10 Millió Étel Fotó Elemzése: Az AI Által Legtöbbször Tévesen Azonosított 20 Étel

Az AI Ételazonosítás Háttéradatai

Az AI-alapú ételazonosítás forradalmasította a táplálkozás nyomkövetését. Ahelyett, hogy adatbázisokban keresgélne és találgatná a porciók méretét, egyszerűen készít egy fotót, és hagyja, hogy a számítógépes látás végezze a munkát. A Nutrola Snap & Track funkciója havonta milliók ételfotóját dolgozza fel, és több mint 50 országban a felhasználók ezt használják elsődleges naplózási módszerként.

Azonban az AI ételazonosítás nem tökéletes. Néhány ételt folyamatosan megtréfál még a legfejlettebb számítógépes látási modellek is. Annak érdekében, hogy megértsük, hol teljesít jól a technológia és hol küzd, elemeztük a Nutrola Snap & Track rendszerén keresztül 2025 januárja és 2026 januárja között feldolgozott 10 millió ételfotót. Összehasonlítottuk az AI azonosításait a felhasználói korrekciókkal, manuális ellenőrzésekkel és táplálkozási szakértői véleményekkel, hogy kiszámítsuk az egyes ételek pontossági arányait és azonosítsuk a téves azonosítások rendszeres mintáit.

Ez az, amit találtunk.

Módszertan

Elemzésünkben 10,247,831 ételfotó szerepelt, amelyeket a Nutrola felhasználói küldtek be 53 országban. Minden egyes fotónál nyomon követtük:

• Kezdeti AI azonosítás: Az étel(ek), amelyeket az AI a legmagasabb bizalmi pontszámmal azonosított
• Felhasználói korrekciós arány: Hányszor változtatta meg a felhasználó az AI azonosítását egy másik ételre
• Táplálkozási szakértői ellenőrzés: 50,000 képből álló véletlenszerű mintát ellenőriztek képzett táplálkozási szakértők, hogy független alapigazságot állapítsanak meg a felhasználói korrekcióktól
• Top-1 pontosság: Hogy az AI legmagasabb bizalmi azonosítása helyes volt-e
• Top-3 pontosság: Hogy a helyes étel szerepelt-e az AI három legmagasabb bizalmi előrejelzése között

Összességében a Nutrola Snap & Track 87.3%-os top-1 pontosságot és 94.1%-os top-3 pontosságot ért el az összes ételtípusra. Ezek a számok összhangban állnak a legmodernebb ételazonosító modellek közzétett referenciaértékeivel, amelyek általában 80-90%-os top-1 pontosságot jelentenek olyan standard adatbázisokon, mint a Food-101 és az ISIA Food-500.

Azonban a pontosság drámaian változik az ételtípusok között. Néhány kategória meghaladja a 95%-os top-1 pontosságot, míg mások 60% alatt maradnak.

A 20 Legtöbbször Tévesen Azonosított Étel

Teljes Ranglista

Rang	Étel	Top-1 Pontosság	Top-3 Pontosság	Leggyakoribb Téves Azonosítás	Kalória Hiba Téves Azonosítás Esetén
1	Couscous	52.1%	71.4%	Quinoa, bulgur búza, rizs	+/- 15-40 kcal adagonként
2	Görög joghurt (natúr)	55.8%	78.2%	Tejföl, labneh, sima joghurt	+/- 30-80 kcal adagonként
3	Karfiolrizs	57.3%	74.6%	Fehér rizs, couscous	+110-150 kcal adagonként
4	Miso leves	58.9%	76.1%	Egyéb levesek, dashi	+/- 20-60 kcal adagonként
5	Lapos kenyérfélék	59.4%	73.8%	Naan vs roti vs pita vs tortilla	+/- 50-150 kcal darabonként
6	Açai tál	61.2%	79.5%	Smoothie tál, vegyes bogyós tál	+/- 100-200 kcal tálonként
7	Pulyka szalonna	62.0%	80.1%	Sertésszalonna	+40-70 kcal adagonként
8	Tempeh	63.4%	77.9%	Tofu (kemény), seitan	+/- 30-80 kcal adagonként
9	Cukkini tészta	64.1%	81.3%	Hagyományos tészta, üvegtészta	+150-200 kcal adagonként
10	Baba ghanoush	64.8%	79.7%	Humusz	+30-60 kcal adagonként
11	Fehér halfilé	65.2%	82.4%	Csirkemell, egyéb fehér halfajok	+/- 20-50 kcal adagonként
12	Fehérje palacsinta	66.1%	83.0%	Hagyományos palacsinta	+80-150 kcal adagonként
13	Zabtej	67.3%	84.2%	Hagyományos tej, mandulatej, szójatej	+/- 30-80 kcal csészénként
14	Sötét leveles zöldségek (főzve)	67.9%	85.1%	Spenót vs káposzta vs collard vs mángold	+/- 5-15 kcal adagonként
15	Cukormentes desszertek	68.4%	80.6%	Hagyományos változatai ugyanannak a desszertnek	+100-250 kcal adagonként
16	Gabonás tálak	69.1%	83.7%	Gabonafajták téves azonosítása	+/- 40-100 kcal adagonként
17	Növényi alapú hús	69.8%	84.9%	Valódi hús megfelelője	+/- 30-80 kcal adagonként
18	Gombócok	70.2%	85.6%	Wonton vs gyoza vs pierogi vs momo	+/- 20-60 kcal darabonként
19	Vegyes curry ételek	70.5%	82.3%	Zavar a curry típusok és alapok között	+/- 50-150 kcal adagonként
20	Éjszakai zab	71.0%	86.2%	Hagyományos zabkása, chia puding	+/- 50-120 kcal adagonként

Miért Zavarják Meg Ezek az Ételek az AI-t: Öt Minta

Minta 1: Vizualizációs Ikrek Különböző Kalória Profilokkal

A leggyakoribb téves azonosítás forrása azok az ételek, amelyek szinte azonosak, de jelentősen eltérő tápértékkel bírnak. A couscous és a quinoa, a leggyakrabban tévesen azonosított ételünk, vizuálisan majdnem megkülönböztethetetlen egy fényképen, különösen, ha zöldségekkel vagy szósszal keverik. Mégis, a quinoa körülbelül 20%-kal több kalóriát és lényegesen több fehérjét tartalmaz adagonként, mint a couscous.

Hasonlóképpen, a karfiolrizs és a fehér rizs szinte azonos vizuális jellemzőkkel bírnak a fényképeken, de a kalóriakülönbség hatalmas: körülbelül 25 kcal egy csészényi karfiolrizs esetén, míg a fehér rizs 200+ kcal. Amikor az AI a karfiolrizst fehér rizsként azonosítja, a kalória nyilvántartás akár 150 vagy több kalóriával is megemelkedhet egyetlen köret esetén.

A görög joghurt, a tejföl és a labneh egy másik vizuális ikerpár. Mindhárom fehér, krémes, és jellemzően tálakban szolgálják fel. A teljes zsírtartalmú görög joghurt körülbelül 130 kcal-t tartalmaz csészénként, míg a tejföl körülbelül 445 kcal-t. Egy téves azonosítás itt drámaian torzíthatja a felhasználó napi bevitelének számítását.

Minta 2: Regionális Változatok Hasonló Ételekből

A lapos kenyerek az ötödik helyet foglalják el a listán, mert a kategória számos vizuálisan hasonló, de táplálkozásilag eltérő ételt foglal magában a különböző kultúrákból. Egy hagyományos búzaliszt tortilla (körülbelül 120 kcal) hasonlít a naanra (körülbelül 260 kcal) a fényképeken, különösen, ha részben hajlítva vagy feltekerve van. A roti (körülbelül 100 kcal) és a paratha (körülbelül 260 kcal, az olaj/vaj rétegezés miatt) szintén megkülönböztethetetlennek tűnhet, mégis az egyik több mint kétszer annyi kalóriát tartalmaz.

A gombócok (18. helyezett) hasonló kihívást jelentenek. A japán gyoza, a kínai jiaozi, a lengyel pierogi, a nepáli momo és a grúz khinkali hasonló formátumot osztanak meg (tésztaburkolat töltelékkel), de méretük, burkolatuk vastagsága, töltelékük összetétele és elkészítési módjuk (gőzölt vs sült vs főtt) jelentősen eltér.

A Nutrola előnye itt a 50+ országra kiterjedő lefedettsége. Az AI modell minden jelentős konyhai hagyomány ételfotóin tanult, így szélesebb vizuális szókincse van, mint azoknak a modelleknek, amelyek túlnyomórészt nyugati ételfotográfiákra épülnek. Ennek ellenére a kategórián belüli megkülönböztetések továbbra is kihívást jelentenek.

Minta 3: Helyettesítő Ételek, Amelyek Utánozzák az Eredetieket

A diétás helyettesítők megjelenése újabb elismerési kihívásokat teremtett. A pulyka szalonna utánozza a sertésszalonnát. A növényi alapú hamburgerek utánozzák a marhahús hamburgereket. A cukkini tészta utánozza a tésztát. A fehérje palacsinta utánozza a hagyományos palacsintát. A cukormentes desszertek utánozzák a teljes cukros megfelelőiket.

Ezeket a helyettesítőket szándékosan úgy tervezték, hogy hasonlítsanak az általuk helyettesített ételekre. Ez a fogyasztói elégedettség szempontjából teljesen érthető, de alapvető problémát jelent a vizuális azonosító rendszerek számára. A kalória következmények jelentősek lehetnek: a hagyományos palacsinták átlagosan 175 kcal-t tartalmaznak, míg a fehérje palacsinták jellemzően 90-110 kcal-t. A cukkini tészta körülbelül 20 kcal-t tartalmaz csészénként, míg a főtt spagetti 220 kcal-t.

Adatainkban a helyettesítő ételek átlagos top-1 pontossága 66.7% volt, míg nem helyettesítő megfelelőiké 89.2%. Ez egy olyan terület, ahol a kontextuális jelek (felhasználói táplálkozási preferenciák, korábbi naplózási minták) segíthetnek, és a Nutrola AI ezeket a jeleket beépíti a jóslatok javítása érdekében.

Minta 4: Folyékony és Fél-Folyékony Ételek

A levesek, smoothie tálak és italok folyamatosan nehezebbek az AI számára, mint a szilárd ételek azonosítása. A miso leves (4. helyezett) egy tiszta folyadék, amelyben látható tofu és algadarabok vannak, amelyek összekeverhetők más ázsiai alapú levesekkel. Az açai tálak (6. helyezett) vizuális jellemzői hasonlítanak más bogyós smoothie tálakra, de kalóriatartalmuk drámaian eltér a bázis keveréktől és a feltétektől függően.

A folyékony ételek kihívása, hogy a kritikus táplálkozási információ szó szerint láthatatlan. Két csésze folyadék, amely a fényképen azonosnak tűnik, bárhol 10 kcal-tól (fekete kávé) 400 kcal-ig (magas kalóriatartalmú smoothie) terjedhet. A Nutrola ezt úgy kezeli, hogy következő kérdésekkel ösztönzi a felhasználókat, amikor folyékony ételeket észlel: "Ez normál vagy diétás változat?" "Melyik márka ez?"

Minta 5: Vegyes Ételek Rejtett Hozzávalókkal

A curry ételek (19. helyezett) és a gabonás tálak (16. helyezett) egy szélesebb kihívást képviselnek: több összetevőből álló ételek, ahol a táplálkozásilag jelentős hozzávalók rejtve maradnak. Egy thai zöld curry készülhet kókusztejből (ami 200+ kcal-t ad hozzá adagonként) vagy egy könnyebb alapléből. A gabonás tál kalóriatartalma nagymértékben függ attól, hogy a bázis quinoa, fehér rizs, barna rizs vagy farro, amelyet feltétek takarhatnak.

A vegyes ételek a Nutrola felhasználói által naplózott összes étkezés körülbelül 35%-át teszik ki, de a jelentős kalória becslési hibák 52%-át képviselik (amelyeket a tál valódi kalóriatartalmának 15%-át meghaladó hibaként definiálunk).

Hogyan Javította a Nutrola a Pontosságot

Iteratív Modellképzés

Minden felhasználói korrekció visszakerül a Nutrola AI modelljének képzési folyamatába. Amikor egy felhasználó a "quinoa"-t "couscous"-ra változtatja, ez a korrekció, az eredeti képpel együtt, bekerül a képzési adatbázisba. Elemzésünk 12 hónapja alatt ez a folyamatos tanulási folyamat az összesített top-1 pontosságot 82.6%-ról 87.3%-ra javította, ami 4.7%-os növekedést jelent.

Negyedév	Top-1 Pontosság	Top-3 Pontosság	Átlagos Kalória Hiba
2025 Q1	82.6%	90.3%	47 kcal
2025 Q2	84.1%	91.8%	41 kcal
2025 Q3	85.9%	93.2%	36 kcal
2025 Q4	86.8%	93.9%	33 kcal
2026 Q1 (részleges)	87.3%	94.1%	31 kcal

Kontextuális Jelek

A Nutrola AI nem azonosít ételeket vákuumban. Kontextuális jeleket is figyelembe vesz a pontosság javítása érdekében:

• Felhasználói táplálkozási profil: Ha egy felhasználó jelezte, hogy növényi alapú étrendet követ, a modell növeli a bizalmi pontszámokat a növényi alapú alternatívákra (tofu a csirke helyett, zabtej a tej helyett, növényi alapú hamburger a marhahús helyett).
• Étkezési időpont: A reggeli képek valószínűbben tartalmaznak reggeli ételeket. Ez nyilvánvalónak tűnik, de jelentősen javítja a pontosságot olyan homályos elemeknél, mint az éjszakai zab vagy a chia puding.
• Földrajzi elhelyezkedés: Egy Tokióban készült fénykép valószínűbb, hogy miso levest ábrázol, mint minestrone-t. A Nutrola több mint 50 országban szolgál felhasználókat, és általános helyadatokat (a felhasználó engedélyével) használ az ételazonosítási előrejelzések módosítására.
• Korábbi naplózási minták: Ha egy felhasználó rendszeresen naplózza a karfiolrizst, a modell megtanulja, hogy ez a felhasználó valószínűbb, hogy karfiolrizst eszik, mint fehér rizst, amikor a vizuális bemenet homályos.

Több Kép Azonosítása

2025-ben a Nutrola bevezette a lehetőséget, hogy több fényképet készítsenek ugyanarról az étkezésről különböző szögekből. Bonyolult ételek és homályos ételek esetén egy második szög segíthet megoldani az azonosítási bizonytalanságot. A tesztelés során a több szögű azonosítás 8.2%-kal javította a top-1 pontosságot a 20 leggyakrabban tévesen azonosított ételnél.

Bizalmi Küszöbök és Felhasználói Kérdések

Amikor az AI bizalmi pontszáma 75% alá csökken, a Nutrola a felhasználónak a három legjobb jelöltet mutatja be, ahelyett, hogy automatikusan naplózná a legjobb eredményt. A felhasználók rákattinthatnak a helyes azonosításra vagy beírhatják az étel nevét. Ez az átlátható megközelítés biztosítja, hogy az alacsony bizalmi azonosításokat észleljék és javítsák, mielőtt azok befolyásolnák a kalóriakövetés pontosságát.

A Téves Azonosítás Kalória Hatása

Nem minden téves azonosítás egyenlő. A káposzta és a spenót összekeverése (14. helyezett) kalória hatása 5-15 kcal adagonként, ami táplálkozásilag jelentéktelen. A karfiolrizs és a fehér rizs összekeverése (3. helyezett) vagy a cukkini tészta és a tészta összekeverése (9. helyezett) 150-200 kcal hibát okozhat, ami jelentősen befolyásolhatja a napi kalóriakeretet.

Kiszámítottuk a téves azonosítások súlyozott kalória hatását az adataink alapján:

Kalória Hiba Tartomány	A Téves Azonosítások %	Gyakorlati Hatás
Kevesebb mint 25 kcal	38.2%	Jelentéktelen
25-75 kcal	29.6%	Kisebb
75-150 kcal	19.7%	Mérsékelt, idővel észlelhető
150-250 kcal	9.1%	Jelentős, befolyásolhatja a napi célokat
Több mint 250 kcal	3.4%	Nagy, egy kis étkezésnek felel meg

A median kalória hiba az összes téves azonosítás esetén 42 kcal volt, ami a legtöbb táplálkozási nyomkövetési célhoz képest a hibahatáron belül van. Azonban a megoszlás farka (a téves azonosítások 12.5%-a, amelyek 150+ kcal hibákat okoznak) az a terület, ahol az AI ételazonosításnak a legnagyobb fejlődési lehetősége van.

Mit Tehetnek a Felhasználók az AI Pontosságának Javítása Érdekében

1. Készítsen világos, jól megvilágított fényképeket. Az AI a legjobban jó világítás mellett és egy tiszta, felülről néző képnél teljesít. A gyenge fényviszonyok között készült étterem fényképei és szélsőséges szögek átlagosan 6%-kal csökkentik a pontosságot.

2. Különítse el az összetevőket, ha lehetséges. Ha az étkezésének különálló összetevői vannak (fehérje, gabona, zöldségek), azok látható elkülönítése segít az AI-nak az egyes elemek azonosításában, ahelyett, hogy az egész tányért egyetlen vegyes ételnek tekintené.

3. Használja a korrekciós funkciót. Minden korrekció, amelyet végez, javítja az AI-t az Ön és az egész Nutrola közösség számára. Azok a felhasználók, akik a használat első két hetében javítják a téves azonosításokat, 11%-kal magasabb hosszú távú pontossági arányokat tapasztalnak, mivel a modell megtanulja a saját táplálkozási mintáikat.

4. Jelölje meg a helyettesítőket. Ha rendszeresen fogyaszt helyettesítő ételeket (karfiolrizs, növényi alapú hús, cukormentes lehetőségek), jelezze ezt a Nutrola táplálkozási preferenciáiban. Az AI ezeket az alternatívákat nagyobb súllyal veszi figyelembe a jóslataiban.

5. Próbáljon ki több szögből készült fényképeket. Bonyolult ételek esetén egy második fénykép más szögből segíthet a homályos azonosítás megoldásában. Ez különösen hasznos tálak, levesek és vegyes ételek esetén, ahol a kulcsfontosságú összetevők a feltétek alatt rejtőzhetnek.

Jövőbeli Kilátások

Az AI ételazonosítás pontossága drámaian javult az elmúlt három évben, és a tendencia nem mutat lassulást. A Nutrola Snap & Track modellje havonta több ételfotót dolgoz fel, mint amennyi a legtöbb közzétett tudományos adatbázisban összesen található, és minden interakció okosabbá teszi a rendszert.

Célunk 2026 végére a 90%-os top-1 pontosság elérése az összes ételtípusra és a 75%-os pontosság a jelenlegi 20 leggyakrabban tévesen azonosított ételre. A folyamatos modellfejlesztések, a növekvő felhasználói bázisunkból származó bővített képzési adatok, valamint a több szögű azonosítás és a kontextuális jelek bevezetésével úgy véljük, hogy ezek a célok elérhetők.

A cél nem az, hogy teljesen felváltsuk az emberi ítélőképességet. Az a célunk, hogy az étkezések nyilvántartása olyan gyors és pontos legyen, hogy a táplálkozás nyomkövetésének ne legyen észlelhető akadálya. Még nem értük el ezt, de 10 millió fotóval a hátunk mögött mérhetően közelebb kerültünk, mint egy évvel ezelőtt.