Наскільки точний Cal AI? Тест на 20 продуктах проти значень USDA

Cal AI — це додаток для підрахунку калорій на основі фотографій, який використовує комп'ютерне зору для оцінки калорійності їжі. Ідея виглядає привабливо: зробіть знімок вашої страви і отримайте миттєву оцінку калорій, не шукаючи в базах даних, не скануючи штрих-коди та не вводячи нічого вручну. Ніякого ручного введення, жодного вибору продуктів зі списків, жодного зважування порцій.

Але оцінка калорій на основі фотографій стикається з фундаментальними технічними викликами, які жодна кількість складних алгоритмів AI не змогла повністю вирішити. Двомірна фотографія тривимірної їжі не може захопити глибину, щільність, приховані шари або невидимі калорії від олій і соусів. Питання не в тому, чи є Cal AI ідеальним — ніхто цього не очікує — а в тому, чи достатньо точний, щоб надати користувачам значущі результати в управлінні їхнім харчуванням.

Ми протестували Cal AI, використовуючи нашу стандартну методологію: 20 поширених продуктів, точно зважених, сфотографованих при нормальному домашньому освітленні та порівняних з даними USDA FoodData Central.

Як працює Cal AI

Cal AI використовує моделі комп'ютерного зору для аналізу фотографій їжі та оцінки калорійності. Процес складається з трьох етапів:

1. Ідентифікація їжі. AI визначає, які продукти присутні на фотографії.
2. Оцінка порції. AI оцінює кількість кожного ідентифікованого продукту на основі візуальних підказок, таких як розмір тарілки, пропорції їжі та навчальні еталони розмірів.
3. Обчислення калорій. Оцінені порції множаться на значення калорій на грам, щоб отримати загальну оцінку калорійності.

Немає жодної перевіреної бази даних продуктів, до якої б фотографія могла бути прив'язана. Оцінка калорій походить з навчальних даних моделі AI та її навчальних асоціацій між візуальними характеристиками їжі та калорійністю. Немає сканера штрих-кодів, немає голосового введення, і немає ручного пошуку в базі даних — фотографія є єдиним способом введення.

Тест на точність 20 продуктів: Cal AI проти значень USDA

Кожен продукт був зважений на каліброваних кухонних вагах, поданий звичайним чином (не розкладений і не штучно оформлений), і сфотографований з природного кута зйомки при стандартному кухонному освітленні. Значення USDA взяті з FoodData Central для точно виміряної ваги.

#	Продукт	Вага (г)	Посилання USDA (ккал)	Оцінка Cal AI (ккал)	Відхилення (ккал)	Відхилення (%)
1	Грудка курки, гриль	150	248	220	-28	-11.3%
2	Коричневий рис, варений	200	248	275	+27	+10.9%
3	Банан, середній	118	105	110	+5	+4.8%
4	Цільне молоко (склянка)	244	149	170	+21	+14.1%
5	Філе лосося, запечене	170	354	310	-44	-12.4%
6	Авокадо, ціле	150	240	200	-40	-16.7%
7	Грецький йогурт, натуральний (чаша)	200	146	160	+14	+9.6%
8	Солодка картопля, запечена	180	162	145	-17	-10.5%
9	Мигдаль, сирий (мала чаша)	30	174	210	+36	+20.7%
10	Хліб з цільного зерна (2 скибочки)	50	130	140	+10	+7.7%
11	Яйце, велике, яєчня	61	91	105	+14	+15.4%
12	Броколі, варене на пару	150	52	45	-7	-13.5%
13	Оливкова олія (столова ложка на тарілці)	14	119	60	-59	-49.6%
14	Арахісове масло (на хлібі)	32	190	155	-35	-18.4%
15	Сир чеддер (слайси)	40	161	140	-21	-13.0%
16	Паста, варена (тарілка)	200	262	290	+28	+10.7%
17	Яблуко, середнє	182	95	90	-5	-5.3%
18	Фарш яловичини, 85% нежирний (котлета)	120	272	240	-32	-11.8%
19	Вівсянка, суха (чаша)	40	152	180	+28	+18.4%
20	Чечевиця, варена (чаша)	180	207	185	-22	-10.6%

Статистика підсумків

• Середнє абсолютне відхилення: 22.2 ккал на продукт
• Максимальне відхилення: 59 ккал (оливкова олія)
• Середнє відсоткове відхилення: 13.3%
• Продукти в межах 5% від значень USDA: 2 з 20 (10%)
• Продукти в межах 10% від значень USDA: 5 з 20 (25%)
• Продукти з нульовим відхиленням: 0 з 20 (0%)

Відхилення по кожному продукту значно більші, ніж у трекерів, що базуються на базах даних. Оливкова олія — столова ложка, що зібралася на тарілці — була недооцінена майже на 50%, що підкреслює основну проблему оцінки калорійності рідин з високою калорійністю за фотографією.

Точність фотографій за типом страв

Точність Cal AI суттєво варіюється в залежності від того, що ви фотографуєте. Ми розширили тестування за межі 20 окремих продуктів, щоб оцінити повні сценарії страв.

Тип страви	Точність ідентифікації	Точність оцінки калорій	Типове відхилення
Одинична цілісна їжа (яблуко, банан)	~85%	±8%	±8-12 ккал
Проста подана страва (білок + один гарнір)	~78%	±15%	±40-80 ккал
Складна багатокомпонентна тарілка	~60%	±25%	±80-150 ккал
Ресторанна їжа	~55%	±30%	±100-200 ккал
Упакована їжа (без штрих-коду)	~75%	±18%	±30-60 ккал
Чаші (салати, зернові страви)	~65%	±22%	±60-120 ккал
Супи та рідкі страви	~50%	±35%	±80-180 ккал

Модель чітка: точність знижується зі збільшенням складності страви. Одиничний банан, сфотографований при хорошому освітленні, є відносно простим завданням для комп'ютерного зору. Тарілка ресторанної їжі з білком, крохмалем, овочами, соусом і прикрасами — де продукти перекриваються, соуси закривають поверхні, а порції оформлені, а не виміряні — є надзвичайно складною.

Проблема оцінки порцій

Найбільше джерело неточності Cal AI не в ідентифікації їжі — це оцінка порцій. Ось чому.

2D фотографії 3D їжі

Фотографія сплющує тривимірну їжу в двомірний образ. Мелка широка тарілка і глибока вузька чаша можуть вміщати кардинально різні обсяги, виглядаючи схоже зверху. Грудка курки може бути товстою або тонкою, а фото зверху не може їх розрізнити.

Візуальний сценарій	Що бачить Cal AI	Що насправді існує	Помилка
Висока чаша рису	Середнє коло білого продукту	350 г рису (глибока чаша)	Недооцінює на 30-40%
Тонкий шар рису на тарілці	Велике коло білого продукту	150 г рису (розкладений плоско)	Переставляє на 20-30%
Товста грудка курки	Прямокутний білий білок	200 г (товстий шматок)	Недооцінює на 15-25%
Тонка грудка курки	Схожий прямокутний контур	120 г (тонкий шматок)	Переставляє на 10-20%

Жодна з нинішніх моделей AI надійно не вирішує цю проблему сприйняття глибини з одного зображення. Деякі підходи використовують об'єкти-еталони (наприклад, монету поруч з їжею) або стереофотографію, але Cal AI використовує одне необмежене фото, що обмежує оцінку глибини навчальними евристиками.

Проблема прихованих калорій

Деякі інгредієнти з високою калорійністю невидимі або майже невидимі на фотографіях:

• Кулінарні олії, які вбираються в їжу під час смаження або запікання, додають 40-120 ккал на столову ложку, але не залишають видимих слідів.
• Масло, розтоплене в рисі, пасті або овочах, може бути невидимим на фото.
• Соуси та заправки, що знаходяться під листям салату, змішані в пасті або политі під білком, частково або повністю приховані.
• Сир, розтоплений у стравах, візуально зливається з їжею під ним.
• Цукор, розчинений у напоях, абсолютно невидимий.

У нашому тесті оливкової олії столова ложка (119 ккал), що зібралася на тарілці, була оцінена лише в 60 ккал. Коли та ж кількість оливкової олії використовувалася для приготування курки і більше не була видимою, Cal AI не оцінив жодних додаткових калорій від олії — пропуск 119 ккал з однієї столової ложки кулінарного жиру.

Це не є недоліком конкретної реалізації Cal AI. Це фундаментальне обмеження оцінки калорій з фотографій. Будь-яка система на основі фотографій буде стикатися з труднощами з невидимими калоріями.

Накопичення щоденних помилок: що насправді означає ±160 калорій

Протягом повного дня харчування оцінки Cal AI на основі фотографій дають середнє щоденне відхилення приблизно ±160 калорій від загальних значень USDA.

• ±160 ккал/день за 7 днів = ±1,120 ккал/тиждень
• Дефіцит 500 ккал/день стає від 340 до 660 ккал дефіциту
• Протягом 30 днів накопичена помилка досягає ±4,800 ккал — приблизно 1.4 фунта жирової маси невизначеності

На відміну від трекерів, що базуються на базах даних, де помилки є відносно постійними (один і той же запис продукту повертає однакову кількість калорій щоразу), помилки Cal AI є змінними. Така ж страва, сфотографована з іншого кута, при іншому освітленні або на іншій тарілці, може давати різні оцінки калорій. Ця змінність ускладнює користувачам розвиток налаштованої інтуїції щодо їхнього споживання.

Для тих, хто неформально стежить за своїми харчовими звичками, ±160 ккал/день може бути прийнятним — це правильно визначить день на 3,000 калорій проти дня на 1,500 калорій. Для тих, хто прагне до конкретної калорійної мети для управління вагою, межа помилки є достатньо широкою, щоб затуманити значущі сигнали прогресу.

Де Cal AI точний

Cal AI працює найкраще за певних, сприятливих умов.

Прості, добре подані страви з одного продукту. Грудка курки на білому тарілці, одне яблуко або чаша звичайної вівсянки — це сценарії, де AI має сильні навчальні дані, а їжа чітко видима. Точність для простих страв наближається до ±8-10%, що є розумним для швидкого введення.

Регулярно фотографовані страви. Якщо ви регулярно їсте подібні страви і фотографуєте їх в подібних умовах, помилки стають постійними і дещо передбачуваними. Це менше про точність і більше про прецизійність — цифри можуть бути неправильними, але вони помиляються на схожу кількість щоразу, що зберігає відносний сигнал.

Швидкість і зручність. Основна цінність Cal AI не в точності — а в швидкості. Зробити фото займає 3 секунди. Пошук у базі даних, вибір правильного запису та введення розміру порції займає 30-60 секунд на продукт. Для користувачів, які інакше не відстежували б, зменшення тертя Cal AI має справжню цінність.

Візуальні харчові журнали. Підхід з фото на першому місці створює візуальний запис того, що ви їли, що має поведінкові переваги незалежно від точності калорій. Дослідження показують, що фотографії їжі підвищують обізнаність про харчування навіть без точних даних про калорії.

Де Cal AI має недоліки

Змішані тарілки та складні страви. Будь-яка страва з більш ніж 2-3 окремими компонентами швидко втрачає точність. Реальне харчування — це вечеря з білком, крохмалем, овочами та соусом — є складним, і саме тут відхилення Cal AI в ±25-30% роблять оцінки калорій ненадійними.

Соуси, олії та приховані калорії. Як показали результати тестів, інгредієнти з високою калорійністю, але візуально непомітні, серйозно недооцінюються або зовсім пропускаються. Домашня страва з 2 столовими ложками оливкової олії, використаної для приготування, може бути недооцінена на 200+ калорій лише через невидиму олію.

Темне освітлення та погані умови фотографії. Освітлення в ресторані, вечірнє кухонне освітлення та будь-яке середовище, де їжа не чітко освітлена, знижують точність ідентифікації та оцінки порцій. AI потребує чітких візуальних даних для роботи.

Відсутність резерву для невдалої ідентифікації. Коли Cal AI не може ідентифікувати їжу — що трапляється приблизно з 20-45% продуктів в залежності від складності — немає сканера штрих-кодів, жодного пошуку в базі даних і жодного голосового введення, на яке можна покластися. Користувач залишається з неповною або неправильною оцінкою та без альтернативи в додатку.

Відсутність перевіреної бази даних. Cal AI не прив'язує ідентифіковані продукти до перевіреної харчової бази даних. Оцінка калорій походить з навчальних асоціацій моделі AI, що означає, що немає авторитетного джерела, яке підтверджує значення калорій на грам, що використовуються в розрахунках. Якщо модель навчилася неправильної асоціації (наприклад, переоцінюючи калорійність вареного рису), ця помилка закладається в кожну майбутню оцінку цього продукту.

Складні та багатошарові страви. Сендвіч, сфотографований зверху, показує лише верхній шматок хліба. AI повинен здогадуватися, що всередині, спираючись на візуальні підказки з країв. Гамбургер з товстою котлетою, сиром і кількома начинками буде оцінений по-різному в залежності від того, що видно з кута камери.

Як Cal AI порівнюється з трекерами на основі бази даних

Показник	Cal AI	Nutrola	MacroFactor	FatSecret
Середнє щоденне відхилення	±160 ккал	±78 ккал	±110 ккал	±175 ккал
Метод введення	Тільки фото	Фото AI + Голос + Пошук + Штрих-код	Пошук + Штрих-код	Пошук + Штрих-код
Ідентифікація їжі	AI-розпізнавання	AI-розпізнавання + перевірена база даних	Ручна (кураторська)	Ручна (збірна)
Оцінка порцій	AI з фото	AI + ручне коригування	Ручна (користувач зважує)	Ручна (користувач зважує)
Сканер штрих-кодів	Ні	Так (3M+ продуктів, 47 країн)	Так	Так
Голосове введення	Ні	Так (~90% точність)	Ні	Ні
Резерв бази даних	Немає	1.8M+ перевірених записів	Кураторська база даних	Збірна база даних
Швидкість введення	~3 секунди	~5-10 секунд	~30-60 секунд	~30-60 секунд

Перевага Cal AI — швидкість. Його недолік у тому, що всі інші показники точності гірші, ніж у альтернатив, які використовують перевірені або кураторські бази даних. Додаток займає певну нішу: користувачі, які цінують зручність понад точність і які не відстежували б взагалі, якщо їм потрібно шукати в базах даних або сканувати штрих-коди.

Для користувачів, які хочуть зручності AI на основі фотографій без жертвування точністю, Nutrola пропонує ідентифікацію на основі фотографій, що прив'язується до перевіреної бази даних з понад 1.8 мільйона записів, що підтверджені дієтологами, забезпечуючи переваги швидкого введення фотографій з точністю перевірених харчових даних. Nutrola також пропонує голосове введення та сканування штрих-кодів як альтернативні методи введення, коли фотографія є недоцільною, чого Cal AI запропонувати не може. Nutrola доступна на iOS та Android за €2.50/місяць без реклами.

Часто задавані питання

Чи може Cal AI замінити традиційний додаток для підрахунку калорій?

Для неформальної обізнаності про харчування — розуміння того, чи з'їли ви багато чи мало в певний день — Cal AI може надати корисні приблизні оцінки. Для конкретних калорійних цілей, протоколів управління вагою або будь-якої мети, що залежить від точності в межах 100-200 калорій на день, щоденне відхилення Cal AI в ±160 ккал робить його ненадійним як основний інструмент для відстеження. Користувачі з цілями точності краще обслуговуються додатками з перевіреними базами даних та кількома методами введення.

Чому Cal AI має труднощі з оцінкою порцій?

Основна проблема в тому, що одне 2D зображення не може захопити тривимірні властивості їжі — глибину, щільність і об'єм. Глибока чаша супу та мілка тарілка пасти можуть виглядати схоже зверху, але містити дуже різні кількості їжі. Крім того, інгредієнти з високою калорійністю, такі як олії, масло та цукор, які змішуються з їжею або вбираються в неї, є невидимими на фотографіях. Це фізичні обмеження, які стосуються всіх систем оцінки на основі фотографій, а не лише Cal AI.

Чи є Cal AI більш точним для деяких продуктів, ніж для інших?

Так, суттєво. Одиничні цілісні продукти з постійними формами (яблука, банани, яйця) дають оцінки в межах ±5-8% від значень посилань. Прості подані страви з видимими, чіткими компонентами досягають ±15%. Складні змішані тарілки, ресторанні страви та супи знижуються до ±25-35% точності. Чим більш візуально складною та багатошаровою є страва, тим менш точною буде оцінка.

Чи навчається Cal AI на основі виправлень і покращується з часом?

Модель AI Cal AI оновлюється через загальне навчання моделі, а не через виправлення окремих користувачів. Якщо ви виправляєте оцінку в додатку, це не покращує майбутні оцінки для конкретного продукту у вашому обліковому записі. Поліпшення моделі відбувається через оновлення навчальних даних, які випускаються як оновлення додатка. Це означає, що систематичні помилки для конкретних типів їжі зберігатимуться, поки модель не буде перенавчена.

Як Cal AI обробляє страви з кількома продуктами на одній тарілці?

AI намагається сегментувати фотографію на окремі регіони їжі та оцінити кожен компонент окремо. Це працює досить добре, коли їжа чітко розділена на тарілці (білок з одного боку, овочі з іншого). Точність значно знижується, коли продукти перекриваються, змішані разом або закриті соусами. Для тарілки з 4-5 окремими продуктами очікуйте, що 1-2 з них будуть неправильно ідентифіковані або матимуть значно неправильні оцінки порцій.