Mi az a Snap & Track? Teljes útmutató a fotóalapú kalóriaszámláláshoz

Az ételek manuális keresése egy adatbázisban, a porciók megbecslése, és minden egyes tétel egyesével történő beírása több mint egy évtizede a kalóriaszámlálás standard módszere. Működik, de lassú, unalmas, és az egyik fő oka annak, hogy az emberek a második héten feladják az étkezések naplózását.

A fotóalapú kalóriaszámlálás egy alapvetően más megközelítést kínál. Ahelyett, hogy gépelne és keresne, egyetlen fényképet készít az étkezéséről, és a mesterséges intelligencia elvégzi a többit: azonosítja az ételt a tányérján, megbecsüli a porciók méretét, és másodpercek alatt visszaad egy teljes tápanyagtáblázatot.

A Nutrola által megvalósított technológia neve Snap & Track. Ez az útmutató pontosan elmagyarázza, mi is az a fotóalapú kalóriaszámlálás, hogyan működik a mögöttes technológia, mit csinál jól, hol vannak még kihívások, és hogyan viszonyul más naplózási módszerekhez.

Mi az a fotóalapú kalóriaszámlálás?

A fotóalapú kalóriaszámlálás egy ételnaplózási módszer, amely okostelefon kameráját és mesterséges intelligenciát használ az étkezés tápanyagtartalmának megbecslésére egyetlen fénykép alapján. Ahelyett, hogy a felhasználónak manuálisan kellene keresnie az ételek adatbázisában, a rendszer elemzi a képet, hogy azonosítsa az egyes ételeket, megbecsülje azok mennyiségét, és lekérje a megfelelő tápanyaginformációkat.

A fő ígéret a sebesség és az egyszerűség. Egy folyamat, amely általában 60-120 másodpercet vesz igénybe manuális beírás esetén, a fotóalapú rendszerrel 10 másodpercre csökkenthető. Azok számára, akik naponta három-öt alkalommal étkeznek, ez az időmegtakarítás jelentős különbséget teremt, amely lehetővé teszi a hosszú távú nyomon követést.

Rövid történelem

Az étkezések fényképezésének koncepciója tápanyagelemzés céljából az 2010-es évek elejére nyúlik vissza, amikor a számítógépes látás modellek először mutatták meg, hogy képesek ételek képeit viszonylag pontosan osztályozni. A korai rendszerek kontrollált világítást, specifikus szögeket és referenciaobjektumokat (például egy érmét a tányér mellett a méretarányhoz) igényeltek. A pontosság korlátozott volt, és a technológia a kutatólaboratóriumokban maradt.

A áttörés a mélytanulás fejlődésével jött el, különösen a konvolúciós neurális hálózatok (CNN) terén 2017 és 2022 között. Ahogy ezek a modellek egyre nagyobb ételek képeivel bővültek, az osztályozási pontosság körülbelül 50%-ról 90% fölé emelkedett a gyakori ételek esetében. 2024-re a fogyasztói alkalmazások elkezdtek fotóalapú nyomon követést kínálni, mint alapvető funkciót, nem pedig kísérleti kiegészítőt.

Hogyan működik a Snap & Track: lépésről lépésre

A fényképtől a tápanyaginformációkig terjedő teljes folyamat megértése segít reális elvárásokat kialakítani arról, mit tud és mit nem tud a technológia.

1. lépés: Kép rögzítése

A felhasználó megnyitja a Nutrola alkalmazást, és fényképet készít az étkezéséről a beépített kamerainterfész segítségével. A rendszer a legjobban a felülnézeti vagy 45 fokos szögből készült felvételekkel működik, amelyek világosan mutatják az összes ételt a tányéron. A jó világítás és a minimális akadályok (például kezek, evőeszközök, amelyek eltakarják az ételt, vagy extrém árnyékok) javítják az eredményeket.

A kép standard okostelefon felbontásban készül. Nincs szükség különleges felszerelésre, referenciaobjektumokra vagy kalibrálási lépésekre.

2. lépés: Étel észlelése és azonosítása

Miután a kép rögzítésre került, egy sor AI modell elemzi azt sorban.

Objektum észlelés először azonosítja a különböző étkezési területeket a képen. Ha a tányéron grillezett csirke, rizs és egy saláta található, a modell keretet rajzol minden egyes étel köré. Ez egy többlet címkézési probléma, ami azt jelenti, hogy a rendszernek fel kell ismernie, hogy egyetlen kép több különálló ételt tartalmaz, nem pedig az egész tányért egyetlen tételként kezelni.

Étel osztályozás ezután címkét rendel minden észlelt területhez. A modell több ezer ételt tartalmazó taxonómiából merít, és a vizuális jellemzőket, mint például a szín, textúra, forma és kontextus, összeveti a már ismert étel kategóriákkal. A rendszer figyelembe veszi a társulási mintákat is. Például, ha észlel egy tortillát babok, rizs és salsa mellett, akkor burrito tálként értelmezheti ahelyett, hogy minden összetevőt külön-külön osztályozna.

3. lépés: Porcióméret megbecslése

Az, hogy milyen étel található, csak a probléma fele. A rendszernek azt is meg kell becsülnie, hogy mennyi étel van a tányéron. Ezt különböző technikák kombinációjával érik el:

• Relatív méretezés. A modell a tányért, tálat vagy edényt referenciaobjektumként használja, amelynek feltételezett standard mérete van, hogy megbecsülje az ételek térfogatát ehhez viszonyítva.
• Mélységmegbecslés. Fejlett modellek háromdimenziós struktúrát inferálnak egy kétdimenziós képből, megbecsülve az étkezési elemek, például egy steak vagy egy halom rizs magasságát vagy vastagságát.
• Tanult porciós előítéletek. A modellt több százezer képen képezték ki, amelyekhez ismert porciós súlyok tartoznak, lehetővé téve számára, hogy statisztikai előítéleteket alkalmazzon. Például egy otthon készült étkezés kontextusában egyetlen csirkemell általában 120-200 gramm közötti tartományban van.

4. lépés: Tápanyaginformációk lekérése

Miután az ételek azonosításra kerültek és a porciók megbecsülésre kerültek, a rendszer minden egyes ételt a megfelelő bejegyzéshez egy hitelesített tápanyagdátumban térképezi fel. A Nutrola egy válogatott adatbázist használ, nem pedig egy közösségi forrást, ami csökkenti a hibás vagy duplikált bejegyzések kockázatát.

A rendszer teljes tápanyagtáblázatot ad vissza minden észlelt ételre és az egész étkezésre vonatkozóan:

Tápanyag	Egyesével	Étkezésenként
Kalória (kcal)	Megadva	Összesítve
Fehérje (g)	Megadva	Összesítve
Szénhidrát (g)	Megadva	Összesítve
Zsír (g)	Megadva	Összesítve
Rost (g)	Megadva	Összesítve
Kulcsfontosságú mikrotápanyagok	Megadva	Összesítve

5. lépés: Felhasználói ellenőrzés és megerősítés

A felhasználó megkapja az eredményeket, és átnézheti, módosíthatja vagy javíthatja bármelyik tételt, mielőtt megerősítené a naplóbejegyzést. Ez az emberi beavatkozás kritikus lépés. Ha a rendszer a barna rizst fehér rizsként azonosítja, vagy 150 gramm csirkét becsül, amikor a tényleges porció közelebb áll a 200 grammhoz, a felhasználó gyorsan javíthatja azt. Idővel ezek a korrekciók is segítenek javítani a rendszer pontosságát a visszajelzési hurkok révén.

A fotóalapú ételazonosítás mögötti technológia

Több réteg mesterséges intelligencia és gépi tanulás működik együtt, hogy lehetővé tegye a fotóalapú kalóriaszámlálást.

Konvolúciós Neurális Hálózatok (CNN)

A legtöbb ételazonosító rendszer háttere a konvolúciós neurális hálózat, amely a mélytanulási modellek egy olyan osztálya, amelyet kifejezetten képelemzésre terveztek. A CNN-ek képeket dolgoznak fel több szűrőrétegen keresztül, amelyek egyre absztraktabb jellemzőket észlelnek: az élek és textúrák az első rétegekben, formák és minták a középső rétegekben, és magas szintű étel-specifikus jellemzők a mélyebb rétegekben.

A modern ételazonosító rendszerek általában olyan architektúrákat használnak, mint a ResNet, EfficientNet vagy Vision Transformers (ViT), amelyeket több millió általános képen képeztek ki, majd finomhangoltak ételek specifikus adatbázisain.

Többlet címkézés

A standard képosztályozással ellentétben (ahol egy kép egyetlen címkét kap), az ételazonosítás többlet címkézést igényel. Egyetlen fénykép öt, tíz vagy több különálló ételt tartalmazhat. A modellnek függetlenül kell észlelnie és osztályoznia minden egyes ételt, miközben megérti a közöttük lévő térbeli kapcsolatokat.

Átviteli tanulás és domain adaptáció

Egy ételazonosító modellt a nulláról való képzéshez rendkívül nagy címkézett adatbázisra lenne szükség. Ehelyett a modern rendszerek átviteli tanulást alkalmaznak: egy nagy általános célú képadatbázison (például ImageNet) előképzett modellből indulnak ki, majd finomhangolják azt ételek specifikus képekkel. Ez a megközelítés lehetővé teszi a modell számára, hogy kihasználja az általános vizuális megértést (élek, textúrák, formák), miközben specializálódik az étellel kapcsolatos jellemzőkre.

Képzési adatok

A képzési adatok minősége és sokfélesége valószínűleg fontosabb, mint a modell architektúrája. A hatékony ételazonosító modellek olyan adatbázisokon képződnek, amelyek tartalmazzák:

• Számtalan címkézett ételképet
• Különböző konyhákat, főzési stílusokat és tálalási formákat
• Változatos világítási körülményeket, szögeket és háttereket
• Képeket éttermekből és otthon készült étkezésekből
• Porciós súlyok annotációit a térfogat megbecsléshez

Pontosság: Mit mutat a kutatás

A fotóalapú kalóriaszámlálás pontossága két dimenzió mentén mérhető: az étel azonosításának pontossága (a rendszer helyesen azonosította-e az ételt?) és a kalória becslésének pontossága (a megfelelő mennyiséget becsülte-e?).

Étel azonosításának pontossága

A modern ételazonosító modellek a legjobb 1-es pontosságot (a helyes étel a modell első tippje) 85-95% között érik el a benchmark adatbázisokban, jól megvilágított, világosan bemutatott fényképeken. Az 5-ös legjobb pontosság (a helyes étel a modell legjobb öt tippje között van) általában meghaladja a 95%-ot.

Azonban a benchmark pontosság nem mindig fordítható le közvetlenül a valós teljesítményre. Azokat a tényezőket, amelyek csökkentik a pontosságot a gyakorlatban, az alábbiakban foglaljuk össze:

Tényező	Hatás a pontosságra
Rossz világítás vagy árnyékok	Mérsékelt csökkenés
Szokatlan szögek (extrém közeli, oldalnézet)	Mérsékelt csökkenés
Vegyes vagy rétegezett ételek (rakott ételek, pörköltek)	Jelentős csökkenés
Szokatlan vagy regionális ételek	Jelentős csökkenés
Szószokkal vagy feltétekkel borított ételek	Mérsékelt vagy jelentős csökkenés
Több átfedő tétel	Mérsékelt csökkenés

Kalória becslésének pontossága

Még ha az étel azonosítása helyes is, a kalória becslés további hibát vezethet be a porciók megbecslésén keresztül. A 2023 és 2025 között közzétett tanulmányok megállapították, hogy a fotóalapú kalória becslés általában 15-25%-on belül marad a tényleges kalóriatartalomhoz képest a standard étkezések esetében. Ez összehasonlítható vagy jobb, mint a manuális önbevallás pontossága, amelyről a tanulmányok folyamatosan kimutatták, hogy 20-50%-kal alábecsüli a kalóriafogyasztást.

A Journal of the Academy of Nutrition and Dietetics 2024-es szisztematikus áttekintése megállapította, hogy az AI-támogatott fotóalapú nyomon követés 12%-kal csökkentette az átlagos becslési hibát a manuális becsléshez képest, bármilyen eszköz nélkül.

Mely ételeket kezeli jól, és melyekkel küzd

Nem minden étel egyformán könnyen elemezhető az AI rendszerek által. Ezeknek a különbségeknek a megértése segít a felhasználóknak a fotóalapú nyomon követés maximális kihasználásában.

Magas azonosítási pontosságú ételek

• Egész, vizuálisan megkülönböztethető tételek. Egy banán, egy alma, egy főtt tojás, egy szelet kenyér. Ezeknek következetes, felismerhető formáik és textúráik vannak.
• Tálalt ételek elkülönített összetevőkkel. Grillezett csirkemell párolt brokkolival és rizzsel egy tányéron. Minden tétel vizuálisan megkülönböztethető és térben elkülönített.
• Gyakori nyugati és ázsiai ételek. Sushi, pizza, hamburger, tésztaételek, saláták. Ezek jelentős mértékben képviseltetik magukat a képzési adatbázisokban.
• Csomagolt ételek standard formákkal. Egy granola bár, egy joghurtos pohár, egy tonhalkonzerv. Az edény hasznos méretreferenciát nyújt.

Kihívásokkal küzdő ételek

• Vegyes ételek és rakott ételek. Egy lasagna, egy pörkölt vagy egy curry, ahol az összetevők összekeverednek, megnehezíti az egyes komponensek és arányok azonosítását.
• Szószok, öntetek és rejtett zsírok. Az étkezés során használt olaj, a zöldségekbe olvasztott vaj vagy a salátára locsolt krémes öntet 100-300 kalóriát adhat hozzá, amely vizuálisan nem észlelhető.
• Regionális és szokatlan konyhák. Azok az ételek, amelyek alulreprezentáltak a képzési adatokban, például bizonyos afrikai, közép-ázsiai vagy őslakos ételek, alacsonyabb azonosítási arányokkal rendelkezhetnek.
• Italok. Egy pohár narancslé és egy pohár mangós turmix szinte azonosnak tűnhet, pedig eltérő kalóriatartalmuk van. A sötét italok, mint a tejszínes kávé és a fekete kávé is kihívást jelentenek.
• Változó sűrűségű ételek. Két tál zabkása hasonlóan nézhet ki, de jelentősen eltérő kalóriatartalommal bírhat a zab és a víz arányától függően.

Tippek a jobb fotóalapú nyomon követési eredményekhez

A felhasználók jelentősen javíthatják a fotóalapú kalóriaszámlálás pontosságát néhány praktikus irányelv követésével.

1. Készítsen felvételt felülről vagy 45 fokos szögből. A felülnézeti felvételek a legvilágosabb képet nyújtják az összes ételről a tányéron, és a legjobb perspektívát a porciók megbecsléséhez.
2. Biztosítson jó, egyenletes világítást. A természetes fény hozza a legjobb eredményeket. Kerülje a durva árnyékokat, a háttérvilágítást vagy a nagyon sötét környezetet.
3. Különítse el az ételeket, amikor lehetséges. Ha saját étkezését tálalja, az egyes tételek vizuális elkülönítése (ahelyett, hogy mindent egy halomba rakna) javítja az azonosítást és a porciók pontosságát.
4. Külön naplózza a szószokat, önteteket és főzőolajokat. Ezek a leggyakoribb rejtett kalóriaforrások. Adja hozzá őket manuális bejegyzésként a fotóelemzés után, hogy biztosan rögzítve legyenek.
5. Ellenőrizze és javítsa. Mindig szánjon néhány másodpercet az AI eredményeinek átnézésére a megerősítés előtt. Egy hibásan azonosított tétel javítása öt másodpercet vesz igénybe; figyelmen kívül hagyása napok és hetek alatt felhalmozódó hibát eredményez.
6. Fotózzon étkezés előtt. A fénykép készítése előtt biztosítja, hogy a teljes porció látható legyen. Egy félig megevett tányér nehezebben elemezhető a rendszer számára.
7. Használjon standard tányért vagy tálat. A rendszer az edényt méretreferenciaként használja. Szokatlan edények (például nagyon nagy tál vagy apró előételtál) torzíthatják a porciók megbecslését.

Fotóalapú nyomon követés vs. Manuális naplózás vs. Vonalkódolvasás

Minden ételnaplózási módszernek megvannak a saját erősségei és gyengeségei. Az alábbi táblázat közvetlen összehasonlítást nyújt.

Jellemző	Fotóalapú (Snap & Track)	Manuális adatbázis keresés	Vonalkódolvasás
Sebesség bejegyzésenként	5-10 másodperc	60-120 másodperc	10-15 másodperc
Pontosság csomagolt ételeknél	Jó	Jó (ha a megfelelő tételt választják)	Kiváló (pontos egyezés)
Pontosság otthon készült ételeknél	Jó	Mérsékelt (becslés függő)	Nem alkalmazható
Pontosság éttermi ételeknél	Jó	Gyenge vagy mérsékelt	Nem alkalmazható
Kezeli vegyes ételeket	Mérsékelt	Jó (ha a felhasználó ismeri az összetevőket)	Nem alkalmazható
Rögzíti a rejtett zsírokat/olajokat	Gyenge	Mérsékelt (ha a felhasználó emlékszik)	Nem alkalmazható
Tanulási görbe	Nagyon alacsony	Mérsékelt	Alacsony
Felhasználói erőfeszítés	Minimális	Magas	Alacsony (csak csomagolt ételek)
Hosszú távú betartás	Magas	Alacsony vagy mérsékelt	Mérsékelt
Működik csomagolás nélkül	Igen	Igen	Nem

Mikor használja az egyes módszereket

A leghatékonyabb megközelítés az, ha a három módszert a helyzetnek megfelelően használja:

• Snap & Track a legtöbb étkezéshez, különösen otthon készült tányérokhoz és étteremben, ahol láthatja az ételt.
• Vonalkódolvasás a csomagolt ételekhez, snackekhez és italokhoz, amelyek vonalkóddal rendelkeznek, mivel ez a legpontosabb tápanyaginformációt nyújtja.
• Manuális bejegyzés olyan specifikus összetevőkhez, mint a főzőolaj, vaj vagy szószok, amelyek nem láthatók a fényképeken, és az AI nem ismeri fel őket. A Nutrola mindhárom módszert támogatja egyetlen felületen, lehetővé téve a felhasználók számára, hogy a szükséges módon kombinálják őket minden étkezéshez.

Adatvédelem: Hogyan kezelik a fénykép adatokat

Az adatvédelem jogos aggodalomra ad okot, amikor egy alkalmazás azt kéri, hogy fényképezze le az ételét. Különböző alkalmazások eltérően kezelik a fénykép adatokat, és a felhasználóknak meg kell érteniük a kompromisszumokat.

Felhőalapú feldolgozás vs. Eszközön belüli feldolgozás

A legtöbb fotóalapú kalóriaszámláló rendszer a felhőben dolgozza fel a képeket. A fénykép feltöltésre kerül egy távoli szerverre, ahol az AI modell elemzi, és az eredményeket visszaküldi az eszközre. Ez a megközelítés lehetővé teszi nagyobb, pontosabb modellek használatát, amelyeket túl költséges lenne futtatni egy okostelefonon.

Az eszközön belüli feldolgozás a felhasználó telefonján tartja a fényképet, és egy kisebb AI modellt futtat helyben. Ez erősebb adatvédelmi garanciákat kínál, mivel a kép soha nem hagyja el az eszközt, de áldozatul eshet a pontosságnak, mert az eszközön belüli modellek általában kisebbek és kevésbé képesek, mint a felhőalapú megfelelőik.

A Nutrola megközelítése

A Nutrola a legmagasabb lehetséges pontosság biztosítása érdekében felhőalapú AI modellek segítségével dolgozza fel az ételfelvételeket. A képek titkosított kapcsolatokon (TLS 1.3) keresztül kerülnek átvitelre, tápanyagelemzés céljából feldolgozásra kerülnek, és az elemzés befejezése után nem tárolják őket tartósan a Nutrola szerverein. A képeket nem használják hirdetésekhez, nem adják el harmadik feleknek, és nem osztják meg a tápanyagelemzési folyamaton kívül.

A felhasználók áttekinthetik a Nutrola teljes adatvédelmi irányelveit a részletes információkért az adatkezelésről, a megőrzési időszakokról és a személyes adatokkal kapcsolatos jogaikról.

Kulcsfontosságú adatvédelmi szempontok

Aggodalom	Mire figyeljen
Adatok titkosítása	TLS/SSL az átvitel során
Képmegőrzés	A fényképek törlése az elemzés után
Harmadik fél általi megosztás	A képek megosztása hirdetőkkel vagy adatbrókerekkel
Képzési adatok felhasználása	A fényképek felhasználása az AI modellek képzésére
Adatok törlésére vonatkozó jogok	A tárolt adatok törlésének kérésének lehetősége

A fotóalapú kalóriaszámlálás jövője

A fotóalapú ételazonosító technológia gyorsan fejlődik. Számos fejlesztés várható, amelyek jelentősen javítják a pontosságot és a képességeket a közeljövőben.

Több szögből és videóalapú becslés. A jövőbeli rendszerek nemcsak egyetlen fényképre támaszkodnak, hanem rövid videoklipeket vagy több szöget is használnak, hogy háromdimenziós megértést építsenek az étkezésről, drámaian javítva a porciók megbecslését.

Mélységérzékelők. Az LiDAR vagy strukturált fény mélységérzékelőkkel felszerelt okostelefonok (amelyek már jelen vannak néhány csúcsmodelleknél) pontos mélységi információkat nyújthatnak, lehetővé téve a rendszer számára, hogy az étel térfogatát számolja, ahelyett, hogy egy sík képből becsülné meg.

Személyre szabott modellek. Ahogy a felhasználók idővel naplózzák és javítják az étkezéseket, a rendszer megtanulhatja az egyedi étkezési preferenciáikat, tipikus porcióméreteiket és főzési stílusaikat, létrehozva egy személyre szabott modellt, amely javítja a pontosságot a saját étrendjükre vonatkozóan.

Bővített konyhai lefedettség. A képzési adatbázisok sokszínűsítésére irányuló folyamatos erőfeszítések javítják az alulreprezentált konyhák azonosítási pontosságát, így a technológia egyenlőbbé és hasznosabbá válik a globális felhasználói bázis számára.

Integráció viselhető adatokkal. A fotóalapú ételnaplózás és a fitneszkövetők, folyamatos glükózmonitorok és más viselhető eszközök adatai kombinálva holisztikusabb és pontosabb tápanyagelemzést tesznek lehetővé.

Gyakran Ismételt Kérdések

Mennyire pontos a fotóalapú kalóriaszámlálás a manuális naplózáshoz képest?

A fotóalapú kalóriaszámlálás általában 15-25%-on belül becsüli a kalóriatartalmat a tényleges értékhez képest a standard étkezések esetében. A manuális önbevallás, eszközök nélkül, klinikai tanulmányokban kimutatták, hogy átlagosan 20-50%-kal alábecsüli a kalóriafogyasztást. Amikor a felhasználók átnézik és javítják az AI által generált becsléseket, a fotóalapú nyomon követés általában egyenlő vagy jobb pontosságot eredményez, kevesebb idő- és erőfeszítést igényelve. Az AI becslés és az emberi ellenőrzés kombinációja általában felülmúlja bármelyik megközelítést külön-külön.

A Snap & Track képes bármilyen konyhából származó ételeket felismerni?

A Snap & Track a legjobban az olyan konyhákkal működik, amelyek jól képviseltetik magukat a képzési adatokban, ideértve a legtöbb nyugati, kelet-ázsiai, dél-ázsiai és latin-amerikai ételt. Az alul dokumentált regionális konyhák azonosítási pontossága alacsonyabb lehet, de ez egy aktívan javuló terület. Ha a rendszer nem ismer fel egy adott ételt, a felhasználók mindig visszatérhetnek a manuális bejegyzéshez vagy közvetlenül kereshetnek az adatbázisban. A Nutrola folyamatosan bővíti az ételfotó képzési adatait a globális konyhai lefedettség javítása érdekében.

A Snap & Track működik vegyes ételekkel, mint például levesek, pörköltek és rakott ételek?

A vegyes ételek a fotóalapú azonosítás egyik legnagyobb kihívását jelentik, mivel az egyes összetevők összekeverednek, és nem vizuálisan megkülönböztethetők. A Snap & Track sok közönséges vegyes ételt (például chili, ramen vagy curry) egész tételként azonosíthat, és becsült tápanyaginformációkat adhat vissza a standard receptek alapján. Az otthon készült vegyes ételek esetén, amelyek nem standard összetevőket tartalmaznak, a felhasználók pontosabb eredményeket érhetnek el, ha manuálisan naplózzák az egyes összetevőket, vagy használják a receptkészítő funkciót egyedi bejegyzés létrehozásához.

Az ételfotóim tárolva vannak vagy harmadik felekkel megosztva?

A Nutrola titkosított kapcsolatokon keresztül továbbítja az ételfelvételeket felhőalapú AI elemzés céljából. A képeket nem tárolják tartósan a Nutrola szerverein az elemzés befejezése után, és nem osztják meg harmadik felekkel, nem használják hirdetésekhez, és nem adják el adatbrókereknek. A felhasználók teljes ellenőrzést gyakorolnak adataik felett, és bármikor kérhetik a tárolt információk törlését az alkalmazás adatvédelmi beállításaiban.

Szükségem van különleges kamerára vagy felszerelésre a fotóalapú kalóriaszámláláshoz?

Nincs szükség különleges felszerelésre. Bármely modern okostelefon kamera (kb. 2018-tól kezdődően) elegendő képminőséget biztosít az étel azonosításához. A magasabb felbontású kamerák és a jobb világítás javítják az eredményeket, de a rendszer úgy van tervezve, hogy jól működjön a standard okostelefon hardverrel. Nincs szükség referenciaobjektumokra, kalibrálási lépésekre vagy külső kiegészítőkre.

Használjam a Snap & Track-ot minden étkezéshez, vagy vannak olyan időszakok, amikor más módszerek jobbak?

A legpontosabb megközelítés az, ha a megfelelő módszert használja minden helyzetben. A Snap & Track ideális a tálalt ételekhez, étteremben való étkezéshez és bármilyen helyzethez, ahol az ételek láthatóak. A vonalkódolvasás pontosabb a csomagolt ételek esetében, amelyek vonalkóddal rendelkeznek, mivel ez a legpontosabb gyártói adatokat nyújtja. A manuális bejegyzés a nem látható összetevők, például főzőolajok, vaj vagy kiegészítők esetén a legjobb. A három módszer megfelelő használata, ahelyett, hogy kizárólag bármelyikre támaszkodna, a legpontosabb napi tápanyagnaplót eredményezi.