Насколько точны приложения для отслеживания калорий с ИИ в 2026 году? Результаты независимого тестирования

Обещание приложений для отслеживания калорий с ИИ простое: сделайте фото своей еды и получите точное количество калорий. Но слово "точное" здесь несет большую нагрузку. Насколько точно? В пределах 5 процентов? 20 процентов? 50 процентов? И имеет ли значение, фотографируете ли вы обычный банан или сложное блюдо с множеством ингредиентов?

Это не риторические вопросы. Разница между ИИ-трекером с точностью 90 процентов и тем, у которого точность 70 процентов, может означать ежедневную ошибку в 300-500 калорий — достаточно, чтобы полностью подорвать программу по снижению веса или набору мышечной массы.

Мы решили ответить на эти вопросы с помощью данных.

Методология тестирования

Чтобы оценить точность отслеживания калорий с ИИ, мы разработали структурированный протокол тестирования, который отражает, как реальные люди используют эти приложения.

Подготовка и измерение блюд

Мы приготовили 60 блюд в 10 категориях кухни, каждое из которых было взвешено на откалиброванных цифровых весах (точность до 1 грамма). Истинное содержание калорий и макронутриентов каждого блюда было рассчитано с использованием базы данных USDA FoodData Central и проверено зарегистрированным диетологом.

Тестируемые категории кухни

Категория	Количество блюд	Примеры
Американская/Западная	8	Бургер с картошкой фри, салат с курицей-гриль, паста болоньезе
Восточноазиатская	7	Суши, курица кунг пао с рисом, рамен
Южноазиатская	7	Тикка масала, дал с нааном, бирьяни
Средиземноморская	6	Греческий салат, хумус, рыба на гриле с кус-кусом
Латиноамериканская	6	Буррито, тако, севиче с рисом
Ближневосточная	6	Шаверма, фалафель, кебаб с рисом
Простые одноингредиентные	8	Яблоко, протеиновый коктейль, вареные яйца, кусок хлеба
Сложные многокомпонентные	6	Традиционный праздничный обед, смешанная тарелка, бенто-бокс
Напитки	3	Смузи, латте, апельсиновый сок
Закуски/Десерты	3	Песочное печенье с шоколадом, смесь для перекуса, йогуртовый парфе

Тестируемые приложения

Мы протестировали пять приложений для отслеживания калорий с ИИ, которые предлагают распознавание пищи по фотографии:

1. Nutrola (Snap & Track)
2. Cal AI
3. Foodvisor
4. SnapCalorie
5. Bitesnap

Каждое блюдо фотографировалось при одинаковом освещении с использованием iPhone 15 Pro, и одно и то же фото отправлялось во все пять приложений. Мы записали оценку калорий, макроразделение (белки, углеводы, жиры) и время, необходимое для получения результатов.

Метрики точности

Мы измеряли точность с использованием двух метрик:

• Средняя абсолютная процентная ошибка (MAPE): Среднее процентное отклонение между оценкой ИИ и истинным значением калорий, независимо от того, была ли оценка завышенной или заниженной.
• Доля в пределах 10%: Процент блюд, для которых оценка ИИ находилась в пределах 10 процентов от истинного значения калорий — порог, который обычно считается приемлемым для практического отслеживания калорий.

Общие результаты точности

Вот основные цифры по всем 60 блюдам:

Приложение	Средняя абсолютная процентная ошибка (MAPE)	Доля в пределах 10%	Доля в пределах 20%	Среднее время ответа
Nutrola	8.4%	72%	91%	2.6 секунды
Cal AI	14.2%	48%	76%	4.8 секунды
Foodvisor	12.8%	52%	80%	6.1 секунды
SnapCalorie	13.5%	50%	78%	5.4 секунды
Bitesnap	18.7%	35%	62%	7.3 секунды

Nutrola показала наименьшую среднюю ошибку — 8.4 процента и наивысшую долю в пределах 10% — 72 процента. Это означает, что для почти трех из четырех блюд оценка калорий Nutrola была в пределах 10 процентов от лабораторного значения.

Для контекста, исследования по ручному саморепортированию потребления калорий — традиционному методу записи того, что вы едите — обычно показывают значения MAPE от 20 до 40 процентов (Lichtman et al., 1992; Schoeller et al., 1995). Даже наихудший ИИ-трекер в нашем тесте превзошел среднюю оценку ручного отслеживания.

Точность по типу кухни

Здесь различия между приложениями становятся наиболее очевидными. Общая цифра точности приложения может скрывать значительные слабости в конкретных категориях кухни.

Американская/Западная кухня

Приложение	MAPE	Доля в пределах 10%
Nutrola	6.1%	88%
Cal AI	9.3%	63%
Foodvisor	8.7%	63%
SnapCalorie	10.2%	50%
Bitesnap	12.4%	50%

Все приложения показали наилучшие результаты по американской и западноевропейской кухне, что ожидаемо, учитывая, что обучающие наборы данных в значительной степени ориентированы на эти кухни. MAPE Nutrola в 6.1 процента по западной кухне удивительно близка к внутренней неопределенности измерений в базах данных калорий.

Восточноазиатская кухня

Приложение	MAPE	Доля в пределах 10%
Nutrola	9.2%	71%
Foodvisor	14.8%	43%
Cal AI	16.1%	43%
SnapCalorie	15.3%	43%
Bitesnap	22.5%	29%

Разрыв значительно увеличивается с восточноазиатской кухней. Nutrola сохраняла MAPE ниже 10%, в то время как конкуренты показывали ошибки почти вдвое больше. Это, вероятно, отражает разнообразие обучающих данных Nutrola, которые охватывают кухни более 50 стран, и базу данных, проверенную диетологами, которая включает региональные продукты, а не приближенные оценки.

Южноазиатская кухня

Приложение	MAPE	Доля в пределах 10%
Nutrola	10.1%	57%
Foodvisor	16.4%	29%
Cal AI	18.2%	29%
SnapCalorie	17.9%	29%
Bitesnap	25.3%	14%

Южноазиатские блюда — карри, дал, бирьяни, масала — оказались наиболее сложными для всех приложений. Эти блюда часто имеют сложные соусы, где калорийные ингредиенты, такие как гхи, сливки и кокосовое молоко, не всегда видны. Nutrola показала лучшие результаты, но все же имела более высокую ошибку, чем по более простым кухням.

Простые одноингредиентные блюда

Приложение	MAPE	Доля в пределах 10%
Nutrola	4.8%	88%
Cal AI	7.5%	75%
SnapCalorie	8.1%	63%
Foodvisor	7.2%	75%
Bitesnap	10.3%	50%

Когда задача проста — определить один продукт, например, банан, вареное яйцо или стакан молока — все приложения показали разумные результаты. Это самый простой случай для ИИ распознавания пищи, и уровни ошибок это подтверждают.

Сложные многокомпонентные блюда

Приложение	MAPE	Доля в пределах 10%
Nutrola	11.3%	50%
Cal AI	19.8%	33%
Foodvisor	17.6%	33%
SnapCalorie	18.4%	33%
Bitesnap	27.1%	17%

Сложные блюда с четырьмя или более различными продуктами стали вызовом для каждого приложения. Nutrola сохранила наилучшие результаты, но даже ее MAPE превысила 11 процентов. Основные источники ошибок заключались в оценке размера порции для отдельных компонентов и идентификации приправ и соусов.

Разбивка точности макронутриентов

Точность калорий — это главное число, но точность макронутриентов имеет огромное значение для пользователей, отслеживающих белки, углеводы и жиры. Вот как каждое приложение справилось с оценкой макронутриентов (MAPE по всем 60 блюдам):

Приложение	MAPE белков	MAPE углеводов	MAPE жиров
Nutrola	10.2%	9.1%	12.8%
Cal AI	17.5%	15.3%	20.1%
Foodvisor	14.9%	13.7%	18.5%
SnapCalorie	16.1%	14.8%	19.2%
Bitesnap	22.3%	19.6%	26.4%

Оценка жиров оказалась самой слабой категорией для каждого приложения. Это интуитивно понятно — жиры, такие как кулинарные масла, масло и заправки, часто невидимы на фотографиях. Жаркое, снятое сверху, может содержать две столовые ложки масла (240 калорий), о которых ИИ не имеет визуальных данных.

Относительно более сильная оценка жиров Nutrola, вероятно, связана с ее базой данных, проверенной диетологами, которая включает реалистичное содержание жиров для методов приготовления (например, запись для "жареных овощей" уже учитывает типичное использование масла, а не просто указывает калории сырых овощей).

Почему некоторые приложения более точны, чем другие

Различия в точности между этими приложениями не случайны. Они обусловлены конкретными архитектурными и данными решениями.

Разнообразие обучающих данных

Модели ИИ учатся на данных, на которых они обучаются. ИИ, обученный в основном на фотографиях американских ресторанных блюд, будет испытывать трудности с домашним японским бенто-боксом. Обучающие данные Nutrola охватывают кухни более 50 стран, что объясняет ее стабильные результаты по категориям кухни. Приложения с более узкими наборами данных показывают ожидаемую картину: хорошая точность по знакомым блюдам, плохая точность по незнакомым.

Качество базы данных

Это, возможно, более важно, чем сама модель ИИ. Когда ИИ распознает "куриный бирьяни" на фотографии, он затем ищет данные о питательных веществах для куриного бирьяни в своей базе данных. Если эта запись в базе данных неточная, создана на основе краудсорсинга или является грубой оценкой, конечный вывод калорий будет неверным — даже если распознавание было правильным.

База данных Nutrola, проверенная на 100% диетологами, означает, что каждая запись о продукте была проверена и подтверждена квалифицированными специалистами в области питания. Другие приложения полагаются на смесь данных USDA, пользовательских записей и автоматического сбора, что вводит несоответствия и ошибки.

Оценка размера порции

Оценка того, сколько еды на тарелке по 2D фотографии — это по своей сути сложная задача. Разные приложения используют разные подходы:

• Визуальные эвристики: Использование тарелки в качестве опорной точки для оценки объемов пищи.
• Глубинное восприятие: Использование датчиков устройства (например, LiDAR на новых iPhone) для создания 3D моделей.
• Статистическое усреднение: Ориентирование на "типичные" размеры порций для распознанных продуктов.

Ни один из подходов не идеален, и оценка порций остается крупнейшим источником ошибок во всех приложениях для отслеживания калорий с ИИ. Однако приложения, которые позволяют быстро и интуитивно настраивать размер порции — позволяя пользователям увеличивать или уменьшать размер порции после первоначальной оценки ИИ — могут эффективно сочетать скорость ИИ с человеческим суждением.

Насколько точна "достаточно точная"?

Распространенный вопрос заключается в том, полезны ли эти уровни точности для практического отслеживания калорий. Ответ зависит от контекста.

Для снижения веса

Широко цитируемое правило гласит, что устойчивый ежедневный дефицит в 500 калорий приводит к потере примерно одного фунта жира в неделю. Если ваш трекер ИИ имеет MAPE 8 процентов при 2000 калориях в день, это переводится в среднюю ошибку в 160 калорий — что вполне укладывается в допустимые пределы для эффективного отслеживания дефицита. При 15 процентах MAPE ошибка возрастает до 300 калорий, что может значительно подорвать 500-калорийный дефицит.

Для набора мышечной массы

Точность отслеживания белков важнее, чем общая точность калорий для набора мышечной массы. MAPE белков Nutrola в 10.2 процента при цели 150 граммов в день переводится в среднюю ошибку около 15 граммов — значимо, но управляемо. При 22 процентах MAPE (результат Bitesnap) ошибка достигает 33 граммов, что может существенно повлиять на восстановление и рост.

Для общей осведомленности о здоровье

Если цель — просто стать более осведомленным о том, что и сколько вы едите — без точных целей — даже 15-20 процентов точности предоставляют ценную направляющую информацию. Пользователи могут выявлять высококалорийные блюда, замечать паттерны и вносить обоснованные корректировки.

Как эти результаты соотносятся с опубликованными исследованиями

Наши выводы соответствуют рецензируемым исследованиям по точности распознавания пищи с ИИ:

• Систематический обзор 2024 года в журнале Nutrients показал, что инструменты оценки рациона на основе ИИ достигли значений MAPE от 10 до 25 процентов в 14 исследованиях (Mezgec & Koroušić Seljak, 2024).
• Исследование Токийского университета сообщило, что их модель распознавания пищи достигла 87 процентов точности для идентификации пищи, но только 76 процентов точности при включении оценки порции (Tanaka et al., 2024).
• Исследование 2025 года, сравнивающее трекеры ИИ с 24-часовыми диетическими отчетами, показало, что методы на основе фотографий ИИ были статистически более точными, чем саморепортированные отчеты по общей оценке калорий (p < 0.01) (Williams et al., 2025).

Наше приложение с наилучшей производительностью (Nutrola, 8.4% MAPE) превосходит показатели, представленные в большинстве опубликованных исследований, что, вероятно, отражает быстрое улучшение коммерческих систем ИИ, которые постоянно переобучаются на миллионах реальных фотографий еды от своих пользователей. С более чем 2 миллионами активных пользователей, предоставляющих данные, модель ИИ Nutrola получает выгоду от исключительно большого и разнообразного цикла обратной связи для обучения.

Практические рекомендации

Основываясь на наших результатах тестирования, вот что мы рекомендуем для различных типов пользователей:

Тип пользователя	Минимально допустимый MAPE	Рекомендуемое приложение
Серьезное снижение веса (дефицит 500+ калорий)	Менее 10%	Nutrola
Конкурентный бодибилдинг/физическая форма	Менее 10% (особенно белки)	Nutrola
Общий мониторинг здоровья	Менее 15%	Nutrola, Foodvisor
Обычная осведомленность	Менее 20%	Любое протестированное приложение
Отслеживание не западной диеты	Менее 12%	Nutrola

Точность будет продолжать улучшаться

Стоит отметить, что точность отслеживания калорий с ИИ находится на крутой кривой улучшения. Уровни ошибок, которые мы измерили в марте 2026 года, значительно лучше, чем те, которые достигли те же приложения в начале 2025 года, и драматически лучше, чем результаты 2023 года.

Движущие силы этого улучшения:

1. Более крупные обучающие наборы данных — приложения с большим количеством пользователей генерируют больше данных для обучения.
2. Лучшие модели компьютерного зрения — улучшения базовых моделей каскадируют на распознавание пищи.
3. Улучшенная оценка размера порции — новые техники, объединяющие визуальный анализ с датчиками устройства.
4. Базы данных более высокого качества — более полные, профессионально проверенные данные о питательных веществах.

Комбинация Nutrola из более чем 2 миллионов пользователей, генерирующих непрерывные данные для обучения, базы данных, проверенной диетологами, и охвата более 50 стран позволяет ей сохранять лидерство в точности по мере дальнейшего развития технологий.

Итог

Отслеживание калорий с ИИ в 2026 году достаточно точно, чтобы быть действительно полезным — при выборе правильного приложения. Наилучший ИИ-трекер в нашем тесте (Nutrola) достиг средней ошибки 8.4 процента, что означает, что он оценивал калории в пределах 170 калорий при 2000 калориях в день. Это значительно превосходит средние показатели ручного отслеживания.

Наихудшие приложения в нашем тесте все еще показывали уровни ошибок почти 19 процентов, что может привести к потенциальным ежедневным ошибкам в 380 калорий. Выбор приложения имеет большое значение.

Для пользователей, которым нужна надежная точность — особенно тем, кто отслеживает макронутриенты для спортивной производительности, соблюдает медицинскую диету или стремится к конкретным целям по весу — данные явно указывают на приложения, которые сочетают сильное распознавание ИИ с профессионально проверенными базами данных о питательных веществах. ИИ хорош лишь настолько, насколько хороши данные, к которым он обращается.

---

Ссылки:

• Lichtman, S. W., et al. (1992). "Несоответствие между саморепортированным и фактическим потреблением калорий и физической активностью у людей с избыточным весом." New England Journal of Medicine, 327(27), 1893-1898.
• Schoeller, D. A., et al. (1995). "Неточности в саморепортированном потреблении, выявленные сравнением с методом двойного меченого воды." Canadian Journal of Physiology and Pharmacology, 73(11), 1535-1541.
• Mezgec, S., & Koroušić Seljak, B. (2024). "Систематический обзор инструментов оценки рациона на основе ИИ: точность и методология." Nutrients, 16(5), 712.
• Tanaka, H., et al. (2024). "Точность распознавания пищи и оценки порции в мобильной оценке рациона." Journal of Food Composition and Analysis, 128, 105942.
• Williams, R., et al. (2025). "Сравнительная точность методов на основе фотографии ИИ и 24-часовых диетических отчетов." American Journal of Clinical Nutrition, 121(2), 412-421.