% | -15.8% | -44.2% (हॉट पॉट) |
कुछ व्यंजनों के उच्च स्कोर करने के कारण
हमारे परिणामों में अधिकांश भिन्नता के लिए तीन कारक जिम्मेदार हैं।
प्रशिक्षण डेटा का प्रतिनिधित्व
इटालियन और जापानी खाद्य पदार्थ सार्वजनिक खाद्य छवि डेटासेट जैसे Food-101, UECFOOD-256, और Google Open Images में हजारों बार दिखाई देते हैं। इथियोपियाई और जटिल क्षेत्रीय भारतीय व्यंजन शायद ही कभी या बिल्कुल नहीं दिखाई देते। AI केवल वही पहचान सकता है जिस पर इसे प्रशिक्षित किया गया है।
दृश्य स्पष्टता
सुशी सुशी की तरह दिखती है। एक पिज्जा स्पष्ट है। लेकिन एक इनजेरा प्लेटर जिसमें कई स्ट्यू होते हैं, एक ही भूरे-नारंगी सतह प्रस्तुत करता है जो दर्जनों विभिन्न भोजन हो सकते हैं। स्पष्ट आकार, अलग-अलग रंग, और अलग घटक वाले व्यंजन कंप्यूटर दृष्टि के लिए पहचानना आसान होते हैं।
छिपा हुआ वसा और मिश्रित तैयारी
सभी 8 व्यंजनों में कैलोरी त्रुटि का पैटर्न एक लगातार दृष्टिहीनता की ओर इशारा करता है: अदृश्य खाना पकाने के वसा। भारतीय भोजन में घी, इथियोपियाई भोजन में निटर किब्बे, मैक्सिकन मासा में लार्ड, मध्य पूर्वी भोजन में जैतून का तेल, और थाई करी में नारियल का दूध सभी महत्वपूर्ण कैलोरी जोड़ते हैं जो किसी कैमरे से नहीं देखे जा सकते।
Nutrola इन अंतरालों को कैसे संबोधित करता है
Nutrola का AI खाद्य पहचान मॉडल एक वैश्विक विविधता वाली छवि सेट पर प्रशिक्षित है जिसमें क्षेत्रीय विविधताएँ शामिल हैं, न कि केवल सामान्य व्यंजन नाम। जब आप Nutrola में चिकन बिरयानी की तस्वीर लेते हैं, तो मॉडल हैदराबादी, लखनऊई, और कोलकाता शैलियों के बीच अंतर करता है, प्रत्येक के अलग-अलग कैलोरी प्रोफाइल होते हैं।
लेकिन चुनौतीपूर्ण व्यंजनों के लिए अधिक महत्वपूर्ण विशेषता है मल्टी-मोडल लॉगिंग। जब फोटो स्कैनिंग कम विश्वास के साथ परिणाम उत्पन्न करती है, तो Nutrola आपको पुष्टि या परिष्कृत करने के लिए प्रोत्साहित करता है। "घी के साथ हैदराबादी चिकन बिरयानी" कहने से AI डाइट असिस्टेंट को Nutrola के सत्यापित डेटाबेस से सही प्रविष्टि खींचने के लिए पर्याप्त संदर्भ मिलता है, जिसमें 1.2 मिलियन से अधिक खाद्य पदार्थ शामिल हैं।
घर के खाने में उपयोग किए जाने वाले पैकेज्ड सामग्री के लिए, Nutrola का बारकोड स्कैनर — 95 प्रतिशत से अधिक पहचान सटीकता के साथ — आपको सटीक उत्पाद लॉग करने की अनुमति देता है। यदि आप घर पर दाल बना रहे हैं और आप जो घी डालते हैं उसकी सटीक मात्रा कैप्चर करना चाहते हैं, तो घी के कंटेनर को स्कैन करना और मात्रा दर्ज करना हमेशा समाप्त उत्पाद की तस्वीर लेने से अधिक सटीक होगा।
Nutrola की कीमत केवल 2.50 यूरो प्रति माह है, जिसमें 3-दिन की मुफ्त परीक्षण अवधि शामिल है, और हर योजना पूरी तरह से विज्ञापन-मुक्त चलती है, इसलिए आप पूरे दिन भोजन लॉग करते समय कोई रुकावट नहीं होती। ऐप Apple Health और Google Fit के साथ समन्वयित होता है, जिसका अर्थ है कि आपका पोषण डेटा आपके गतिविधि ट्रैकिंग से सीधे जुड़ता है, चाहे आप किसी भी व्यंजन का सेवन करें।
व्यावहारिक निष्कर्ष
फोटो स्कैनिंग एक शक्तिशाली उपकरण है, लेकिन यह हर व्यंजन के लिए समान रूप से प्रभावी नहीं है। यदि आपका आहार हमारे परीक्षण में निम्न प्रदर्शन करने वाले व्यंजनों से भोजन करता है, तो यहाँ व्यावहारिक दृष्टिकोण है:
- फोटो लॉगिंग को एक प्रारंभिक बिंदु के रूप में उपयोग करें, अंतिम उत्तर नहीं। यह अधिकांश व्यंजनों के लिए आपको सही क्षेत्र में लाएगा।
- जटिल व्यंजनों के लिए आवाज़ का संदर्भ जोड़ें। व्यंजन का नाम, पकाने की शैली, और कोई उल्लेखनीय वसा स्रोत कहना पांच सेकंड लेता है और सटीकता में नाटकीय रूप से सुधार करता है।
- साझा प्लेट व्यंजनों के लिए भागों को मैन्युअल रूप से समायोजित करें। यदि आप एक इनजेरा प्लेटर या हॉट पॉट से खा रहे हैं, तो सामुदायिक व्यंजन की तस्वीर लेने के बजाय अपने व्यक्तिगत भाग का अनुमान लगाएँ।
- घर के पकाए गए सामग्री के लिए बारकोड स्कैनिंग का उपयोग करें। यह पूरी तरह से छिपे हुए वसा की समस्या को समाप्त करता है क्योंकि आप व्यंजन में जो जाता है उसे लॉग कर रहे हैं, न कि समाप्त उत्पाद को।
अक्सर पूछे जाने वाले प्रश्न
AI खाद्य पहचान किस व्यंजन को सबसे अच्छा संभालती है?
इटालियन और जापानी व्यंजनों ने हमारे 50-व्यंजन परीक्षण में 100 प्रतिशत पहचान दर और केवल 6.8 प्रतिशत की औसत कैलोरी त्रुटि हासिल की। दोनों व्यंजन AI प्रशिक्षण डेटासेट में उच्च प्रतिनिधित्व और दृश्य स्पष्ट प्लेटिंग शैलियों से लाभान्वित होते हैं।
AI इथियोपियाई भोजन के साथ क्यों संघर्ष करता है?
इथियोपियाई व्यंजन तीन समान चुनौतियाँ प्रस्तुत करते हैं: इनजेरा-आधारित प्लेटर एक ही सतह पर कई व्यंजन मिलाते हैं, व्यंजन स्पष्ट मसाले का मक्खन (निटर किब्बे) का उपयोग करते हैं जो तस्वीरों में अदृश्य होता है, और इथियोपियाई खाद्य पदार्थ अधिकांश खाद्य AI मॉडलों को प्रशिक्षित करने के लिए उपयोग किए जाने वाले सार्वजनिक डेटासेट में गंभीर रूप से कम प्रतिनिधित्व करते हैं। हमारे परीक्षण में, शून्य इथियोपियाई व्यंजन पूरी तरह से सही पहचाने गए।
भारतीय भोजन के लिए फोटो स्कैनिंग का उपयोग करते समय कैलोरी अनुमान कितने दूर हैं?
हमारे परीक्षण में भारतीय व्यंजनों के लिए औसत कैलोरी त्रुटि -17.4 प्रतिशत पाई गई, जिसमें सबसे खराब मामला पनीर बटर मसाला -29.3 प्रतिशत था। लगातार समस्या घी, मक्खन, और तले हुए तेल का कम आकलन था जो पकाने के दौरान व्यंजन में अवशोषित होते हैं।
क्या AI एक ही प्लेट पर विभिन्न व्यंजनों को पहचान सकता है?
बहु-आइटम प्लेट AI के लिए संसाधित करना काफी कठिन होता है। हमारे परीक्षण में, इनजेरा प्लेटर (-41.4% कैलोरी त्रुटि) और हॉट पॉट (-44.2% कैलोरी त्रुटि) — दोनों बहु-घटक भोजन — ने दो सबसे खराब परिणाम उत्पन्न किए। जब कई व्यंजन एक प्लेट साझा करते हैं, तो AI अक्सर एक आइटम का अनुमान लगाता है बजाय पूर्ण spread के।
क्या आवाज़ लॉगिंग जातीय खाद्य पदार्थों के लिए फोटो स्कैनिंग से अधिक सटीक है?
हमारे परीक्षण में 80 प्रतिशत से कम पहचान करने वाले व्यंजनों के लिए — भारतीय, चीनी, और इथियोपियाई — आवाज़ लॉगिंग को सत्यापित खाद्य डेटाबेस के साथ मिलाकर लगातार अधिक सटीक परिणाम उत्पन्न करता है। "इनजेरा के साथ डोरो वॉट" कहने से AI को सही पोषण डेटा खींचने के लिए पर्याप्त जानकारी मिलती है, जबकि उसी भोजन की तस्वीर "चिकन स्टू" के रूप में गलत पहचान की गई।
क्या Nutrola अंतरराष्ट्रीय व्यंजनों के लिए सामान्य खाद्य पहचान ऐप्स की तुलना में बेहतर प्रदर्शन करता है?
Nutrola का AI मॉडल एक वैश्विक विविधता वाली डेटासेट पर प्रशिक्षित है जिसमें क्षेत्रीय तैयारी के विभिन्न प्रकार शामिल हैं, न कि केवल सामान्य व्यंजन नाम। ऐप फोटो स्कैनिंग को आवाज़ लॉगिंग और बारकोड स्कैनिंग के साथ जोड़ता है, इसलिए जब एक विधि कमज़ोर होती है, तो दूसरी इसे भर देती है। Nutrola का सत्यापित डेटाबेस 1.2 मिलियन से अधिक खाद्य पदार्थों के साथ क्षेत्रीय विविधताओं के लिए प्रविष्टियाँ शामिल करता है, जैसे हैदराबादी बिरयानी बनाम लखनऊई बिरयानी।
सटीक खाद्य पहचान साप्ताहिक कैलोरी ट्रैकिंग को कितना प्रभावित करती है?
यदि आप प्रति दिन दो भोजन करते हैं एक ऐसे व्यंजन से जिसमें 20 प्रतिशत कैलोरी कम होती है — जैसे हमारे भारतीय या चीनी परिणाम — तो यह लगभग 2,000 से 3,000 कैलोरी प्रति सप्ताह की कमी में बदलता है। किसी ऐसे व्यक्ति के लिए जो 500 कैलोरी दैनिक कमी का लक्ष्य रखता है, यह त्रुटि अकेले सभी प्रगति को समाप्त कर सकती है।
घर के पकाए गए जातीय भोजन के लिए कैलोरी ट्रैक करने का सबसे अच्छा तरीका क्या है?
सबसे सटीक विधि व्यक्तिगत सामग्री को बारकोड स्कैनिंग का उपयोग करके लॉग करना है बजाय समाप्त व्यंजन की तस्वीर लेने के। Nutrola का बारकोड स्कैनर 95 प्रतिशत से अधिक पैकेज्ड उत्पादों को पहचानता है। खाना पकाने की प्रक्रिया के लिए, आप आवाज़ लॉगिंग का उपयोग कर सकते हैं जैसे "दो चम्मच घी" कहना और AI डाइट असिस्टेंट आपके भोजन लॉग में सही प्रविष्टि जोड़ देगा।
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!
