Zdjęcie vs. Kod kreskowy vs. Ręczne wprowadzanie: Która metoda rejestrowania ma najwyższą dokładność?

Kiedy otwierasz aplikację do śledzenia kalorii, zazwyczaj masz trzy sposoby na zarejestrowanie posiłku: zrobić zdjęcie i pozwolić AI oszacować wartość odżywczą, zeskanować kod kreskowy na opakowanej żywności lub ręcznie wyszukać i wprowadzić każdy składnik. Każda z tych metod ma swoich zwolenników i wiąże się z różnymi kompromisami w zakresie dokładności, szybkości i doświadczenia użytkownika.

Ale która z nich naprawdę daje najlepsze wyniki? Nie tylko w kontekście surowej dokładności, ale także w odniesieniu do rzeczywistych rezultatów — utrzymania zaangażowania użytkowników, budowania świadomości i postępów w realizacji ich celów.

Przeanalizowaliśmy 38,4 miliona wpisów posiłków zarejestrowanych na Nutrola w okresie od kwietnia 2025 do lutego 2026, porównując wszystkie trzy metody w różnych wymiarach. Oto, co pokazują dane.

Przegląd badania

Źródła danych

Zebraliśmy 38,4 miliona wpisów posiłków z bazy danych Nutrola, sklasyfikowanych według metody rejestrowania:

Metoda	Analizowane wpisy	% całości	Unikalni użytkownicy
AI Zdjęcie (Snap & Track)	16,0M	41,7%	1,24M
Skanowanie kodów kreskowych	10,4M	27,1%	982K
Ręczne wprowadzanie	9,4M	24,6%	1,08M
Szybkie dodawanie (tylko kalorie)	2,6M	6,6%	412K

Skupiliśmy się na analizie dokładności pierwszych trzech metod, ponieważ wpisy Szybkiego dodawania nie zawierają wystarczających szczegółów odżywczych do porównania dokładności.

Jak mierzyliśmy dokładność

Użyliśmy dwóch podejść do oceny dokładności:

Weryfikacja wewnętrzna: Porównaliśmy wprowadzone wartości z weryfikowaną bazą danych Nutrola. Gdy użytkownik ręcznie wprowadza "pierś z kurczaka, 150g", skanuje kod kreskowy produktu z piersią z kurczaka lub fotografuje pierś z kurczaka, porównaliśmy wyniki każdej metody z wartością odniesienia USDA FoodData Central dla tej samej żywności i porcji.

Weryfikacja zewnętrzna: Przeprowadziliśmy kontrolowane badanie z udziałem 2400 ochotników Nutrola, którzy ważyli swoje jedzenie na wagach kuchennych i przesyłali zarówno dane z wag, jak i swoje normalne wpisy w aplikacji. To dostarczyło nam danych rzeczywistych dla 14 200 posiłków w ramach wszystkich trzech metod.

Wyniki dokładności: Pełen obraz

Ogólna dokładność kalorii według metody

Metoda	Średni błąd kalorii	Mediana błędu kalorii	% w granicach 10% wartości odniesienia	% w granicach 20% wartości odniesienia
Skanowanie kodów kreskowych	4,2%	2,8%	87,3%	96,1%
AI Zdjęcie	11,4%	8,6%	62,8%	84,7%
Ręczne wprowadzanie	14,8%	11,2%	48,6%	74,3%

Skanowanie kodów kreskowych jest zdecydowanym liderem pod względem dokładności, z średnim błędem kalorii wynoszącym zaledwie 4,2% i 87,3% wpisów mieszczących się w granicach 10% wartości odniesienia. To ma sens intuicyjnie — skanowanie kodów kreskowych pobiera dane odżywcze bezpośrednio z weryfikowanych baz danych produktów, eliminując całkowicie oszacowania.

Rejestrowanie zdjęć AI osiąga średni błąd wynoszący 11,4%, przy czym prawie 63% wpisów mieści się w granicach 10% dokładności. To znaczący osiągnięcie dla systemu wizji komputerowej, który ocenia rodzaj żywności i wielkość porcji na podstawie pojedynczego obrazu.

Ręczne wprowadzanie, mimo że jest najbardziej pracochłonną metodą, jest w rzeczywistości najmniej dokładne, z średnim błędem wynoszącym 14,8%. Tylko 48,6% ręcznych wpisów mieści się w granicach 10% wartości odniesienia.

Dlaczego ręczne wprowadzanie jest mniej dokładne niż oczekiwano

Wynik dokładności ręcznego wprowadzania zaskakuje wiele osób. Jeśli użytkownicy wpisują konkretne produkty i porcje, dlaczego dokładność jest gorsza niż w przypadku oszacowania AI?

Nasze dane ujawniają trzy główne źródła błędów w ręcznym wprowadzaniu:

1. Oszacowanie wielkości porcji (stanowi 52% błędu)

Użytkownicy konsekwentnie niedoszacowują porcje podczas ręcznego wprowadzania. Średnia porcja wprowadzona ręcznie jest o 18% mniejsza niż rzeczywiście zmierzona porcja dla tej samej żywności.

Kategoria żywności	Średnia porcja wprowadzona ręcznie	Średnia rzeczywista porcja (ważona)	Błąd
Makaron/ryż (ugotowane)	168g	224g	-25,0%
Oleje do gotowania	8ml	15ml	-46,7%
Orzechy/nasiona	25g	38g	-34,2%
Ser	28g	42g	-33,3%
Płatki śniadaniowe	38g	54g	-29,6%
Pierś z kurczaka	142g	164g	-13,4%
Warzywa	92g	84g	+9,5%
Owoce	118g	124g	-4,8%

Najgorszymi winowajcami są oleje do gotowania (-46,7%), orzechy (-34,2%) i ser (-33,3%) — wszystkie to produkty kaloryczne, gdzie niewielkie różnice objętości przekładają się na duże różnice kaloryczne. Łyżka oliwy z oliwek, która w rzeczywistości jest bliższa dwóm łyżkom, oznacza błąd 120 kcal z jednego składnika.

Warzywa to jedyna kategoria, w której ręczne wprowadzanie przeszacowuje porcje, prawdopodobnie dlatego, że ludzie czują się dobrze z ilością warzyw i zaokrąglają w górę.

2. Zła selekcja żywności (stanowi 28% błędu)

W 12,4% ręcznych wpisów użytkownicy wybierają element bazy danych, który nie odpowiada dokładnie ich żywności. Typowe przykłady to wybór "pierś z kurczaka, grillowana", gdy rzeczywiste przygotowanie to "pierś z kurczaka, smażona na oleju" (dodając około 50-80 kcal) lub wybór zwykłego ryżu, gdy ryż był gotowany z masłem lub mlekiem kokosowym.

3. Pominięte składniki (stanowi 20% błędu)

Użytkownicy często pomijają sosy, dressingi, tłuszcze do gotowania i przyprawy w ręcznych wpisach. Nasze dane pokazują, że 34% ręcznie wprowadzonych posiłków, które zawierają sałatkę, nie uwzględnia wpisu o dressingach, mimo że dressing dodaje średnio 120-180 kcal.

Dokładność AI zdjęcia według kategorii żywności

Dokładność rejestrowania zdjęć AI znacznie różni się w zależności od rodzaju żywności.

Kategoria żywności	Średni błąd kalorii	% w granicach 10%
Pojedyncze całe produkty (banan, jabłko)	5,8%	81,2%
Produkty pakowane (widoczna etykieta)	6,2%	78,4%
Proste posiłki na talerzu (białko + dodatki)	9,4%	68,3%
Kanapki i wrapy	12,8%	54,1%
Zupy i gulasze	14,6%	47,8%
Mieszane miski (sałatki, miski z ziarnami)	15,2%	44,6%
Talerze wieloskładnikowe (styl bufetowy)	16,8%	41,2%
Sosy, dressingi, oleje (niewidoczne)	28,4%	22,1%

AI radzi sobie najlepiej z wyraźnie rozpoznawalnymi, identyfikowalnymi produktami. Zrobione zdjęcie banana na talerzu osiąga 5,8% dokładności. Złożone, mieszane dania oraz ukryte składniki (sosy, oleje) stanowią główne obszary wyzwań.

Nutrola's Snap & Track znacznie poprawiło się w czasie. Porównując Q2 2025 do Q1 2026:

Kategoria żywności	Błąd Q2 2025	Błąd Q1 2026	Poprawa
Pojedyncze produkty	8,1%	5,8%	28,4%
Proste posiłki na talerzu	13,2%	9,4%	28,8%
Mieszane miski	21,4%	15,2%	29,0%
Talerze wieloskładnikowe	24,6%	16,8%	31,7%

Każda kategoria poprawiła się o 28-32% w mniej niż rok, dzięki aktualizacjom modelu szkolonym na rosnącej liczbie zdjęć posiłków przesyłanych przez użytkowników.

Szybkość i wysiłek: Koszt czasowy każdej metody

Średni czas rejestrowania

Metoda	Średni czas rejestrowania jednego posiłku	Średni czas rejestrowania pełnego dnia (3 posiłki + 1 przekąska)
AI Zdjęcie	8 sekund	32 sekundy
Skanowanie kodów kreskowych	12 sekund	48 sekund
Ręczne wprowadzanie	47 sekund	188 sekund (3,1 minuty)
Ręczne wprowadzanie (złożony posiłek)	94 sekundy	-

Rejestrowanie zdjęć AI jest 5,9 razy szybsze niż ręczne wprowadzanie na posiłek. W ciągu dnia z 3 posiłkami i przekąską, użytkownik rejestrujący zdjęcia spędza tylko 32 sekundy, podczas gdy użytkownik ręcznie wprowadzający spędza ponad 3 minuty. W ciągu miesiąca przekłada się to na około 16 minut w porównaniu do 93 minut — znacząca różnica w codziennym użytkowaniu.

Wskaźnik porzucania rejestrowania

Definiujemy "porzucenie rejestrowania" jako rozpoczęcie rejestrowania posiłku, ale niezakończenie wpisu. Mierzy to frustrację w trakcie rejestrowania.

Metoda	Wskaźnik porzucania	Najczęstszy punkt porzucenia
AI Zdjęcie	3,2%	Przeglądanie sugestii AI
Skanowanie kodów kreskowych	6,8%	Produkt nie znaleziony w bazie danych
Ręczne wprowadzanie	14,7%	Wyszukiwanie konkretnego produktu

Ręczne wprowadzanie ma wskaźnik porzucania na poziomie 14,7% — co oznacza, że około 1 na 7 prób ręcznego rejestrowania jest rozpoczęta, ale nigdy nie kończona. Najczęstszym powodem jest trudność w znalezieniu dokładnego produktu w bazie danych, szczególnie w przypadku posiłków domowych i restauracyjnych. Porzucenie skanowania kodów kreskowych występuje głównie, gdy produkt nie znajduje się w bazie danych (dotyczy około 8% skanowanych produktów).

Porzucenie rejestrowania zdjęć AI jest najniższe, wynosząc 3,2%, a większość porzucenia występuje, gdy użytkownicy nie zgadzają się z identyfikacją żywności przez AI i decydują się jej nie poprawiać.

Preferencje użytkowników i migracja metod

Które metody preferują użytkownicy?

Przeprowadziliśmy ankietę wśród 48 000 aktywnych użytkowników na temat ich preferowanej metody rejestrowania i powodów.

Preferowana metoda	% użytkowników	Najważniejszy powód preferencji
AI Zdjęcie głównie	44,2%	Szybkość i wygoda
Kod kreskowy głównie	21,8%	Dokładność dla produktów pakowanych
Mieszana (zdjęcie + kod kreskowy)	18,4%	Najlepsze z obu światów
Ręczne głównie	12,1%	Kontrola i szczegóły
Szybkie dodawanie głównie	3,5%	Prostota

Podejście "mieszane" — korzystanie z AI zdjęcia dla posiłków przygotowanych i kodu kreskowego dla produktów pakowanych — jest najszybciej rosnącą preferencją, wzrastając z 11,2% w Q2 2025 do 18,4% w Q1 2026.

Migracja metod w czasie

Nowi użytkownicy zazwyczaj zaczynają od jednej metody i stopniowo się przestawiają. Śledziliśmy wykorzystanie metod w ciągu pierwszych 90 dni użytkowników:

Czas użytkowania	% AI Zdjęcie	% Kod kreskowy	% Ręczne	% Szybkie dodawanie
Tydzień 1	31,4%	24,8%	38,2%	5,6%
Tydzień 4	38,6%	26,1%	29,4%	5,9%
Tydzień 8	42,8%	27,4%	23,1%	6,7%
Tydzień 12	46,1%	27,8%	19,2%	6,9%

Ręczne wprowadzanie zaczyna jako najpopularniejsza metoda (38,2% w tygodniu 1), ale stopniowo spada, gdy użytkownicy odkrywają i przyzwyczajają się do rejestrowania zdjęć AI. Do tygodnia 12, AI zdjęcie wzrosło z 31,4% do 46,1%, podczas gdy ręczne wprowadzanie spadło z 38,2% do 19,2%.

Sugeruje to, że wielu użytkowników domyślnie korzysta z ręcznego wprowadzania, ponieważ wydaje się znajome (podobne do wyszukiwania w sieci), ale przechodzi na rejestrowanie zdjęć, gdy doświadczają przewagi szybkości i zdają sobie sprawę, że dokładność jest wystarczająca.

Wpływ na utrzymanie i wyniki

Utrzymanie według głównej metody rejestrowania

Metoda, na której użytkownik głównie polega, ma znaczący wpływ na to, jak długo kontynuuje śledzenie.

Główna metoda	Utrzymanie po 30 dniach	Utrzymanie po 90 dniach	Utrzymanie po 180 dniach
AI Zdjęcie	52,4%	38,7%	31,2%
Skanowanie kodów kreskowych	46,8%	33,4%	26,8%
Mieszana (zdjęcie + kod kreskowy)	58,6%	44,1%	36,4%
Ręczne wprowadzanie	38,2%	24,6%	18,1%
Szybkie dodawanie	31,4%	17,8%	11,2%

Podejście mieszane (zdjęcie + kod kreskowy) zapewnia najwyższe utrzymanie we wszystkich horyzontach czasowych, z 36,4% nadal aktywnych po 180 dniach. Utrzymanie ręcznego wprowadzania jest o 43% niższe niż w przypadku metody mieszanej na 180. dzień. Szybkie dodawanie, mimo że jest najszybszą metodą, ma najgorsze utrzymanie — prawdopodobnie dlatego, że brak szczegółów odżywczych ogranicza jego użyteczność w budowaniu świadomości żywieniowej.

Wyniki utraty wagi według metody

Wśród użytkowników z celem utraty wagi, którzy śledzili przez co najmniej 60 dni:

Główna metoda	Średnia miesięczna utrata wagi	% osiągających cel (-0,5 kg/miesiąc+)
Mieszana (zdjęcie + kod kreskowy)	-0,91 kg	62,4%
Skanowanie kodów kreskowych	-0,84 kg	58,7%
AI Zdjęcie	-0,79 kg	54,2%
Ręczne wprowadzanie	-0,68 kg	46,8%
Szybkie dodawanie	-0,42 kg	28,4%

Podejście mieszane ponownie prowadzi, z użytkownikami tracącymi średnio 0,91 kg miesięcznie. Przewaga dokładności skanowania kodów kreskowych przekłada się na nieco lepsze wyniki niż rejestrowanie tylko zdjęć, ale różnica jest niewielka (0,84 vs 0,79 kg/miesiąc). Ręczne wprowadzanie, mimo że jest najbardziej pracochłonne, przynosi najgorsze wyniki wśród szczegółowych metod rejestrowania, co potwierdza, że konsekwencja (umożliwiona przez wygodę) ma większe znaczenie niż teoretyczna precyzja.

Paradoks dokładności i konsekwencji

Dlaczego mniej dokładne metody mogą przynosić lepsze wyniki

Te dane przedstawiają paradoks: rejestrowanie zdjęć AI jest mniej dokładne niż skanowanie kodów kreskowych, a mimo to użytkownicy rejestrujący zdjęcia mają wyższe utrzymanie i porównywalne wyniki utraty wagi. Jak to możliwe?

Odpowiedź leży w tym, co nazywamy "paradoksem dokładności i konsekwencji". Metoda, która utrzymuje cię w rejestrowaniu, jest bardziej wartościowa niż metoda, która produkuje najdokładniejsze pojedyncze wpisy.

Rozważ dwóch hipotetycznych użytkowników:

• Użytkownik A rejestruje za pomocą skanowania kodów kreskowych z dokładnością 96%, ale rejestruje tylko produkty pakowane (pomijając posiłki restauracyjne i domowe) i śledzi 4 dni w tygodniu.
• Użytkownik B rejestruje za pomocą zdjęć AI z dokładnością 85%, ale rejestruje każdy posiłek, w tym posiłki restauracyjne i domowe, i śledzi 6 dni w tygodniu.

Użytkownik B uchwyca pełniejszy obraz swojego codziennego spożycia, mimo niższej dokładności na poziomie pojedynczego wpisu. Nasze dane to potwierdzają: użytkownicy rejestrujący zdjęcia uchwycają średnio 3,4 posiłków dziennie w porównaniu do 2,6 posiłków dziennie dla użytkowników rejestrujących tylko kody kreskowe. Dodatkowe dane więcej niż rekompensują niższą precyzję pojedynczego wpisu.

Czynnik kompletności

Główna metoda	Średnia liczba posiłków rejestrowanych dziennie	% oszacowanego całkowitego spożycia uchwyconego
AI Zdjęcie	3,4	87,2%
Mieszana	3,2	91,4%
Skanowanie kodów kreskowych	2,6	72,8%
Ręczne wprowadzanie	2,8	76,4%

Użytkownicy stosujący metodę mieszaną uchwycają najwyższy procent swojego całkowitego spożycia (91,4%), ponieważ mogą szybko fotografować posiłki domowe i restauracyjne, korzystając jednocześnie ze skanowania kodów kreskowych dla produktów pakowanych. Użytkownicy rejestrujący tylko kody kreskowe uchwycają najmniej (72,8%), ponieważ wiele posiłków po prostu nie ma kodu kreskowego do zeskanowania.

Wskazówki specyficzne dla metod dla maksymalnej dokładności

Optymalizacja dokładności AI zdjęcia

Na podstawie naszej analizy wysokiej i niskiej dokładności wpisów zdjęć, te praktyki poprawiają wyniki AI:

1. Fotografuj z góry zamiast pod kątem. Zdjęcia z góry poprawiają dokładność oszacowania porcji o 18%.
2. Oddzielaj jedzenie na talerzu gdy to możliwe. Nakładające się jedzenie zmniejsza dokładność identyfikacji o 12%.
3. Uwzględnij pełny brzeg talerza w kadrze. Granica talerza pomaga AI skalibrować wielkości porcji, poprawiając dokładność o 15%.
4. Przeglądaj i dostosowuj sugestie AI. Użytkownicy, którzy przeglądają i poprawiają wyniki AI, osiągają skuteczną dokładność 7,8%, w porównaniu do 11,4% dla tych, którzy akceptują domyślne wyniki.
5. Rejestruj sosy i dressingi osobno. Największa poprawa dokładności pochodzi z dodawania ukrytych kalorii, których AI nie może zobaczyć.

Optymalizacja dokładności kodu kreskowego

1. Zweryfikuj wielkość porcji. Dane kodu kreskowego są dokładne dla porcji, ale 23% użytkowników rejestruje niewłaściwą liczbę porcji.
2. Sprawdź dopasowanie produktu. Czasami kody kreskowe są przypisane do niewłaściwych produktów (zdarza się w około 2,1% skanów). Szybka kontrola wizualna zapobiega temu.
3. Rejestruj dodatki do gotowania osobno. Produkt makaronowy zeskanowany kodem kreskowym nie uwzględnia oleju, masła ani sosu, które dodałeś podczas gotowania.

Optymalizacja dokładności ręcznego wprowadzania

1. Używaj wagi do żywności kalorycznych. Ważenie orzechów, sera, olejów i zbóż eliminuje największe źródło błędów w ręcznym wprowadzaniu.
2. Szukaj konkretnych przygotowań. "Pierś z kurczaka, smażona" jest dokładniejsza niż ogólna "pierś z kurczaka."
3. Nie pomijaj przypraw. Ketchup, majonez, sos sojowy i dressingi dodają 50-200 kcal, które użytkownicy często pomijają.
4. Zaokrąglaj w górę, nie w dół. Ponieważ systematyczny błąd w ręcznym wprowadzaniu to niedoszacowanie, celowe zaokrąglanie porcji w górę daje dokładniejsze sumy.

Przyszłość rejestrowania żywności

Dokąd zmierza rejestrowanie zdjęć AI

Dokładność AI Nutrola poprawiła się o około 30% rok do roku, a ten trend nie wykazuje oznak spowolnienia. Kluczowe rozwinięcia w naszym pipeline obejmują:

• Wielokątne uchwycenie: Użytkownicy będą mogli zrobić 2-3 zdjęcia z różnych kątów dla złożonych posiłków, poprawiając dokładność o szacunkowo 20-25%.
• Uczenie kontekstowe: AI dostosowuje się do twoich typowych wielkości porcji z czasem, redukując systematyczne przeszacowanie lub niedoszacowanie.
• Sugestie dotyczące ukrytych składników: AI proaktywnie zapyta o sosy, oleje i dressingi, gdy wykryje żywność, która je zazwyczaj zawiera.

W miarę jak dokładność AI zbliża się do precyzji skanowania kodów kreskowych (dążąc do poniżej 7% średniego błędu do końca 2026 roku), przewaga wygody rejestrowania zdjęć sprawi, że stanie się to dominującą metodą dla zdecydowanej większości użytkowników.

FAQ

Którą metodę rejestrowania powinienem wybrać?

Dla większości użytkowników zalecamy podejście mieszane: korzystaj z rejestrowania zdjęć AI (Snap & Track) dla posiłków domowych i restauracyjnych oraz skanowania kodów kreskowych dla produktów pakowanych. Ta kombinacja zapewnia najlepszą równowagę między dokładnością, szybkością i kompletnością, a także przynosi najwyższe wyniki utrzymania i utraty wagi w naszych danych.

Czy rejestrowanie zdjęć AI jest wystarczająco dokładne do poważnego śledzenia?

Tak. Przy średnim błędzie wynoszącym 11,4% (i poprawiającym się), rejestrowanie zdjęć AI uchwyca ogólny wzór twojego spożycia z wystarczającą dokładnością, aby przynieść znaczące wyniki. 62,8% wpisów mieści się w granicach 10% dokładności, co oznacza, że większość twoich rejestrów jest bliska rzeczywistej wartości, a błędy mają tendencję do uśredniania się w ciągu dni i tygodni.

Dlaczego ręczne wprowadzanie jest mniej dokładne niż AI?

Głównym powodem jest niedoszacowanie wielkości porcji. Podczas ręcznego wprowadzania użytkownicy systematycznie niedoszacowują, ile zjedli, szczególnie w przypadku żywności kalorycznej, takiej jak oleje, orzechy, ser i zboża. Rejestrowanie zdjęć AI unika tego, ponieważ oszacowuje porcje wizualnie na podstawie rzeczywistej żywności na obrazie.

Czy Nutrola obsługuje wszystkie trzy metody rejestrowania?

Tak. Nutrola obsługuje rejestrowanie zdjęć AI (Snap & Track), skanowanie kodów kreskowych z bazą danych ponad 2,5 miliona produktów, ręczne wprowadzanie tekstowe oraz Szybkie dodawanie do rejestrowania tylko kalorii. Możesz swobodnie przełączać się między metodami z posiłku na posiłek.

Jak mogę poprawić dokładność moich dzienników żywności?

Najważniejszym działaniem jest rejestrowanie tłuszczów do gotowania, sosów i dressingów, które łatwo zapomnieć. Te ukryte kalorie stanowią 15-25% całkowitego spożycia dla wielu użytkowników i są najczęściej pomijanymi pozycjami we wszystkich metodach rejestrowania. Używanie wagi do żywności kalorycznych to druga najważniejsza praktyka.

Czy rejestrowanie zdjęć AI w końcu zastąpi ręczne wprowadzanie?

Na podstawie obecnych trendów, rejestrowanie zdjęć AI prawdopodobnie stanie się główną metodą dla większości użytkowników w ciągu 1-2 lat. Ręczne wprowadzanie pozostanie dostępne dla użytkowników, którzy preferują szczegółową kontrolę oraz dla przypadków, w których rejestrowanie zdjęć nie jest praktyczne (np. rejestrowanie żywności przed jej przygotowaniem). Skanowanie kodów kreskowych pozostanie ważne dla produktów pakowanych, gdzie oferuje niemal idealną dokładność.

Jak Nutrola uczy się na podstawie moich zdjęć?

Modele AI Nutrola są ciągle szkolone na zanonimizowanych, zbiorczych danych posiłków z całej platformy. Twoje indywidualne zdjęcia są przetwarzane w celu oszacowania wartości odżywczej, ale nie są przechowywane ani wykorzystywane w sposób umożliwiający identyfikację osobistą. Model poprawia się, ucząc się na podstawie milionów różnorodnych obrazów żywności z różnych kuchni, stylów podawania i warunków oświetleniowych.