Am Analizat 10 Milioane de Fotografii cu Alimente: Cele 20 de Alimente Cele Mai Greșit Identificate de AI

Datele din Spatele Recunoașterii Alimentelor AI

Recunoașterea alimentelor bazată pe AI a revoluționat urmărirea nutriției. În loc să cauți prin baze de date și să ghicești dimensiunile porțiilor, faci o fotografie și lași viziunea computerizată să își facă treaba. Funcția Snap & Track de la Nutrola procesează milioane de imagini cu alimente în fiecare lună, iar utilizatorii din peste 50 de țări se bazează pe aceasta ca metodă principală de înregistrare.

Cu toate acestea, recunoașterea alimentelor AI nu este perfectă. Unele alimente reușesc să păcălească chiar și cele mai avansate modele de viziune computerizată. Pentru a înțelege unde tehnologia excelează și unde întâmpină dificultăți, am analizat 10 milioane de fotografii cu alimente procesate prin sistemul Snap & Track de la Nutrola între ianuarie 2025 și ianuarie 2026. Am comparat identificările AI cu corecțiile utilizatorilor, verificările manuale și evaluările nutriționiștilor pentru a calcula ratele de acuratețe pe fiecare aliment și a identifica modele sistematice de greșeli de identificare.

Iată ce am descoperit.

Metodologie

Analiza noastră a inclus 10,247,831 de fotografii cu alimente trimise de utilizatorii Nutrola din 53 de țări. Pentru fiecare fotografie, am urmărit:

• Identificarea inițială AI: Alimentele pe care AI le-a identificat cu cel mai mare scor de încredere
• Rata de corectare a utilizatorului: Cât de des utilizatorul a schimbat identificarea AI cu un alt aliment
• Verificarea nutriționiștilor: Un eșantion aleator de 50,000 de imagini a fost revizuit de nutriționiști calificați pentru a stabili acuratețea de bază, independent de corecțiile utilizatorilor
• Acuratețea top-1: Dacă identificarea cu cel mai mare scor de încredere a fost corectă
• Acuratețea top-3: Dacă alimentul corect a apărut printre cele trei predicții cu cel mai mare scor de încredere ale AI

În general, Snap & Track de la Nutrola a atins o acuratețe top-1 de 87.3% și o acuratețe top-3 de 94.1% în toate categoriile de alimente. Aceste cifre sunt conforme cu standardele publicate pentru modelele de recunoaștere a alimentelor de vârf, care raportează de obicei o acuratețe top-1 de 80-90% pe seturi de date standard precum Food-101 și ISIA Food-500.

Cu toate acestea, acuratețea variază dramatic în funcție de tipul de aliment. Unele categorii depășesc 95% acuratețe top-1, în timp ce altele se situează sub 60%.

Cele 20 de Alimente Cele Mai Greșit Identificate

Clasamente Complete

Rang	Aliment	Acuratețe Top-1	Acuratețe Top-3	Cele Mai Frecvente Greșeli de Identificare	Eroare Calorică Când Este Greșit Identificat
1	Couscous	52.1%	71.4%	Quinoa, bulgur, orez	+/- 15-40 kcal per porție
2	Iaurt grecesc (natural)	55.8%	78.2%	Smântână, labneh, iaurt obișnuit	+/- 30-80 kcal per porție
3	Orez de conopidă	57.3%	74.6%	Orez alb, couscous	+110-150 kcal per porție
4	Supă miso	58.9%	76.1%	Alte supe pe bază de bulion, dashi	+/- 20-60 kcal per porție
5	Varietăți de pâine plată	59.4%	73.8%	Naan vs roti vs pita vs tortilla	+/- 50-150 kcal per bucată
6	Bol de açai	61.2%	79.5%	Bol de smoothie, bol cu fructe de pădure	+/- 100-200 kcal per bol
7	Bacon de curcan	62.0%	80.1%	Bacon de porc	+40-70 kcal per porție
8	Tempeh	63.4%	77.9%	Tofu (fermentat), seitan	+/- 30-80 kcal per porție
9	Tăiței de dovlecei	64.1%	81.3%	Paste obișnuite, tăiței de sticlă	+150-200 kcal per porție
10	Baba ghanoush	64.8%	79.7%	Hummus	+30-60 kcal per porție
11	File de pește alb	65.2%	82.4%	Piept de pui, alte specii de pește alb	+/- 20-50 kcal per porție
12	Clătite proteice	66.1%	83.0%	Clătite obișnuite	+80-150 kcal per porție
13	Lapte de ovăz	67.3%	84.2%	Lapte obișnuit, lapte de migdale, lapte de soia	+/- 30-80 kcal per cană
14	Verdețuri cu frunze închise (gătite)	67.9%	85.1%	Spanac vs kale vs varză	+/- 5-15 kcal per porție
15	Deserturi fără zahăr	68.4%	80.6%	Versiuni obișnuite ale aceluiași desert	+100-250 kcal per porție
16	Boluri cu cereale	69.1%	83.7%	Greșeli de identificare a tipului de bază de cereale	+/- 40-100 kcal per porție
17	Carne pe bază de plante	69.8%	84.9%	Echivalentul cărnii reale	+/- 30-80 kcal per porție
18	Găluște	70.2%	85.6%	Wonton vs gyoza vs pierogi vs momo	+/- 20-60 kcal per bucată
19	Mâncăruri cu curry mixte	70.5%	82.3%	Confuzie între tipurile și bazele de curry	+/- 50-150 kcal per porție
20	Ovăz la rece	71.0%	86.2%	Ovăz obișnuit, budincă de chia	+/- 50-120 kcal per porție

De Ce Aceste Alimente Păcălesc AI: Cinci Tipare

Tiparul 1: Gemeni Vizuali cu Profiluri Calorice Diferite

Cea mai comună sursă de greșeli de identificare sunt alimentele care arată aproape identic, dar au profiluri nutriționale semnificativ diferite. Couscous și quinoa, alimentul nostru cel mai greșit identificat, sunt vizual aproape indistingușibile într-o fotografie, în special când sunt amestecate cu legume sau sos. Cu toate acestea, quinoa are cu aproximativ 20% mai multe calorii și substanțial mai mult protein pe porție decât couscous.

În mod similar, orezul de conopidă și orezul alb împărtășesc caracteristici vizuale aproape identice în fotografii, dar diferența calorică este uriașă: aproximativ 25 kcal per cană pentru orezul de conopidă față de 200+ kcal pentru orezul alb. Când AI greșește identificând orezul de conopidă ca orez alb, logul caloric poate fi umflat cu 150 sau mai multe calorii pentru un singur garnitură.

Iaurtul grecesc, smântâna și labneh formează un alt grup de gemeni vizuali. Toate trei sunt albe, cremoase și servite de obicei în boluri. Iaurtul grecesc integral conține aproximativ 130 kcal per cană, în timp ce smântâna conține aproximativ 445 kcal per cană. O greșeală de identificare aici poate distorsiona dramatic calculul aportului zilnic al utilizatorului.

Tiparul 2: Variatii Regionale ale Alimentelor Similare

Pâinile plate s-au clasat pe locul cinci în lista noastră deoarece categoria cuprinde zeci de alimente vizual similare, dar nutrițional distincte, din diferite culturi. O tortilla standard din făină de grâu (aproximativ 120 kcal) arată similar cu naan (aproximativ 260 kcal) în fotografii, mai ales când este parțial pliată sau rulată. Roti (aproximativ 100 kcal) și paratha (aproximativ 260 kcal, din cauza straturilor de ulei/unt) pot părea indistincte, dar una are de peste două ori mai multe calorii.

Găluștele (clasate pe locul 18) prezintă aceeași provocare. Gyoza japoneză, jiaozi chinezesc, pierogi poloneze, momo nepalez și khinkali georgian au un factor de formă similar (înveliș de aluat cu umplutură), dar diferă substanțial în dimensiune, grosimea învelișului, compoziția umpluturii și metoda de preparare (fierte, prăjite sau fierte).

Avantajul Nutrola aici este acoperirea sa în peste 50 de țări. Modelul AI este antrenat pe imagini cu alimente din fiecare tradiție culinară majoră, oferindu-i un vocabular vizual mai larg decât modelele antrenate predominant pe fotografii cu alimente din Occident. Totuși, distincțiile intra-categorii rămân provocatoare.

Tiparul 3: Alimente Substitute care Imită Originalele

Creșterea alimentelor substitute a creat o nouă clasă de provocări în recunoaștere. Baconul de curcan imită baconul de porc. Burgerii pe bază de plante imită burgerii din carne de vită. Tăițeii de dovlecei imită pastele. Clătitele proteice imită clătitele obișnuite. Deserturile fără zahăr imită omologii lor cu zahăr.

Aceste substitute sunt intenționat concepute să arate ca alimentele pe care le înlocuiesc. Acesta este întregul scop din perspectiva satisfacției consumatorului, dar creează o problemă fundamentală pentru sistemele de recunoaștere vizuală. Implicațiile calorice pot fi substanțiale: clătitele obișnuite au în medie 175 kcal fiecare, în timp ce clătitele proteice conțin de obicei 90-110 kcal fiecare. Tăițeii de dovlecei conțin aproximativ 20 kcal per cană față de 220 kcal pentru spaghetele gătite.

În setul nostru de date, alimentele substitute au avut o acuratețe medie top-1 de 66.7%, comparativ cu 89.2% pentru omologii lor non-substituți. Aceasta este o zonă în care semnalele contextuale (preferințele dietetice ale utilizatorului, modelele anterioare de înregistrare) pot ajuta, iar AI-ul Nutrola încorporează aceste semnale pentru a îmbunătăți predicțiile.

Tiparul 4: Alimente Lichide și Semi-Lichide

Supele, bolurile de smoothie și băuturile sunt constant mai greu de identificat pentru AI decât alimentele solide. Supa miso (clasată pe locul 4) este un lichid clar cu bucăți vizibile de tofu și alge, care pot fi confundate cu alte bulioane asiatice. Bolurile de açai (clasate pe locul 6) împărtășesc caracteristici vizuale cu alte boluri de smoothie de fructe, dar variază dramatic în conținutul caloric în funcție de amestecul de bază și toppinguri.

Provocarea cu alimentele lichide este că informațiile nutriționale critice sunt literalmente invizibile. Două căni de lichid care arată identic într-o fotografie ar putea conține între 10 kcal (cafea neagră) și 400 kcal (un smoothie bogat în calorii). Nutrola abordează acest lucru prin întrebări de urmărire adresate utilizatorilor atunci când alimentele lichide sunt detectate: "Este aceasta o versiune obișnuită sau dietetică?" "Ce marcă este aceasta?"

Tiparul 5: Mâncăruri Mixte cu Ingrediente Ascunse

Mâncărurile cu curry (clasate pe locul 19) și bolurile cu cereale (clasate pe locul 16) reprezintă o provocare mai amplă: preparate cu mai multe componente în care ingredientele nutriționale semnificative sunt ascunse de vedere. Un curry verde thailandez ar putea fi preparat cu lapte de cocos (adăugând 200+ kcal per porție) sau cu un bulion mai ușor. Conținutul caloric al unui bol cu cereale depinde foarte mult de tipul de bază, fie că este quinoa, orez alb, orez brun sau farro, care pot fi acoperite de toppinguri.

Preparatele mixte reprezintă aproximativ 35% din toate mesele înregistrate de utilizatorii Nutrola, dar constituie 52% din erorile semnificative de estimare a caloriilor (definite ca erori care depășesc 15% din conținutul caloric real al preparatului).

Cum a Îmbunătățit Nutrola Acuratețea

Antrenament Iterativ al Modelului

Fiecare corectare a utilizatorului în Nutrola contribuie la procesul de antrenament al modelului AI. Când un utilizator schimbă "quinoa" în "couscous", acea corectare, împreună cu imaginea originală, este adăugată la setul de date pentru antrenament. Pe parcursul celor 12 luni ale analizei noastre, acest proces continuu de învățare a îmbunătățit acuratețea generală top-1 de la 82.6% la 87.3%, o creștere de 4.7 puncte procentuale.

Trimestru	Acuratețe Top-1	Acuratețe Top-3	Eroare Medie Calorică
T1 2025	82.6%	90.3%	47 kcal
T2 2025	84.1%	91.8%	41 kcal
T3 2025	85.9%	93.2%	36 kcal
T4 2025	86.8%	93.9%	33 kcal
T1 2026 (parțial)	87.3%	94.1%	31 kcal

Semnale Contextuale

AI-ul Nutrola nu identifică alimentele în vid. Acesta încorporează semnale contextuale pentru a îmbunătăți acuratețea:

• Profilul dietetic al utilizatorului: Dacă un utilizator a indicat că urmează o dietă pe bază de plante, modelul crește scorurile de încredere pentru alternativele pe bază de plante (tofu în loc de pui, lapte de ovăz în loc de lapte de vacă, burger pe bază de plante în loc de carne de vită).
• Timpul mesei: Imaginile de la micul dejun sunt mai susceptibile să conțină alimente de mic dejun. Acest lucru pare evident, dar îmbunătățește semnificativ acuratețea pentru elemente ambigue precum ovăzul la rece versus budinca de chia.
• Locația geografică: O fotografie făcută în Tokyo este mai probabil să fie supă miso decât minestrone. Nutrola servește utilizatori din peste 50 de țări și folosește date generale de locație (cu permisiunea utilizatorului) pentru a ajusta identificările alimentelor.
• Modelele anterioare de înregistrare: Dacă un utilizator înregistrează frecvent orez de conopidă, modelul învață că acest utilizator este mai probabil să consume orez de conopidă decât orez alb atunci când inputul vizual este ambiguu.

Recunoașterea Multi-Imagini

În 2025, Nutrola a introdus capacitatea de a face mai multe fotografii ale aceleași mese din unghiuri diferite. Pentru preparate complexe și alimente ambigue, un al doilea unghi poate rezolva incertitudinea identificării. În testare, recunoașterea din unghiuri multiple a îmbunătățit acuratețea top-1 pentru cele 20 de alimente cele mai greșit identificate cu 8.2 puncte procentuale.

Praguri de Încredere și Întrebări pentru Utilizatori

Când scorul de încredere al AI-ului scade sub 75%, Nutrola le prezintă utilizatorilor cele mai bune trei opțiuni în loc să înregistreze automat rezultatul de top. Utilizatorii pot selecta identificarea corectă sau pot introduce numele alimentului. Această abordare transparentă înseamnă că identificările cu încredere scăzută sunt corectate înainte de a afecta acuratețea urmăririi caloriilor.

Impactul Caloric al Greșelilor de Identificare

Nu toate greșelile de identificare sunt egale. Confuzia între kale și spanac (clasată pe locul 14) are un impact caloric de 5-15 kcal per porție, ceea ce este nutrițional nesemnificativ. Confuzia între orezul de conopidă și orezul alb (clasată pe locul 3) sau între tăițeii de dovlecei și paste (clasată pe locul 9) poate introduce erori de 150-200 kcal, suficiente pentru a afecta semnificativ un buget zilnic de calorii.

Am calculat impactul caloric ponderat al greșelilor de identificare în întreaga noastră bază de date:

Interval de Eroare Calorică	% din Toate Greșelile de Identificare	Impact Practic
Mai puțin de 25 kcal	38.2%	Neglijabil
25-75 kcal	29.6%	Minor
75-150 kcal	19.7%	Moderat, vizibil în timp
150-250 kcal	9.1%	Semnificativ, poate afecta țintele zilnice
Mai mult de 250 kcal	3.4%	Major, echivalent cu o masă mică

Eroarea medie calorică în toate greșelile de identificare a fost de 42 kcal, ceea ce se încadrează în marja de eroare pentru cele mai multe scopuri de urmărire a nutriției. Cu toate acestea, coada distribuției (12.5% din greșelile de identificare care introduc erori de 150+ kcal) este locul unde recunoașterea alimentelor AI are cel mai mult loc pentru îmbunătățire.

Ce Pot Face Utilizatorii pentru a Îmbunătăți Acuratețea AI

1. Fă fotografii clare, bine iluminate. AI-ul funcționează cel mai bine cu iluminare bună și o vedere clară de sus a farfuriei. Fotografii din restaurante cu lumină slabă și unghiuri extreme reduc acuratețea cu o medie de 6 puncte procentuale.

2. Separă componentele când este posibil. Dacă masa ta are componente distincte (proteină, cereale, legume), aranjarea lor cu separare vizibilă ajută AI-ul să identifice fiecare element individual, în loc să trateze farfuria ca un singur preparat mixt.

3. Folosește funcția de corectare. Fiecare corectare pe care o faci îmbunătățește AI-ul pentru tine și pentru întreaga comunitate Nutrola. Utilizatorii care corectează greșelile de identificare în primele două săptămâni de utilizare au rate de acuratețe pe termen lung cu 11% mai mari, deoarece modelul învață modelele lor dietetice specifice.

4. Specificați substitutele. Dacă consumi frecvent alimente substitute (orez de conopidă, carne pe bază de plante, opțiuni fără zahăr), menționează acest lucru în preferințele tale dietetice Nutrola. AI-ul va cântări aceste alternative mai greu în predicțiile sale.

5. Încearcă fotografiile din unghiuri multiple. Pentru preparate complexe, o a doua fotografie dintr-un unghi diferit poate rezolva ambiguitatea. Acest lucru este deosebit de util pentru boluri, supe și preparate mixte unde ingredientele cheie pot fi ascunse sub toppinguri.

Privind Spre Viitor

Acuratețea recunoașterii alimentelor AI a crescut dramatic în ultimii trei ani, iar traiectoria nu arată semne de încetinire. Modelul Snap & Track de la Nutrola procesează mai multe fotografii cu alimente pe lună decât majoritatea seturilor de date academice publicate conțin în total, iar fiecare interacțiune face sistemul mai inteligent.

Obiectivul nostru pentru sfârșitul anului 2026 este o acuratețe top-1 de 90% în toate categoriile de alimente și 75% pentru cele 20 de alimente cele mai greșit identificate în prezent. Cu îmbunătățiri continue ale modelului, extinderea setului de date de antrenament din baza noastră de utilizatori în creștere din peste 50 de țări și funcții precum recunoașterea din unghiuri multiple și semnalele contextuale, credem că aceste obiective sunt realizabile.

Scopul nu este de a înlocui complet judecata umană. Este de a face înregistrarea alimentelor atât de rapidă și de precisă încât fricțiunea urmăririi nutriției să dispară efectiv. Nu am ajuns acolo încă, dar după 10 milioane de fotografii, suntem cu siguranță mai aproape decât eram acum un an.