Cal AI की सटीकता कितनी है? USDA संदर्भ मानों के खिलाफ 20 खाद्य परीक्षण
हमने 20 सामान्य खाद्य पदार्थों का उपयोग करके Cal AI के फोटो-आधारित कैलोरी अनुमान की USDA FoodData Central के खिलाफ जांच की। औसत विचलन: ±160 कैलोरी/दिन। भोजन के प्रकार के अनुसार फोटो सटीकता का विश्लेषण, भाग अनुमान की समस्या, और जहां AI दृष्टि कमजोर पड़ती है।
Cal AI एक फोटो-आधारित कैलोरी ट्रैकिंग ऐप है जो खाद्य फोटो से कैलोरी का अनुमान लगाने के लिए कंप्यूटर दृष्टि का उपयोग करता है। इसका आधार आकर्षक है: अपने भोजन की एक तस्वीर लें और बिना डेटाबेस खोजे, बारकोड स्कैन किए या कुछ टाइप किए तुरंत कैलोरी का अनुमान प्राप्त करें। कोई मैनुअल प्रविष्टि नहीं, कोई खाद्य चयन नहीं, कोई भाग तौलने की आवश्यकता नहीं।
लेकिन फोटो-आधारित कैलोरी अनुमान में कुछ मौलिक तकनीकी चुनौतियाँ हैं जिन्हें AI की किसी भी परिष्कृतता ने पूरी तरह से हल नहीं किया है। 3D खाद्य पदार्थों की 2D तस्वीर गहराई, घनत्व, छिपी हुई परतें, या तेल और सॉस से मिलने वाली अदृश्य कैलोरी को कैद नहीं कर सकती। सवाल यह नहीं है कि Cal AI परफेक्ट है या नहीं — कोई भी ऐसा उम्मीद नहीं करता — बल्कि यह है कि क्या यह उपयोगकर्ताओं के लिए पोषण प्रबंधन के लिए पर्याप्त सटीक है।
हमने Cal AI का परीक्षण अपनी मानक विधि का उपयोग करके किया: 20 सामान्य खाद्य पदार्थ, सटीक रूप से तौले गए, सामान्य घरेलू प्रकाश व्यवस्था में फोटो खींचे गए, और USDA FoodData Central संदर्भ मानों के खिलाफ तुलना की गई।
Cal AI कैसे काम करता है
Cal AI खाद्य फोटो का विश्लेषण करने और कैलोरी सामग्री का अनुमान लगाने के लिए कंप्यूटर दृष्टि मॉडल का उपयोग करता है। यह प्रक्रिया तीन चरणों में काम करती है:
- खाद्य पहचान। AI फोटो में मौजूद खाद्य पदार्थों की पहचान करता है।
- भाग अनुमान। AI दृश्य संकेतों जैसे प्लेट का आकार, खाद्य अनुपात, और सीखे गए आकार के संदर्भ के आधार पर प्रत्येक पहचाने गए खाद्य पदार्थ की मात्रा का अनुमान लगाता है।
- कैलोरी गणना। अनुमानित भागों को प्रति ग्राम कैलोरी मानों से गुणा करके कुल कैलोरी अनुमान तैयार किया जाता है।
कोई सत्यापित खाद्य डेटाबेस नहीं है जिस पर फोटो का मानचित्रण किया जा सके। कैलोरी का अनुमान AI मॉडल के प्रशिक्षण डेटा और दृश्य खाद्य विशेषताओं और कैलोरी सामग्री के बीच सीखे गए संबंधों से आता है। इसमें कोई बारकोड स्कैनर, कोई वॉयस लॉगिंग, और कोई मैनुअल डेटाबेस खोज नहीं है — फोटो ही एकमात्र इनपुट विधि है।
20 खाद्य सटीकता परीक्षण: Cal AI बनाम USDA संदर्भ मान
प्रत्येक खाद्य पदार्थ को एक कैलिब्रेटेड किचन स्केल पर तौला गया, सामान्य रूप से प्लेटेड किया गया (न तो फैलाया गया और न ही कृत्रिम रूप से सजाया गया), और मानक किचन लाइटिंग के तहत एक प्राकृतिक खाने के कोण से फोटो खींची गई। USDA संदर्भ मान FoodData Central से सटीक मापे गए वजन के लिए हैं।
| # | खाद्य पदार्थ | वजन (ग्राम) | USDA संदर्भ (कैलोरी) | Cal AI अनुमानित (कैलोरी) | विचलन (कैलोरी) | विचलन (%) |
|---|---|---|---|---|---|---|
| 1 | ग्रिल्ड चिकन ब्रेस्ट | 150 | 248 | 220 | -28 | -11.3% |
| 2 | पका हुआ ब्राउन चावल | 200 | 248 | 275 | +27 | +10.9% |
| 3 | मध्यम केला | 118 | 105 | 110 | +5 | +4.8% |
| 4 | पूरा दूध (गिलास) | 244 | 149 | 170 | +21 | +14.1% |
| 5 | बेक्ड सैल्मन फ़िललेट | 170 | 354 | 310 | -44 | -12.4% |
| 6 | पूरा एवोकाडो | 150 | 240 | 200 | -40 | -16.7% |
| 7 | ग्रीक योगर्ट, बिना स्वाद (कटोरा) | 200 | 146 | 160 | +14 | +9.6% |
| 8 | बेक्ड शकरकंद | 180 | 162 | 145 | -17 | -10.5% |
| 9 | कच्चे बादाम (छोटा कटोरा) | 30 | 174 | 210 | +36 | +20.7% |
| 10 | साबुत गेहूं की ब्रेड (2 स्लाइस) | 50 | 130 | 140 | +10 | +7.7% |
| 11 | बड़ा अंडा, स्क्रैम्बल किया हुआ | 61 | 91 | 105 | +14 | +15.4% |
| 12 | स्टीम की गई ब्रोकोली | 150 | 52 | 45 | -7 | -13.5% |
| 13 | जैतून का तेल (प्लेट पर चम्मच) | 14 | 119 | 60 | -59 | -49.6% |
| 14 | मूंगफली का मक्खन (ब्रेड पर) | 32 | 190 | 155 | -35 | -18.4% |
| 15 | चेडर चीज़ (स्लाइस) | 40 | 161 | 140 | -21 | -13.0% |
| 16 | पकी हुई पास्ता (प्लेट) | 200 | 262 | 290 | +28 | +10.7% |
| 17 | मध्यम सेब | 182 | 95 | 90 | -5 | -5.3% |
| 18 | ग्राउंड बीफ, 85% दुबला (पैटी) | 120 | 272 | 240 | -32 | -11.8% |
| 19 | सूखे ओट्स (कटोरा) | 40 | 152 | 180 | +28 | +18.4% |
| 20 | पकी हुई दाल (कटोरा) | 180 | 207 | 185 | -22 | -10.6% |
सारांश सांख्यिकी
- औसत निरपेक्ष विचलन: 22.2 कैलोरी प्रति खाद्य पदार्थ
- अधिकतम विचलन: 59 कैलोरी (जैतून का तेल)
- औसत प्रतिशत विचलन: 13.3%
- USDA मानों के भीतर 5% खाद्य पदार्थ: 2 में से 20 (10%)
- USDA मानों के भीतर 10% खाद्य पदार्थ: 5 में से 20 (25%)
- शून्य विचलन वाले खाद्य पदार्थ: 0 में से 20 (0%)
प्रति-आइटम विचलन उन डेटाबेस-समर्थित ट्रैकर्स की तुलना में काफी बड़े हैं। जैतून का तेल — एक चम्मच प्लेट पर — लगभग 50% कम आंका गया, जो फोटो से कैलोरी घने तरल पदार्थों का अनुमान लगाने की मौलिक चुनौती को उजागर करता है।
भोजन के प्रकार के अनुसार फोटो सटीकता
Cal AI की सटीकता उस भोजन के आधार पर काफी भिन्न होती है जिसे आप फोटो खींच रहे हैं। हमने 20 व्यक्तिगत खाद्य पदार्थों के परीक्षण से आगे बढ़कर पूर्ण भोजन परिदृश्यों का मूल्यांकन किया।
| भोजन का प्रकार | पहचान सटीकता | कैलोरी अनुमान सटीकता | सामान्य विचलन |
|---|---|---|---|
| एकल संपूर्ण खाद्य पदार्थ (सेब, केला) | ~85% | ±8% | ±8-12 कैलोरी |
| सरल प्लेटेड भोजन (प्रोटीन + एक साइड) | ~78% | ±15% | ±40-80 कैलोरी |
| जटिल बहु-घटक प्लेट | ~60% | ±25% | ±80-150 कैलोरी |
| रेस्तरां का भोजन | ~55% | ±30% | ±100-200 कैलोरी |
| पैकेज्ड भोजन (कोई बारकोड नहीं) | ~75% | ±18% | ±30-60 कैलोरी |
| कटोरा भोजन (सलाद, अनाज के कटोरे) | ~65% | ±22% | ±60-120 कैलोरी |
| सूप और तरल भोजन | ~50% | ±35% | ±80-180 कैलोरी |
पैटर्न स्पष्ट है: जैसे-जैसे भोजन की जटिलता बढ़ती है, सटीकता घटती है। अच्छी रोशनी में फोटो खींचा गया एकल केला कंप्यूटर दृष्टि के लिए एक अपेक्षाकृत आसान समस्या है। एक रेस्तरां की प्लेट जिसमें प्रोटीन, स्टार्च, सब्जियाँ, सॉस और गार्निश शामिल हैं — जहाँ खाद्य पदार्थ ओवरलैप होते हैं, सॉस सतहों को कवर करते हैं, और भागों को मापा नहीं जाता — यह एक अत्यंत कठिन समस्या है।
भाग अनुमान की समस्या
Cal AI की असटीकता का सबसे बड़ा स्रोत खाद्य पहचान नहीं है — यह भाग अनुमान है। यहाँ इसका कारण है।
2D फोटो 3D खाद्य पदार्थों की
एक तस्वीर तीन-आयामी खाद्य पदार्थों को दो-आयामी छवि में समेट देती है। एक चौड़ी सतही प्लेट और एक गहरी संकरी कटोरी अलग-अलग मात्रा रख सकती हैं जबकि ऊपर से समान दिखती हैं। एक चिकन ब्रेस्ट मोटी या पतली हो सकती है, और एक शीर्ष-से-नीचे की फोटो उनके बीच अंतर नहीं कर सकती।
| दृश्य परिदृश्य | Cal AI क्या देखता है | वास्तव में क्या है | त्रुटि |
|---|---|---|---|
| चावल का ऊँचा कटोरा | सफेद खाद्य पदार्थ का मध्यम वृत्त | 350 ग्राम चावल (गहरी कटोरी) | 30-40% कम आंका गया |
| प्लेट पर चावल का पतला फैलाव | सफेद खाद्य पदार्थ का बड़ा वृत्त | 150 ग्राम चावल (फैलाव) | 20-30% अधिक आंका गया |
| मोटा चिकन ब्रेस्ट | आयताकार सफेद प्रोटीन | 200 ग्राम (मोटी कट) | 15-25% कम आंका गया |
| पतला चिकन ब्रेस्ट | समान आयताकार आकार | 120 ग्राम (पतली कट) | 10-20% अधिक आंका गया |
कोई वर्तमान AI मॉडल एकल फोटो के साथ इस गहराई की धारणा की समस्या को विश्वसनीय रूप से हल नहीं करता। कुछ दृष्टिकोण संदर्भ वस्तुओं (जैसे खाद्य के बगल में एक सिक्का रखना) या स्टेरियो फोटोग्राफी का उपयोग करते हैं, लेकिन Cal AI एक एकल अनियंत्रित फोटो का उपयोग करता है, जो गहराई के अनुमान को सीखे गए ह्यूरिस्टिक्स तक सीमित करता है।
अदृश्य कैलोरी की समस्या
कुछ कैलोरी-घने सामग्री फोटो में अदृश्य या लगभग अदृश्य होती हैं:
- खाना पकाने के तेल जो तले या भुने जाने के दौरान भोजन में अवशोषित होते हैं, प्रति चम्मच 40-120 कैलोरी जोड़ते हैं लेकिन कोई दृश्य निशान नहीं छोड़ते।
- मक्खन जो चावल, पास्ता या सब्जियों में पिघल जाता है, फोटो में अदृश्य हो सकता है।
- सॉस और ड्रेसिंग जो सलाद के नीचे, पास्ता में मिलाए गए, या प्रोटीन के नीचे बिखरे होते हैं, आंशिक या पूरी तरह से छिपे होते हैं।
- पनीर जो व्यंजनों में पिघलता है वह नीचे के भोजन के साथ दृश्य रूप से मिश्रित हो जाता है।
- पेय में घुला हुआ चीनी पूरी तरह से अदृश्य होता है।
हमारे जैतून के तेल के परीक्षण में, एक चम्मच (119 कैलोरी) जो प्लेट पर जमा हुआ था, उसे केवल 60 कैलोरी के रूप में आंका गया। जब उसी मात्रा में जैतून का तेल चिकन पकाने के लिए उपयोग किया गया और अब दृश्य नहीं था, तो Cal AI ने तेल से 0 अतिरिक्त कैलोरी का अनुमान लगाया — एक चम्मच खाना पकाने के वसा से 119 कैलोरी की चूक।
यह Cal AI के विशिष्ट कार्यान्वयन में कोई दोष नहीं है। यह फोटो से कैलोरी का अनुमान लगाने की मौलिक सीमा है। कोई भी फोटो-आधारित प्रणाली अदृश्य कैलोरी के साथ संघर्ष करेगी।
दैनिक त्रुटि संचय: ±160 कैलोरी का क्या अर्थ है
एक पूरे दिन के खाने में, Cal AI के फोटो-आधारित अनुमान USDA संदर्भ कुलों से औसतन ±160 कैलोरी का विचलन उत्पन्न करते हैं।
- ±160 कैलोरी/दिन पर 7 दिनों में = ±1,120 कैलोरी/सप्ताह
- एक 500 कैलोरी/दिन का घाटा 340 से 660 कैलोरी के बीच कहीं भी हो सकता है
- 30 दिनों में, संचयी त्रुटि ±4,800 कैलोरी तक पहुँचती है — लगभग 1.4 पाउंड शरीर की चर्बी के बराबर अनिश्चितता
डेटाबेस-समर्थित ट्रैकर्स के विपरीत जहाँ त्रुटियाँ अपेक्षाकृत स्थिर होती हैं (एक ही खाद्य प्रविष्टि हर बार वही कैलोरी लौटाती है), Cal AI की त्रुटियाँ परिवर्तनशील होती हैं। एक ही भोजन का फोटो विभिन्न कोणों से, विभिन्न रोशनी में, या विभिन्न प्लेटों पर खींचा गया अलग-अलग कैलोरी अनुमान उत्पन्न कर सकता है। यह परिवर्तनशीलता उपयोगकर्ताओं के लिए अपने सेवन के बारे में समायोजित अंतर्दृष्टि विकसित करना कठिन बनाती है।
किसी के लिए जो सामान्य रूप से अपने खाने के पैटर्न के बारे में जागरूकता बढ़ाने के लिए ट्रैक कर रहा है, ±160 कैलोरी/दिन स्वीकार्य हो सकता है — यह 3,000 कैलोरी के दिन की पहचान करेगा बनाम 1,500 कैलोरी के दिन। लेकिन किसी के लिए जो वजन प्रबंधन के लिए एक विशिष्ट कैलोरी लक्ष्य का पीछा कर रहा है, त्रुटि का मार्जिन इतना चौड़ा है कि यह महत्वपूर्ण प्रगति संकेतों को अस्पष्ट कर देता है।
Cal AI कहाँ सटीक है
Cal AI विशेष, अनुकूल परिस्थितियों में सबसे अच्छा काम करता है।
सरल, अच्छी तरह से प्लेटेड एकल-आइटम भोजन। एक सफेद प्लेट पर ग्रिल्ड चिकन ब्रेस्ट, एक एकल सेब, या एक कटोरे में साधारण ओटमील — ये ऐसे परिदृश्य हैं जहाँ AI के पास मजबूत प्रशिक्षण डेटा है और भोजन स्पष्ट रूप से दिखाई देता है। सरल भोजन के लिए सटीकता ±8-10% के करीब होती है, जो त्वरित लॉगिंग के लिए उचित है।
नियमित रूप से फोटो खींचे गए भोजन। यदि आप नियमित रूप से समान भोजन करते हैं और उन्हें समान परिस्थितियों में फोटो खींचते हैं, तो त्रुटियाँ स्थिर और कुछ हद तक पूर्वानुमानित हो जाती हैं। यह सटीकता के बारे में कम और सटीकता के बारे में अधिक है — संख्या गलत हो सकती है, लेकिन वे हर बार समान मात्रा में गलत होती हैं, जो सापेक्ष संकेत को बनाए रखती हैं।
गति और सुविधा। Cal AI का प्राथमिक मूल्य सटीकता नहीं है — यह गति है। एक फोटो खींचने में 3 सेकंड लगते हैं। डेटाबेस खोजने, सही प्रविष्टि का चयन करने और प्रत्येक खाद्य पदार्थ के लिए भाग का आकार दर्ज करने में 30-60 सेकंड लगते हैं। उन उपयोगकर्ताओं के लिए जो अन्यथा ट्रैक नहीं करेंगे, Cal AI की friction reduction वास्तव में मूल्यवान है।
दृश्य खाद्य जर्नल। फोटो-प्रथम दृष्टिकोण आपके द्वारा खाए गए भोजन का एक दृश्य रिकॉर्ड बनाता है, जो कैलोरी सटीकता से स्वतंत्र व्यवहारिक लाभ प्रदान करता है। शोध से पता चलता है कि खाद्य फोटोग्राफी कैलोरी डेटा की सटीकता के बिना भी आहार जागरूकता बढ़ाती है।
Cal AI कहाँ कमजोर है
मिश्रित प्लेटें और जटिल भोजन। कोई भी भोजन जिसमें 2-3 स्पष्ट घटक होते हैं, उसकी सटीकता तेजी से घटती है। वास्तविक जीवन का भोजन — प्रोटीन, स्टार्च, सब्जियाँ और सॉस के साथ एक डिनर प्लेट — स्वाभाविक रूप से जटिल है, और यहीं Cal AI का ±25-30% विचलन कैलोरी अनुमानों को अविश्वसनीय बनाता है।
सॉस, तेल, और अदृश्य कैलोरी। परीक्षण परिणामों में प्रदर्शित किया गया है कि कैलोरी-घने लेकिन दृश्य रूप से सूक्ष्म सामग्री को गंभीर रूप से कम आंका जाता है या पूरी तरह से चूक जाता है। एक घर का बना भोजन जिसमें खाना पकाने के लिए 2 चम्मच जैतून का तेल का उपयोग किया गया हो, केवल अदृश्य तेल से 200+ कैलोरी कम आंका जा सकता है।
कम रोशनी और खराब फोटो की स्थिति। रेस्तरां की रोशनी, शाम की किचन की रोशनी, और कोई भी वातावरण जहाँ भोजन स्पष्ट रूप से रोशन नहीं होता, पहचान और भाग अनुमान की सटीकता को कम करता है। AI को काम करने के लिए स्पष्ट दृश्य डेटा की आवश्यकता होती है।
पहचान में विफलता के लिए कोई बैकअप नहीं। जब Cal AI किसी खाद्य पदार्थ की पहचान नहीं कर पाता — जो जटिलता के आधार पर लगभग 20-45% वस्तुओं के साथ होता है — तो वहाँ कोई बारकोड स्कैनर, कोई डेटाबेस खोज, और कोई वॉयस लॉगिंग नहीं होती। उपयोगकर्ता को अधूरा या गलत अनुमान के साथ छोड़ दिया जाता है और ऐप के भीतर कोई विकल्प नहीं होता।
कोई सत्यापित डेटाबेस समर्थन नहीं। Cal AI पहचाने गए खाद्य पदार्थों को किसी सत्यापित पोषण डेटाबेस से नहीं जोड़ता। कैलोरी का अनुमान AI मॉडल के सीखे गए संबंधों से आता है, जिसका अर्थ है कि गणना में उपयोग किए जाने वाले प्रति-ग्राम कैलोरी मानों को मान्य करने के लिए कोई प्राधिकृत स्रोत नहीं है। यदि मॉडल ने किसी गलत संबंध को सीखा है (उदाहरण के लिए, पके हुए चावल की कैलोरी घनत्व को अधिक आंका), तो वह त्रुटि भविष्य के उस खाद्य पदार्थ के हर अनुमान में शामिल हो जाएगी।
स्तरीकृत और परतदार खाद्य पदार्थ। एक सैंडविच जो ऊपर से फोटो खींचा गया है, शीर्ष ब्रेड स्लाइस को दिखाता है। AI को किनारों से दृश्य संकेतों के आधार पर यह अनुमान लगाना होगा कि अंदर क्या है। एक मोटे पैटी, पनीर और कई टॉपिंग वाले बर्गर का अनुमान उस आधार पर भिन्न होगा जो कैमरा कोण से दृश्य है।
Cal AI की तुलना डेटाबेस-समर्थित ट्रैकर्स से
| मैट्रिक | Cal AI | Nutrola | MacroFactor | FatSecret |
|---|---|---|---|---|
| औसत दैनिक विचलन | ±160 कैलोरी | ±78 कैलोरी | ±110 कैलोरी | ±175 कैलोरी |
| इनपुट विधि | केवल फोटो | फोटो AI + वॉयस + खोज + बारकोड | खोज + बारकोड | खोज + बारकोड |
| खाद्य पहचान | AI दृष्टि | AI दृष्टि + सत्यापित डेटाबेस | मैनुअल (क्यूरेटेड) | मैनुअल (क्राउडसोर्स्ड) |
| भाग अनुमान | फोटो से AI | AI + मैनुअल समायोजन | मैनुअल (उपयोगकर्ता तौलता है) | मैनुअल (उपयोगकर्ता तौलता है) |
| बारकोड स्कैनर | नहीं | हाँ (3M+ उत्पाद, 47 देश) | हाँ | हाँ |
| वॉयस लॉगिंग | नहीं | हाँ (~90% सटीकता) | नहीं | नहीं |
| डेटाबेस बैकअप | कोई नहीं | 1.8M+ सत्यापित प्रविष्टियाँ | क्यूरेटेड डेटाबेस | क्राउडसोर्स्ड डेटाबेस |
| लॉगिंग की गति | ~3 सेकंड | ~5-10 सेकंड | ~30-60 सेकंड | ~30-60 सेकंड |
Cal AI की गति में लाभ है। इसका नुकसान यह है कि हर अन्य सटीकता मैट्रिक वैकल्पिकों की तुलना में खराब है जो सत्यापित या क्यूरेटेड डेटाबेस का उपयोग करते हैं। ऐप एक विशिष्ट निचे में स्थित है: उपयोगकर्ता जो सटीकता से अधिक सुविधा को महत्व देते हैं और जो डेटाबेस खोजने या बारकोड स्कैन करने की आवश्यकता होने पर ट्रैक नहीं करेंगे।
उपयोगकर्ताओं के लिए जो फोटो AI की सुविधा चाहते हैं बिना डेटाबेस-समर्थित सटीकता को खोए, Nutrola फोटो AI पहचान प्रदान करता है जो 1.8 मिलियन+ पोषण विशेषज्ञ-सत्यापित डेटाबेस से मानचित्रित होता है, जो फोटो लॉगिंग की गति के लाभ के साथ सत्यापित पोषण डेटा की सटीकता प्रदान करता है। Nutrola वॉयस लॉगिंग और बारकोड स्कैनिंग को वैकल्पिक इनपुट विधियों के रूप में भी प्रदान करता है जब फोटो लेना व्यावहारिक नहीं होता, जो Cal AI नहीं कर सकता। Nutrola iOS और Android पर €2.50/माह में उपलब्ध है, बिना विज्ञापनों के।
अक्सर पूछे जाने वाले प्रश्न
क्या Cal AI पारंपरिक कैलोरी ट्रैकिंग ऐप को बदल सकता है?
सामान्य आहार जागरूकता के लिए — यह समझना कि क्या आपने एक दिन में बहुत अधिक या बहुत कम खाया — Cal AI उपयोगी अनुमान प्रदान कर सकता है। विशिष्ट कैलोरी लक्ष्यों, वजन प्रबंधन प्रोटोकॉल, या किसी भी लक्ष्य के लिए जो प्रति दिन 100-200 कैलोरी के भीतर सटीकता पर निर्भर करता है, Cal AI का ±160 कैलोरी दैनिक विचलन इसे प्राथमिक ट्रैकिंग उपकरण के रूप में अविश्वसनीय बनाता है। सटीकता लक्ष्यों वाले उपयोगकर्ताओं को सत्यापित डेटाबेस और कई इनपुट विधियों वाले ऐप्स से बेहतर सेवा मिलती है।
Cal AI को भाग अनुमान में समस्या क्यों होती है?
मौलिक चुनौती यह है कि एक एकल 2D फोटो खाद्य पदार्थों की तीन-आयामी विशेषताओं को कैद नहीं कर सकती — गहराई, घनत्व, और मात्रा। एक गहरे सूप का कटोरा और एक उथले पास्ता की प्लेट ऊपर से समान दिख सकती हैं लेकिन उनमें बहुत अलग मात्रा हो सकती है। इसके अतिरिक्त, कैलोरी-घने सामग्री जैसे तेल, मक्खन, और चीनी जो भोजन में मिलाए जाते हैं या अवशोषित होते हैं, फोटो में अदृश्य होते हैं। ये भौतिकी की सीमाएँ हैं जो सभी फोटो-आधारित अनुमान प्रणाली पर लागू होती हैं, केवल Cal AI पर नहीं।
क्या Cal AI कुछ खाद्य पदार्थों के लिए अधिक सटीक है?
हाँ, काफी। एकल संपूर्ण खाद्य पदार्थ जिनका आकार स्थिर होता है (सेब, केले, अंडे) संदर्भ मानों के ±5-8% के भीतर अनुमान उत्पन्न करते हैं। सरल प्लेटेड भोजन जिनमें स्पष्ट, अलग घटक होते हैं, ±15% तक पहुँचते हैं। जटिल मिश्रित प्लेटें, रेस्तरां के भोजन, और सूप ±25-35% सटीकता तक गिर जाते हैं। जितना अधिक दृश्य रूप से जटिल और परतदार भोजन होगा, उतना ही कम सटीक अनुमान होगा।
क्या Cal AI सुधारों से सीखता है और समय के साथ बेहतर होता है?
Cal AI का AI मॉडल सामान्य मॉडल प्रशिक्षण के माध्यम से अपडेट होता है, व्यक्तिगत उपयोगकर्ता सुधारों के माध्यम से नहीं। यदि आप ऐप में एक अनुमान को सुधारते हैं, तो यह आपके खाते पर उस विशेष खाद्य पदार्थ के लिए भविष्य के अनुमानों में सुधार नहीं करता। मॉडल में सुधार व्यापक प्रशिक्षण डेटा अपडेट के माध्यम से होते हैं जो ऐप अपडेट के रूप में जारी होते हैं। इसका मतलब है कि विशिष्ट खाद्य प्रकारों के लिए प्रणालीगत त्रुटियाँ तब तक बनी रहेंगी जब तक मॉडल को फिर से प्रशिक्षित नहीं किया जाता।
Cal AI एक प्लेट पर कई आइटम वाले भोजन को कैसे संभालता है?
AI फोटो को अलग-अलग खाद्य क्षेत्रों में विभाजित करने और प्रत्येक घटक का अलग-अलग अनुमान लगाने का प्रयास करता है। यह तब ठीक से काम करता है जब खाद्य पदार्थ प्लेट पर स्पष्ट रूप से अलग होते हैं (प्रोटीन एक तरफ, सब्जियाँ दूसरी तरफ)। जब खाद्य पदार्थ ओवरलैप होते हैं, एक साथ मिलाए जाते हैं, या सॉस द्वारा कवर किए जाते हैं, तो यह काफी हद तक घटता है। 4-5 स्पष्ट खाद्य पदार्थों वाले प्लेट के लिए, उम्मीद करें कि 1-2 गलत पहचाने जाएंगे या उनके भाग के अनुमानों में काफी गलतियाँ होंगी।
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!
