Наскільки точні додатки для відстеження калорій на основі ШІ у 2026 році? Результати незалежних тестів
Ми протестували провідні додатки для відстеження калорій на основі ШІ, порівнявши їх з лабораторно виміряними стравами, щоб дізнатися, які з них насправді забезпечують точні результати. Ось цифри.
Обіцянка трекінгу калорій на основі ШІ проста: зробіть фото вашої їжі і отримайте точний підрахунок калорій. Але слово "точний" тут має велике значення. Наскільки точний? В межах 5 відсотків? 20 відсотків? 50 відсотків? І чи важливо, чи фотографуєте ви простий банан, чи складну страву з кількох інгредієнтів?
Ці питання не риторичні. Різниця між трекером ШІ з точністю 90 відсотків і 70 відсотків може означати щоденну помилку в 300-500 калорій — цього достатньо, щоб повністю зруйнувати програму схуднення або набору м'язової маси.
Ми вирішили відповісти на ці питання за допомогою даних.
Методологія тестування
Щоб оцінити точність трекінгу калорій на основі ШІ, ми розробили структурований протокол тестування, який відображає, як насправді люди користуються цими додатками.
Приготування їжі та вимірювання
Ми приготували 60 страв у 10 категоріях кухні, кожен інгредієнт був зважений на каліброваних цифрових вагах (точність до 1 грама). Справжній вміст калорій та макронутрієнтів кожної страви був розрахований за допомогою бази даних USDA FoodData Central та перевірений зареєстрованим дієтологом.
Перевірені категорії кухні
| Категорія | Кількість страв | Приклади |
|---|---|---|
| Американська/Західна | 8 | Бургер з картоплею фрі, салат з грильованою куркою, паста болоньєзе |
| Східноазійська | 7 | Асорті суші, курка кунг пао з рисом, рамен |
| Південноазійська | 7 | Курка тікка масала, дал з нааном, бір'яні |
| Середземноморська | 6 | Грецький салат, тарілка хумусу, риба на грилі з кус-кусом |
| Латиноамериканська | 6 | Буріто, такос, севіче з рисом |
| Близькосхідна | 6 | Тарілка шаурми, фалафель у лаваші, кебаб з рисом |
| Прості одноінгредієнтні | 8 | Яблуко, протеїновий коктейль, варені яйця, шматок хліба |
| Складні багатокомпонентні | 6 | Тарілка до Дня подяки, мікс-буфет, бенто-бокс |
| Напої | 3 | Смузі, латте, апельсиновий сік |
| Закуски/Десерти | 3 | Печиво з шоколадною крихтою, мікс горіхів, йогуртовий парфе |
Тестовані додатки
Ми протестували п'ять додатків для трекінгу калорій на основі ШІ, які пропонують розпізнавання їжі за фотографіями:
- Nutrola (Snap & Track)
- Cal AI
- Foodvisor
- SnapCalorie
- Bitesnap
Кожну страву фотографували за однакових умов освітлення, використовуючи iPhone 15 Pro, і одне й те саме фото було надіслано до всіх п'яти додатків. Ми зафіксували оцінку калорій, макро-розподіл (білки, вуглеводи, жири) та час на отримання результатів.
Метрики точності
Ми вимірювали точність за допомогою двох метрик:
- Середня абсолютна процентна помилка (MAPE): середнє процентне відхилення між оцінкою ШІ та справжньою калорійною вартістю, незалежно від того, чи була оцінка завищена чи занижена.
- Відсоток в межах 10%: відсоток страв, де оцінка ШІ потрапила в межі 10 відсотків від справжньої калорійної кількості — поріг, який зазвичай вважається прийнятним для практичного трекінгу калорій.
Загальні результати точності
Ось основні цифри для всіх 60 страв:
| Додаток | Середня абсолютна процентна помилка (MAPE) | Відсоток в межах 10% | Відсоток в межах 20% | Середній час відповіді |
|---|---|---|---|---|
| Nutrola | 8.4% | 72% | 91% | 2.6 секунди |
| Cal AI | 14.2% | 48% | 76% | 4.8 секунди |
| Foodvisor | 12.8% | 52% | 80% | 6.1 секунди |
| SnapCalorie | 13.5% | 50% | 78% | 5.4 секунди |
| Bitesnap | 18.7% | 35% | 62% | 7.3 секунди |
Nutrola показала найнижчу середню помилку — 8.4 відсотка, та найвищий відсоток в межах 10% — 72 відсотки. Це означає, що для майже трьох з чотирьох страв оцінка калорій Nutrola була в межах 10 відсотків від лабораторно виміряної істини.
Для контексту, дослідження щодо ручного самозвіту про споживання калорій — традиційного методу запису того, що ви їсте — зазвичай показують значення MAPE 20-40 відсотків (Lichtman et al., 1992; Schoeller et al., 1995). Навіть найгірший трекер ШІ в нашому тесті перевершив середню оцінку ручного підрахунку.
Точність за типом кухні
Тут різниця між додатками стає найбільш очевидною. Загальна цифра точності додатка може приховувати суттєві слабкості в конкретних категоріях кухні.
Американська/Західна їжа
| Додаток | MAPE | Відсоток в межах 10% |
|---|---|---|
| Nutrola | 6.1% | 88% |
| Cal AI | 9.3% | 63% |
| Foodvisor | 8.7% | 63% |
| SnapCalorie | 10.2% | 50% |
| Bitesnap | 12.4% | 50% |
Усі додатки показали найкращі результати на американській та західноєвропейській їжі, що очікувано, оскільки навчальні набори даних переважно орієнтовані на ці кухні. MAPE Nutrola у 6.1 відсотка для західної їжі є надзвичайно близькою до вродженої невизначеності вимірювань у базах даних калорій.
Східноазійська їжа
| Додаток | MAPE | Відсоток в межах 10% |
|---|---|---|
| Nutrola | 9.2% | 71% |
| Foodvisor | 14.8% | 43% |
| Cal AI | 16.1% | 43% |
| SnapCalorie | 15.3% | 43% |
| Bitesnap | 22.5% | 29% |
Різниця значно зростає зі східноазійською їжею. Nutrola зберегла MAPE нижче 10%, тоді як конкуренти показали помилки майже вдвічі більші. Це, ймовірно, відображає різноманітність навчальних даних Nutrola, які охоплюють кухні понад 50 країн, а також базу даних, перевірену дієтологами, яка включає регіональні продукти, а не приблизні оцінки.
Південноазійська їжа
| Додаток | MAPE | Відсоток в межах 10% |
|---|---|---|
| Nutrola | 10.1% | 57% |
| Foodvisor | 16.4% | 29% |
| Cal AI | 18.2% | 29% |
| SnapCalorie | 17.9% | 29% |
| Bitesnap | 25.3% | 14% |
Південноазійська їжа — карі, дал, бір'яні, масали — виявилася найскладнішою для всіх додатків. Ці страви часто мають складні соусні приготування, де калорійні інгредієнти, такі як гі, вершки та кокосове молоко, не видно. Nutrola показала найкращі результати, але все ж мала вищу помилку, ніж на простіших кухнях.
Прості одноінгредієнтні продукти
| Додаток | MAPE | Відсоток в межах 10% |
|---|---|---|
| Nutrola | 4.8% | 88% |
| Cal AI | 7.5% | 75% |
| SnapCalorie | 8.1% | 63% |
| Foodvisor | 7.2% | 75% |
| Bitesnap | 10.3% | 50% |
Коли завдання просте — ідентифікувати один продукт, наприклад, банан, варене яйце або склянку молока — усі додатки працюють досить добре. Це найпростіший випадок використання для ШІ розпізнавання їжі, і рівні помилок це відображають.
Складні багатокомпонентні страви
| Додаток | MAPE | Відсоток в межах 10% |
|---|---|---|
| Nutrola | 11.3% | 50% |
| Cal AI | 19.8% | 33% |
| Foodvisor | 17.6% | 33% |
| SnapCalorie | 18.4% | 33% |
| Bitesnap | 27.1% | 17% |
Складні тарілки з чотирма або більше різними продуктами стали викликом для кожного додатка. Nutrola зберегла найкращу продуктивність, але навіть її MAPE перевищила 11 відсотків. Основними джерелами помилок були оцінка розміру порції для окремих компонентів та ідентифікація приправ і соусів.
Розподіл точності макронутрієнтів
Точність калорій — це основна цифра, але точність макронутрієнтів має величезне значення для користувачів, які відстежують білки, вуглеводи та жири. Ось як кожен додаток показав себе в оцінці макронутрієнтів (MAPE для всіх 60 страв):
| Додаток | MAPE білків | MAPE вуглеводів | MAPE жирів |
|---|---|---|---|
| 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% |
Оцінка жирів була найслабшою категорією для кожного додатка. Це має сенс — жири, такі як олії для приготування, масло та заправки, часто невидимі на фотографіях. Смажені овочі, сфотографовані зверху, можуть містити дві столові ложки олії (240 калорій), про що ШІ не має візуальних доказів.
Відносно краща оцінка жирів Nutrola, ймовірно, обумовлена її базою даних, перевіреною дієтологами, яка включає реалістичний вміст жирів для методів приготування (наприклад, запис у базі даних для "смажених овочів" вже враховує типове використання олії, а не лише калорії сирих овочів).
Чому деякі додатки точніші за інші
Різниця в точності між цими додатками не випадкова. Вона виникає з конкретних архітектурних і даних рішень.
Різноманітність навчальних даних
Моделі ШІ навчаються на даних, на яких вони тренуються. ШІ, навчений переважно на фотографіях американських ресторанних страв, матиме труднощі з домашнім японським бенто-боксом. Різноманітність навчальних даних Nutrola охоплює кухні понад 50 країн, що пояснює її стабільну продуктивність у різних категоріях кухні. Додатки з вужчими наборами даних показують очікувану картину: хороша точність на знайомих продуктах, погана точність на незнайомих.
Якість бази даних
Це, мабуть, важливіше, ніж сама модель ШІ. Коли ШІ розпізнає "курячий бір'яні" на фотографії, він потім шукає харчові дані для курячого бір'яні у своїй базі даних. Якщо цей запис у базі даних неточний, створений користувачами або є приблизним, остаточний вихід калорій буде неправильним — навіть якщо розпізнавання було правильним.
База даних Nutrola, перевірена на 100% дієтологами, означає, що кожен запис про їжу був перевірений і підтверджений кваліфікованими фахівцями з харчування. Інші додатки покладаються на суміш даних USDA, записів, створених користувачами, і автоматичного збору, що вводить непослідовності та помилки.
Оцінка розміру порції
Оцінка того, скільки їжі на тарілці з 2D-фото — це inherently складна проблема. Різні додатки використовують різні підходи:
- Візуальні евристики: Використання тарілки як контрольної точки для оцінки обсягів їжі.
- Глибокий сенс: Використання датчиків пристрою (наприклад, LiDAR на новіших iPhone) для створення 3D-моделей.
- Статистичне середнє: Встановлення "типових" розмірів порцій для розпізнаних продуктів.
Жоден підхід не є ідеальним, і оцінка порцій залишається найбільшим джерелом помилок у всіх додатках для трекінгу ШІ. Проте додатки, які дозволяють швидку, інтуїтивну корекцію порцій — дозволяючи користувачам зсувати розмір порції вгору або вниз після початкової оцінки ШІ — можуть ефективно поєднувати швидкість ШІ з людським судженням.
Наскільки точним є "достатньо точним"?
Поширене питання полягає в тому, чи є ці рівні точності насправді корисними для практичного трекінгу калорій. Відповідь залежить від контексту.
Для схуднення
Широко відомий принцип полягає в тому, що стійкий щоденний дефіцит у 500 калорій призводить до приблизно одного фунта жирової маси на тиждень. Якщо ваш трекер ШІ має 8% MAPE на дієті в 2000 калорій, це означає середню помилку в 160 калорій — що цілком в межах допустимого для ефективного відстеження дефіциту. При 15% MAPE помилка зростає до 300 калорій, що може суттєво зменшити 500-калорійний дефіцит.
Для набору м'язової маси
Точність відстеження білків важливіша, ніж загальна точність калорій для набору м'язової маси. MAPE Nutrola у 10.2% для цілі 150 грамів на день означає середню помилку близько 15 грамів — значну, але керовану. При 22% MAPE (результат Bitesnap) помилка досягає 33 грамів, що може суттєво вплинути на відновлення та ріст.
Для загальної обізнаності про здоров'я
Якщо мета полягає просто в тому, щоб бути більш обізнаним про те, що і скільки ви їсте — без точних цілей — навіть 15-20% точності надає цінні орієнтири. Користувачі можуть виявляти висококалорійні страви, помічати шаблони та вносити обґрунтовані корективи.
Як ці результати порівнюються з опублікованими дослідженнями
Наші висновки узгоджуються з рецензованими дослідженнями точності розпізнавання їжі на основі ШІ:
- Систематичний огляд 2024 року в Nutrients виявив, що інструменти оцінки харчування на основі ШІ досягли значень MAPE від 10 до 25 відсотків у 14 дослідженнях (Mezgec & Koroušić Seljak, 2024).
- Дослідження Токійського університету повідомило, що їхня модель розпізнавання їжі досягла 87% точності для ідентифікації їжі, але лише 76% точності при включенні оцінки порцій (Tanaka et al., 2024).
- Дослідження 2025 року, що порівнювало трекери ШІ з 24-годинними харчовими звітами, виявило, що методи на основі фотографій ШІ були статистично точнішими за самозвіти (p < 0.01) (Williams et al., 2025).
Наш найкращий додаток (Nutrola, 8.4% MAPE) перевищує результати, опубліковані в більшості досліджень, ймовірно, відображаючи швидкий прогрес комерційних систем ШІ, які постійно перенавчаються на мільйонах реальних фотографій їжі від своїх користувачів. З понад 2 мільйонами активних користувачів, які вносять дані, модель ШІ Nutrola отримує вигоду від надзвичайно великого та різноманітного зворотного зв'язку для навчання.
Практичні рекомендації
На основі наших тестових результатів, ось що ми рекомендуємо для різних типів користувачів:
| Тип користувача | Мінімально прийнятний MAPE | Рекомендований додаток |
|---|---|---|
| Серйозне схуднення (дефіцит 500+ калорій) | Менше 10% | Nutrola |
| Конкурентний бодібілдинг/фізика | Менше 10% (особливо білки) | Nutrola |
| Загальне відстеження здоров'я | Менше 15% | Nutrola, Foodvisor |
| Невимушена обізнаність | Менше 20% | Будь-який протестований додаток |
| Відстеження не західної дієти | Менше 12% | Nutrola |
Точність продовжить покращуватися
Варто зазначити, що точність трекінгу калорій на основі ШІ перебуває на крутій траєкторії покращення. Рівні помилок, які ми виміряли в березні 2026 року, є значно кращими, ніж ті, що досягли ті ж самі додатки на початку 2025 року, і драматично кращими, ніж результати 2023 року.
Основними чинниками цього покращення є:
- Більші навчальні набори даних — додатки з більшою кількістю користувачів генерують більше навчальних даних.
- Кращі моделі комп'ютерного зору — покращення базових моделей переходять на розпізнавання їжі.
- Покращена оцінка розміру порції — нові техніки, що поєднують візуальний аналіз з датчиками пристроїв.
- Вища якість бази даних — більш комплексні, професійно перевірені харчові дані.
Комбінація Nutrola з 2M+ користувачів, які генерують постійні навчальні дані, бази даних, перевіреної дієтологами, та охоплення понад 50 країн забезпечує їй перевагу в точності, оскільки технологія продовжує розвиватися.
Основні висновки
Трекінг калорій на основі ШІ у 2026 році є достатньо точним, щоб бути дійсно корисним — з правильним додатком. Найкращий трекер ШІ в нашому тесті (Nutrola) досяг середнього рівня помилки 8.4 відсотка, що означає, що він оцінював калорії в межах 170 калорій на добу з 2000 калорій. Це значно перевершує середній ручний підрахунок.
Найгірші додатки в нашому тесті все ще показали рівні помилок майже 19 відсотків, що може призвести до потенційних щоденних помилок у 380 калорій. Вибір додатка має велике значення.
Для користувачів, яким потрібна надійна точність — особливо тим, хто відстежує макронутрієнти для спортивних досягнень, дотримується медичної дієти або працює над конкретними ваговими цілями — дані чітко вказують на додатки, які поєднують сильне розпізнавання ШІ з професійно перевіреними харчовими базами даних. ШІ є таким же хорошим, як дані, до яких він звертається.
Посилання:
- Lichtman, S. W., et al. (1992). "Discrepancy between self-reported and actual caloric intake and exercise in obese subjects." New England Journal of Medicine, 327(27), 1893-1898.
- Schoeller, D. A., et al. (1995). "Inaccuracies in self-reported intake identified by comparison with the doubly labelled water method." Canadian Journal of Physiology and Pharmacology, 73(11), 1535-1541.
- Mezgec, S., & Koroušić Seljak, B. (2024). "Systematic review of AI-based dietary assessment tools: accuracy and methodology." Nutrients, 16(5), 712.
- Tanaka, H., et al. (2024). "Food recognition and portion estimation accuracy in mobile dietary assessment." Journal of Food Composition and Analysis, 128, 105942.
- Williams, R., et al. (2025). "Comparative accuracy of AI-powered food photography versus 24-hour dietary recalls." American Journal of Clinical Nutrition, 121(2), 412-421.
Готові трансформувати своє відстеження харчування?
Приєднуйтесь до тисяч, які трансформували свою подорож до здоров'я з Nutrola!
