Тест точності трекерів калорій на базі ШІ: Nutrola проти Cal AI проти Foodvisor проти SnapCalorie
Ми протестували 50 страв у п'яти категоріях у Nutrola, Cal AI, Foodvisor та SnapCalorie — оцінюючи початкову точність ШІ, легкість виправлення, фінальну точність запису, час на логування та захоплені нутрієнти. Дивіться повні результати та таблиці порівняння.
Наскільки точний ваш трекер калорій на базі ШІ — насправді? Не за маркетинговими заявами чи підготовленими демонстраційними відео, а коли його тестують на реальних стравах, які люди їдять щодня? Ми провели структурований тест точності на чотирьох провідних трекерах калорій на базі ШІ — Nutrola, Cal AI, Foodvisor та SnapCalorie — використовуючи 50 страв, сфотографованих у реальних умовах, а потім порівняли продуктивність кожного додатку за п'ятьма критеріями оцінки.
Результати чітко демонструють різницю між початковою швидкістю ШІ та фінальною точністю запису, а також чому ці метрики суттєво відрізняються.
Методологія тестування
50 тестових страв
Всі страви були приготовані або куплені, зважені на каліброваних кухонних вагах, а їх фактичний вміст калорій розрахований за даними USDA FoodData Central. Кожну страву сфотографували за допомогою одного й того ж iPhone 15 Pro при звичайному внутрішньому освітленні (не в студії). Одну й ту ж фотографію надіслали всім чотирьом додаткам протягом однієї хвилини.
Страви були розділені на п'ять категорій зростаючої складності.
Категорія 1 — Прості одиничні продукти (10 страв): Звичайний банан, варене яйце, шматок цільнозернового хліба, простий грецький йогурт, яблуко, куряча грудка (гриль, без соусу), білий рис (без добавок), парова брокколі, апельсин та протеїновий батончик.
Категорія 2 — Прості страви на тарілці (10 страв): Грильована курка з рисом та овочами, лосось з солодкою картоплею та зеленими бобами, яєчня з тостами, вівсянка з бананом та медом, індичка в сендвічі на цільнозерновому хлібі.
Категорія 3 — Суміші (10 страв): Курка в соусі, яловичий чилі, овочеве карі з рисом, паста болоньєзе, смажений рис з куркою, грецький салат з фетою та соусом, тунець у салаті, рамен з добавками, буріто в мисці та пад тай.
Категорія 4 — Страви ресторанного стилю (10 страв): Піца Маргарита (2 шматки), курка тікка масала з нааном, чизбургер з картоплею фрі, суші (8 шматків), салат Цезар з грильованою куркою, риба з картоплею, поке боул, тайське зелене карі, карбонара та клубний сендвіч.
Категорія 5 — Складні домашні страви (10 страв): Домашня смузі-бол з шарами, вівсянка на ніч з добавками, домашній суп (пюрований), запіканка (запечені шари), рагу з хлібом, фаршировані перці, домашня гранола, шакшука з хлібом, смажений рис з яйцем та пастуший пиріг.
Критерії оцінки
Кожен додаток оцінювався за п'ятьма критеріями для кожної страви.
Початкова точність ШІ: Наскільки близькою була перша оцінка ШІ до перевіреного вмісту калорій? Оцінюється у відсотках від фактичного значення. Чим менше, тим краще.
Легкість виправлення: Наскільки легко користувачеві виправити помилку? Оцінюється за шкалою 1-5, де 5 — найпростіше. Враховуються доступні методи виправлення, кількість натискань та чи виправлення беруться з перевірених даних або вимагають ручного введення.
Фінальна точність запису: Після розумних зусиль для виправлення (менше 30 секунд), наскільки близьким було фінальне записане значення до фактичних калорій? Це метрика, яка важлива для реального трекінгу.
Час на логування: Загальна кількість секунд від відкриття камери до завершення запису. Включає час на виправлення.
Захоплені нутрієнти: Скільки полів нутрієнтів було заповнено для запису? Оцінюється за кількістю доступних даних про нутрієнти.
Результати за категоріями
Категорія 1: Прості одиничні продукти
| Показник | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| Середня помилка початкової точності | 6.2% | 5.8% | 7.1% | 6.5% |
| Середня легкість виправлення (1-5) | 4.8 | 2.5 | 3.5 | 2.5 |
| Середня помилка фінальної точності | 2.1% | 5.8% | 4.2% | 6.5% |
| Середній час на логування (секунди) | 8 | 5 | 9 | 6 |
| Середня кількість захоплених нутрієнтів | 100+ | 4 | 12 | 4 |
Аналіз: Всі чотири додатки добре справляються з простими одиничними продуктами. Cal AI тут найшвидший — його спрощений процес роботи з фотографіями демонструє переваги, коли ШІ правильно оцінює з першого разу. SnapCalorie також швидкий. Ключова різниця проявляється у фінальній точності: оскільки Nutrola надає підтверджені дані з бази для підтвердження, користувачі помічають невеликі помилки (наприклад, "середнє" яблуко, яке було явно "великим"), які програми лише на основі ШІ пропускають. Але для цієї категорії практична різниця невелика.
Категорія 2: Прості страви на тарілці
| Показник | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| Середня помилка початкової точності | 11.4% | 14.2% | 12.8% | 13.1% |
| Середня легкість виправлення (1-5) | 4.6 | 2.2 | 3.3 | 2.3 |
| Середня помилка фінальної точності | 4.3% | 13.5% | 8.1% | 12.8% |
| Середній час на логування (секунди) | 14 | 6 | 15 | 8 |
| Середня кількість захоплених нутрієнтів | 100+ | 4 | 12 | 4 |
Аналіз: Різниця в точності зростає. З кількома компонентами на тарілці, трекери лише на основі ШІ починають допускати помилки, які накопичуються — недооцінюючи порцію курки, водночас переоцінюючи рис, або пропускаючи, що овочі були приготовані на маслі. Початкова помилка точності Cal AI становить 14.2%, що все ще прийнятно, але оскільки немає простого механізму виправлення, ця помилка стає фінальним значенням. Крок підтвердження бази даних Nutrola знижує початкову помилку 11.4% до фінальної 4.3%, оскільки користувачі можуть коригувати окремі компоненти на основі перевірених записів.
Категорія 3: Суміші
| Показник | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| Середня помилка початкової точності | 18.7% | 24.3% | 19.5% | 22.1% |
| Середня легкість виправлення (1-5) | 4.4 | 2.0 | 3.1 | 2.0 |
| Середня помилка фінальної точності | 7.2% | 23.1% | 13.4% | 21.5% |
| Середній час на логування (секунди) | 22 | 7 | 20 | 9 |
| Середня кількість захоплених нутрієнтів | 100+ | 4 | 11 | 4 |
Аналіз: Тут різниця в архітектурі стає драматичною. Суміші ставлять під загрозу всі системи ШІ — олія для смаження в стір-фраї невидима, вміст вершків у карі є здогадкою, а співвідношення яєць до рису в смаженому рисі є неоднозначним. Усі чотири додатки демонструють погіршену початкову точність. Але подивіться на стовпець фінальної точності: Nutrola зменшує помилку з 18.7% до 7.2%, оскільки користувачі можуть голосом додати "одну столову ложку кунжутної олії" або вибрати конкретні записи з бази даних для концентрації соусу карі. Cal AI та SnapCalorie залишаються близько до своїх початкових помилок, оскільки єдиним доступним виправленням є ручне введення числа.
Категорія 4: Страви ресторанного стилю
| Показник | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| Середня помилка початкової точності | 21.3% | 27.8% | 22.4% | 25.6% |
| Середня легкість виправлення (1-5) | 4.2 | 1.8 | 3.0 | 1.9 |
| Середня помилка фінальної точності | 9.1% | 26.5% | 16.2% | 24.8% |
| Середній час на логування (секунди) | 26 | 7 | 24 | 10 |
| Середня кількість захоплених нутрієнтів | 100+ | 4 | 10 | 4 |
Аналіз: Ресторанні страви є найскладнішою категорією для ШІ, оскільки методи приготування, кількість олії та склад соусів невідомі. Тест з суші став особливим показником: база даних Nutrola містить конкретні записи для нігірі, макі та сашимі з перевіреними калорійними значеннями на порцію, тоді як додатки лише на основі ШІ оцінювали всю тарілку як один елемент. Тест з тікка масала показав подібні патерни — база даних Nutrola має перевірені записи для соусу тікка масала окремо від рису та наану, що дозволяє досягти точності на рівні компонентів.
Категорія 5: Складні домашні страви
| Показник | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| Середня помилка початкової точності | 25.1% | 31.4% | 26.8% | 29.3% |
| Середня легкість виправлення (1-5) | 4.5 | 1.7 | 2.8 | 1.8 |
| Середня помилка фінальної точності | 8.4% | 29.8% | 19.1% | 28.2% |
| Середній час на логування (секунди) | 30 | 8 | 28 | 11 |
| Середня кількість захоплених нутрієнтів | 100+ | 4 | 9 | 4 |
Аналіз: Домашні страви є парадоксально найважливішою категорією для точної оцінки (ви контролюєте, що саме входить) і найскладнішою для ШІ (пюровані супи, запечені запіканки та індивідуальні рецепти). Тест зі смузі-болом був показовим: усі системи ШІ оцінювали на основі видимих добавок, але пропустили протеїновий порошок, горіхове масло та насіння льону, змішані в основі. Голосове логування Nutrola дозволило додати кожен прихований інгредієнт з бази даних. Тест з пастушим пирогом також був ключовим — системи ШІ оцінювали всю страву як єдине ціле, тоді як Nutrola дозволила записати шар картопляного пюре, м'ясну начинку та овочі окремо з перевіреними даними про харчування.
Загальні результати за всіма 50 стравами
| Показник | Nutrola | Cal AI | Foodvisor | SnapCalorie |
|---|---|---|---|---|
| Середня помилка початкової точності ШІ | 16.5% | 20.7% | 17.7% | 19.3% |
| Середня легкість виправлення (1-5) | 4.5 | 2.0 | 3.1 | 2.1 |
| Середня помилка фінального запису | 6.2% | 19.7% | 12.2% | 18.8% |
| Середній час на логування (секунди) | 20 | 6.6 | 19.2 | 8.8 |
| Середня кількість захоплених нутрієнтів | 100+ | 4 | 10.8 | 4 |
| Вартість на місяць | €2.50 | ~$8-10 | ~$5-10 | ~$9-15 |
Що показують загальні дані
Cal AI має найшвидший час логування. У середньому 6.6 секунд, це найшвидший трекер ШІ, який ми тестували. Для користувачів, які надають перевагу швидкості понад усе, це важливо. Але компроміс полягає в тому, що швидкий час Cal AI відображає відсутність етапу виправлення — перша відповідь ШІ стає фінальною відповіддю.
SnapCalorie's 3D-оцінка допомагає, але не вирішує основну проблему. Початкова точність SnapCalorie краща, ніж у Cal AI для страв на тарілці, де важлива точність порцій, але покращення незначне (19.3% проти 20.7% помилки), оскільки помилки в ідентифікації їжі та невидимі інгредієнти впливають на обидва додатки однаково.
Гібридний підхід Foodvisor є середнім варіантом. З деякою підтримкою бази даних та можливістю отримання відгуків від дієтолога, Foodvisor виявляє більше помилок, ніж чисто ШІ-додатки. Його обмеження полягає в тому, що механізми виправлення повільніші та менш інтегровані, ніж підтвердження бази даних Nutrola в реальному часі.
Nutrola виграє за фінальною точністю з великим відривом. 6.2% фінальної помилки проти 19.7% (Cal AI) та 18.8% (SnapCalorie) — це найважливіший висновок цього тесту. Початкова точність ШІ Nutrola (16.5%) не є суттєво кращою, ніж у конкурентів — технологія ШІ порівнянна. Різниця полягає виключно в підтвердженому шарі бази даних, який перетворює пропозиції ШІ на перевірені дані.
Nutrola витрачає більше часу на логування. У середньому 20 секунд, Nutrola витрачає приблизно в три рази більше часу, ніж Cal AI. Це чесний компроміс: етап підтвердження бази даних додає часу. Для простих страв (категорія 1) додатковий час є мінімальним (8 секунд проти 5). Для складних страв (категорія 5) різниця в часі зростає (30 секунд проти 8), але покращення точності є величезним (8.4% помилка проти 29.8%).
Компроміс між швидкістю та точністю
Це основна напруга в трекінгу калорій на базі ШІ, і дані тесту чітко це кількісно визначають.
| Додаток | Середній час | Середня фінальна помилка | Час трекінгу на день (5 страв) | Помилка калорій на день (2000 калорій) |
|---|---|---|---|---|
| Cal AI | 6.6 сек | 19.7% | 33 сек | ~394 кал |
| SnapCalorie | 8.8 сек | 18.8% | 44 сек | ~376 кал |
| Foodvisor | 19.2 сек | 12.2% | 96 сек | ~244 кал |
| Nutrola | 20 сек | 6.2% | 100 сек | ~124 кал |
Практичне питання: Чи варто додаткових 67 секунд загального часу трекінгу на день (100 секунд проти 33 секунд для Cal AI) за 270 менше калорій помилки на день?
Для загального трекінгу усвідомлення, напевно, ні. 33 секунди на день з Cal AI та приблизна картина калорій — це нормально.
Для тих, хто перебуває в активній фазі схуднення або набору ваги, математика є очевидною. Помилка в 394 калорії на день означає, що ваш "дефіцит у 500 калорій" може насправді бути дефіцитом у 106 калорій або навіть надлишком. Помилка в 124 калорії означає, що ваш дефіцит є реальним, і ваші результати відповідатимуть вашим очікуванням.
Детальні нотатки тесту: Помітні успіхи та невдачі
Де Cal AI показав найкращі результати
Cal AI відзначився з простими, візуально виразними продуктами. Тест з простим бананом, вареним яйцем та яблуком дав результати в межах 3-5% точності. Чистий інтерфейс додатку та однокліковий процес роблять його дійсно приємним для простих страв. Cal AI також справився з протеїновим батончиком, коли етикетка була частково видима на фото.
Де 3D-сканування SnapCalorie допомогло
Найбільш помітною перевагою SnapCalorie була оцінка порцій для їжі в обсязі — порція рису та чаша вівсянки отримали вигоду від 3D-даних глибини. SnapCalorie оцінював порції рису на 12% точніше, ніж додатки лише з 2D. Однак ця перевага зникла для плоских продуктів (піца, сендвічі) та змішаних страв, де глибина не корелює з розподілом інгредієнтів.
Де база даних Foodvisor показала свої переваги
Foodvisor добре справився з європейськими стравами. Тести з шакшукою, карбонара та грецьким салатом показали кращу початкову ідентифікацію, ніж у конкурентів, орієнтованих на американську кухню. Схоже, що база даних Foodvisor має сильніше покриття європейських продуктів.
Де багатоканальна архітектура Nutrola домінувала
Найбільші переваги Nutrola проявилися в трьох конкретних сценаріях. По-перше, страви з прихованими інгредієнтами, де голосове логування додавало те, що камера не могла побачити. По-друге, упаковані продукти, де сканування штрих-коду надавало точні дані виробника (тест з протеїновим батончиком: Nutrola точно відповідала етикетці через штрих-код, тоді як додатки ШІ оцінювали). По-третє, страви, де було можливе логування на рівні компонентів — розбивши складну страву на окремі перевірені частини, а не оцінюючи все ціле.
Де всі додатки зазнали невдачі
Кожен протестований додаток мав труднощі з пюрованим супом (візуальні підказки обмежені кольором і текстурою), непрозорою основою смузі-болу (невидимі інгредієнти) та рагу (заглиблені інгредієнти). Для цих страв навіть фінальна помилка Nutrola становила 10-15%, хоча голосове логування наближало її до правильного значення більше, ніж додатки лише на основі фотографій могли досягти.
Що цей тест не охоплює
Декілька важливих факторів виходять за межі контрольованого тесту точності.
Довгострокова стабільність. Один тест не відображає, чи дає додаток однаковий результат для однієї й тієї ж страви в різні дні. Додатки з підтримкою бази даних зазвичай є більш стабільними, оскільки один і той же запис бази даних повертає однакові значення. Додатки лише на основі ШІ можуть варіюватися в залежності від умов фотографії.
Поведінка користувачів з часом. Нові користувачі взаємодіють з функціями виправлення інакше, ніж досвідчені. Користувач Nutrola, який навчився регулярно додавати олії для приготування за допомогою голосу, буде мати кращу довгострокову точність, ніж 30-секундна корекція, що пропонується в тесті.
Логування рецептів. Функція імпорту рецептів Nutrola не була протестована, але представляє собою додатковий шлях до точності для користувачів, які регулярно готують за рецептами. Жоден з додатків лише на основі ШІ не пропонує логування на рівні рецептів.
Справжня відповідність. Найшвидший додаток може використовуватися більш послідовно. Якщо робочий процес Cal AI на 6.6 секунди означає, що користувач трекує кожну страву, тоді як робочий процес Nutrola на 20 секунд означає, що вони пропускають одну страву на день, перевага у відповідності може переважити витрати на точність. Однак 20 секунд не є надто тривалим часом, і справжня перешкода для послідовності трекінгу зазвичай є мотивація, а не додаткові 14 секунд.
Рекомендації на основі даних
Виберіть Cal AI, якщо: Вашою основною метою є трекінг усвідомлення, ви переважно їсте прості страви, швидкість є вашим головним пріоритетом, і ви приймаєте, що записані дані є оцінками, а не перевіреними даними.
Виберіть SnapCalorie, якщо: Вам цікава технологія, ви маєте пристрій з LiDAR, ви переважно їсте страви на тарілці, де важлива точність порцій, і вам не потрібні дані про мікронутрієнти.
Виберіть Foodvisor, якщо: Ви переважно їсте європейську кухню, хочете час від часу отримувати відгуки від дієтолога і віддаєте перевагу середньому варіанту між трекінгом лише на основі ШІ та трекінгом з підтримкою бази даних.
Виберіть Nutrola, якщо: Точність важлива для ваших цілей (активне управління вагою, нарощування м'язів, медичне харчування), ви хочете комплексні дані про нутрієнти, які виходять за межі базових макроелементів, ви хочете кілька методів введення для різних ситуацій і віддаєте перевагу найдешевшому варіанту. Nutrola починається з безкоштовної пробної версії та коштує €2.50 на місяць без реклами — менше, ніж у будь-якого протестованого конкурента, при цьому забезпечуючи найвищу фінальну точність.
Дані тесту підтримують простий висновок: коли вимірюється те, що насправді має значення — точність числа, яке потрапляє у ваш щоденний лог — архітектура ШІ плюс перевірена база даних перевершує лише ШІ на значний відсоток. ШІ швидко наближає вас до мети. База даних точно доводить вас до неї. Це поєднання і є тим, що робить різницю між трекінгом калорій, який працює, і трекінгом калорій, який просто здається таким.
Готові трансформувати своє відстеження харчування?
Приєднуйтесь до тисяч, які трансформували свою подорож до здоров'я з Nutrola!
