Я відстежував кожен прийом їжі за допомогою AI-сканування фото протягом 30 днів — ось точність
Я фотографував кожен прийом їжі протягом 30 днів і дозволив AI Nutrola оцінити калорії та макроси. Потім я порівняв кожен запис з важеними, вручну розрахованими даними. Ось реальні показники точності за типами їжі, прийомами їжі та тижнями.
Кожен додаток для сканування їжі за допомогою AI обіцяє одне й те саме: зробіть фото — отримайте свої калорії. Маркетингові скріншоти завжди показують чисту тарілку з одним грильованим курячим філе, і AI справляється з цим. Але що з погано освітленою мискою домашнього чилі? Тарілкою пасти, де соус приховує розмір порції? Вуличним такос, загорнутим у фольгу?
Я хотів отримати реальні цифри. Протягом 30 днів я фотографував кожен прийом їжі та перекус — всього 174 записи — і дозволив AI Nutrola оцінити калорії, білки, вуглеводи та жири. Потім я порівняв кожен запис з фактичними даними: їжею, важеною на кухонних вагах, і харчуванням, розрахованим вручну за допомогою перевіреної бази даних Nutrola. Ніякого вибору найкращого. Ніякого пропуску важких випадків.
Ось що насправді вдається AI-скануванню фото, де воно стикається з труднощами і чи достатньо воно точне, щоб стати вашим основним методом ведення обліку.
Методологія
- Спочатку фотографуйте, потім важте. Перед кожним прийомом їжі я робив фото за допомогою камери Nutrola і дозволяв AI повернути свою оцінку. Потім я важив кожен компонент на кухонних вагах і вручну записував справжні значення.
- Без постановки. Я фотографував їжу так, як зазвичай її їв — на своїх звичайних тарілках, при реальному освітленні, в ресторанах, за своїм столом, на вулиці. Ніякого спеціального оформлення чи освітлювальних установок.
- Метрика точності. Для кожного запису я розрахував відсоткову різницю між оцінкою AI та важеними даними для загальних калорій. 400-калорійна страва, оцінена в 380 калорій, буде мати точність 95%. Я також відстежував точність білків, вуглеводів і жирів окремо.
- 174 записи протягом 30 днів: 89 домашніх страв, 42 страви з ресторанів, 23 упаковані перекуси та 20 напоїв і різних предметів.
Загальні результати: підсумок за 30 днів
| Показник | Оцінка AI по фото | Помилка ручного запису |
|---|---|---|
| Загальна точність калорій | 89% | 95% |
| Точність білка | 86% | 94% |
| Точність вуглеводів | 88% | 93% |
| Точність жирів | 84% | 92% |
| Записи в межах 10% від істинного значення | 71% | 88% |
| Записи в межах 20% від істинного значення | 91% | 97% |
AI досяг 89% загальної точності калорій по всіх 174 записах. Це нижче, ніж при ретельному ручному обліку (95%), але вище, ніж більшість людей очікує — і, що важливо, вище, ніж точність людей, які оцінюють порції без ваг (зазвичай 60-70% відповідно до опублікованих досліджень Міжнародного журналу ожиріння).
Жири були найслабшою макро категорією з точністю 84%. Це зрозуміло: олії, соуси, масло та приховані жири в приготуванні їжі в основному невидимі на фото. Білки та вуглеводи, які зазвичай більш візуально виразні (кусок курки, купа рису), отримали вищі оцінки.
Точність за категоріями їжі
Не всі продукти однаково фотогенічні — або однаково впізнавані. Ось як точність розподілилася по категоріях, які я тестував.
| Категорія їжі | Записи | Точність калорій | Точність білка | Найкраще/Найгірше |
|---|---|---|---|---|
| Страви з одного інгредієнта | 28 | 95% | 93% | Найкраще |
| Упаковані перекуси | 23 | 92% | 91% | Сильно |
| Стандартні домашні страви | 34 | 91% | 89% | Сильно |
| Салати | 14 | 88% | 85% | Середнє |
| Страви з ресторанів | 42 | 87% | 84% | Середнє |
| Національна кухня | 16 | 86% | 82% | Середнє |
| Супи та рагу | 10 | 78% | 76% | Слабке |
| Змішані запіканки/миски | 7 | 74% | 71% | Найслабше |
Страви з одного інгредієнта — куряче філе, шматок фрукта, миска звичайної вівсянки — досягли 95% точності калорій. Коли AI може чітко бачити один продукт без нічого, що його закриває, він працює майже так само добре, як ручний облік.
Упаковані перекуси отримали 92%. AI часто розпізнавав бренд і продукт за упаковкою, видимою на фото. У поєднанні з базою даних штрих-кодів Nutrola (точність понад 95% для 500K+ продуктів) упакована їжа є практично вирішеною проблемою. Для упакованих товарів спеціально сканер штрих-кодів навіть швидший, ніж фото.
Стандартні домашні страви — тарілки з куркою, рисом і овочами, які більшість людей їдять регулярно — отримали 91%. AI правильно ідентифікував звичайні білки, злаки та овочі та оцінив порції в розумних межах.
Салати знизилися до 88%, в основному через те, що соуси та добавки (горіхи, сир, грінки) важко кількісно оцінити з верхнього фото. Столова ложка оливкової олії в соусі проти трьох столових ложок виглядає майже однаково на зображенні, але представляє собою різницю в 240 калорій.
Страви з ресторанів на рівні 87% були досить точними, враховуючи, що я не міг нічого важити. AI компенсував, використовуючи типові порції з перевіреної бази даних, що є розумним евристичним підходом.
Супи та рагу на рівні 78% були чіткою слабкою ланкою. Коли інгредієнти занурені в рідину, AI не може бачити, що під поверхнею. Яловичий рагу може містити 100 грамів яловичини або 200 грамів — фото показує той самий коричневий бульйон з кількома видимими шматочками.
Точність за типом прийому їжі
| Прийом їжі | Записи | Точність калорій | Примітки |
|---|---|---|---|
| Сніданок | 42 | 92% | Повторювані страви допомагають; вівсянка, яйця, тост |
| Обід | 48 | 88% | Більше різноманітності, більше страв з ресторанів |
| Вечеря | 52 | 87% | Найбільші порції, найскладніші тарілки |
| Перекуси | 32 | 91% | Зазвичай одиничні продукти, легко впізнавані |
Сніданок отримав найвищу оцінку — 92%. Більшість людей їдять подібні сніданки повторно, а сніданкові продукти (яйця, тости, крупи, йогурт, фрукти) зазвичай є візуально виразними та легкими для оцінки порцій. Вечеря отримала найнижчу оцінку — 87%, що викликано більшими, складнішими тарілками з соусами та змішаними інгредієнтами.
Тенденція точності по тижнях
Одна річ, яку я не очікував: AI помітно покращився протягом 30 днів.
| Тиждень | Записи | Точність калорій | Записи, що потребують корекції |
|---|---|---|---|
| Тиждень 1 | 38 | 85% | 47% |
| Тиждень 2 | 44 | 88% | 34% |
| Тиждень 3 | 46 | 91% | 22% |
| Тиждень 4 | 46 | 93% | 15% |
Від 85% на першому тижні до 93% на четвертому — покращення на 8 відсоткових пунктів. Частина цього зумовлена навчанням AI на основі корекцій (коли ви коригуєте запис, система Nutrola використовує цей зворотний зв'язок для покращення майбутніх оцінок для подібних страв). Частина в тому, що я несвідомо почав робити кращі фото: з верхнього кута, при хорошому освітленні, предмети трохи розділені на тарілці. Як тільки ви зрозумієте, що допомагає AI, ви природно коригуєтеся.
Коли AI-сканування фото працює ідеально
Це сценарії, коли фото-оцінка була постійно в межах 5% від важених істинних значень:
- Один білок на тарілці. Грильоване куряче філе, філе лосося, стейк. AI може оцінити вагу за візуальним розміром з дивовижною точністю.
- Стандартні порційні продукти. Скибочка хліба, яйце, банан, протеїновий батончик. Продукти з відомим стандартним розміром.
- Тарілкові страви з чітким розділенням. Рис з одного боку, овочі з іншого, білок у центрі. Коли AI може сегментувати кожен компонент, він добре оцінює кожен з них.
- Брендовані або впізнавані упаковані продукти. AI перехресно перевіряє з перевіреною базою даних і часто ідентифікує точний продукт.
Коли виникають труднощі
- Темні або низькоконтрастні фото. Коричневий рагу в темній мисці при слабкому освітленні втрачав значну точність. Хороше освітлення має значення.
- Приховані інгредієнти. Масло, розтоплене в пасті, олія, використана в приготуванні, сир під шаром соусу. Якщо AI не може це побачити, він не може це порахувати.
- Незвичайне оформлення або подача. Деконструйована страва або їжа, загорнута в фольгу, двічі заплутали систему розпізнавання.
- Перевищені порції без посилання. Велика тарілка пасти виглядала схоже на нормальну тарілку, коли фотографувалася зверху. Включення виделки або руки в кадр для масштабування помітно покращило оцінки.
Сканування фото проти ручного обліку: реальний компроміс
Різниця в точності між фото-скануванням (89%) і ретельним ручним обліком (95%) є реальною, але менша, ніж більшість людей вважає. І ось критичний контекст: опубліковані дослідження постійно показують, що люди, які оцінюють порції без вимірювання, зазвичай досягають лише 60-70% точності. Більшість ручних обліковців не важать кожен грам — вони вибирають "1 середнє куряче філе" з бази даних і сподіваються, що це відповідає. На практиці різниця між фото-скануванням і типовим (не ідеальним) ручним обліком значно менша, ніж 6 відсоткових пунктів.
Перевага в швидкості є значною. Фото-облік займав в середньому 5 секунд на запис (зробити фото та підтвердити) проти 38 секунд для повного ручного пошуку та корекції. За 174 записи це приблизно 95 хвилин економії протягом місяця.
| Метод | Час на запис | Точність калорій | Швидкість завершення (30 днів) |
|---|---|---|---|
| AI-сканування фото | 5 сек | 89% | 100% |
| Ручний + ваги | 90 сек | 97% | 82% (пропущені страви) |
| Ручний без вагів | 38 сек | 78%* | 91% |
| Без обліку | 0 сек | Н/Д | Н/Д |
*78% відображає типові помилки оцінки порцій, задокументовані в дослідженнях, а не контрольований тест у цьому експерименті.
Найбільш точний метод — це ручний запис з кухонними вагами, але в цьому експерименті навіть я пропускав страви, коли робив повний ручний облік, оскільки це було занадто складно в дні, коли я був зайнятий. Фото-сканування мало 100% рівень завершення. Запис на 89% точності кожного прийому їжі перевершує 97%-й точний облік з пропусками.
Поради для покращення точності фото-сканування
Після 174 фотографій ось що я дізнався про отримання найкращих результатів:
- Знімайте зверху під кутом. Прямо зверху добре підходить для плоских тарілок. Кут 30 градусів допомагає для мисок і глибших страв.
- Розділіть предмети на тарілці. Навіть маленька відстань між вашим рисом і куркою допомагає AI сегментувати та оцінювати кожен компонент.
- Включайте всю тарілку в кадр. Обрізані фото втрачають контекст розміру порції.
- Використовуйте хороше освітлення. Природне світло або добре освітлена кімната. Уникайте фотографування їжі в ресторанах при свічках, якщо хочете максимальну точність.
- Коригуйте помилки, коли вони виникають. Nutrola використовує ваші корекції для покращення майбутніх оцінок. Чим більше ви коригуєте, тим розумнішим стає AI для ваших конкретних харчових звичок.
Підсумок
AI-сканування фото в Nutrola забезпечило 89% точності калорій протягом 30 днів і 174 записів, покращившись до 93% до четвертого тижня, оскільки система навчалася з корекцій. Страви з одного інгредієнта та звичайні страви досягли 95% точності. Супи, рагу та страви з прихованими жирами були найслабшими категоріями з 74 до 78%.
Для більшості людей, які відстежують харчування для управління вагою, фітнесу чи загальної обізнаності про здоров'я, цей рівень точності більш ніж достатній — особливо в поєднанні з майже нульовим тертям від знімання фото. Перевірена база даних харчування, що стоїть за AI, означає, що коли вона правильно ідентифікує їжу, дані про харчування, які вона повертає, є надійними для понад 100 відстежуваних нутрієнтів.
Плани Nutrola починаються з 2,5 євро на місяць з 3-денною безкоштовною пробною версією. Сканування фото, голосовий облік, сканування штрих-кодів (точність понад 95%), AI-дієтичний помічник і синхронізація з Apple Health та Google Fit включені в кожен план, без реклами. Якщо ви сумніваєтеся в точності AI-сканування їжі, дані з цього тесту свідчать, що це ближче до надійного, ніж ви думаєте — і покращується з кожним тижнем.
Питання та відповіді
Наскільки точним є AI-калорійний облік за фото?
У цьому 30-дневному тесті з 174 стравами AI-сканування Nutrola досягло 89% загальної точності калорій проти важених істинних значень. Точність варіювалася за типами їжі: страви з одного інгредієнта досягли 95%, стандартні домашні страви — 91%, страви з ресторанів — 87%, а супи або рагу — 78%. До четвертого тижня загальна точність покращилася до 93%, оскільки AI навчався з корекцій. Ці цифри значно кращі за ненавчену оцінку порцій (60-70% у опублікованих дослідженнях) і лише на 6 відсоткових пунктів нижчі за ретельний ручний облік з вагою.
Чи працює AI-сканування фото їжі для страв з ресторанів?
Так. У цьому тесті страви з ресторанів отримали 87% точності калорій лише з фото — без доступу до ваг або списку інгредієнтів. AI використовує типові порції з перевіреної бази даних, щоб оцінити порції. Точність була найвищою для звичайних страв (грильований білок, стандартні гарніри) і найнижчою для страв з прихованими соусами або оліями. Опис назви страви разом із фото може ще більше покращити результати.
Які продукти викликають труднощі в AI-скануванні фото?
Найслабшими категоріями були супи та рагу (78% точності) та змішані запіканки або миски (74% точності). Загальний фактор полягає в тому, що інгредієнти занурені, шаруваті або змішані, що ускладнює візуальну оцінку. Темні або низькоконтрастні продукти, предмети з прихованими жирами (масло в пасті, олія в приготуванні) та незвичайно оформлені страви також знижували точність. Для цих типів їжі поєднання фото з коротким голосовим описом або ручною корекцією дає кращі результати.
Чи швидше AI-сканування їжі, ніж ручний облік калорій?
Значно швидше. У цьому тесті фото-облік в середньому займав 5 секунд на запис (зробити фото, переглянути, підтвердити) в порівнянні з 38 секундами для ручного текстового пошуку та введення. За 174 записи за 30 днів фото-облік заощадив приблизно 95 хвилин. Різниця в швидкості також покращила консистентність обліку — фото-облік мав 100% рівень завершення, тоді як ручний облік під час базового тижня мав пропущені страви через тертя.
Чи покращується AI-сканування з часом?
Так. Точність покращилася з 85% на першому тижні до 93% на четвертому тижні цього тесту. Коли ви коригуєте оцінку AI в Nutrola — коригуючи розмір порції або замінюючи неправильно ідентифіковану їжу — система використовує цей зворотний зв'язок для вдосконалення майбутніх прогнозів для подібних страв. Користувачі, які регулярно коригують помилки, побачать швидше покращення. Ця персоналізація є однією з переваг фото-сканування в порівнянні зі статичними запитами бази даних.
Чи можу я поєднувати фото-сканування з іншими методами обліку в Nutrola?
Так. Nutrola підтримує фото-сканування, голосовий облік, сканування штрих-кодів (точність понад 95%), ручний пошук та імпорт URL рецептів — і ви можете вільно змішувати методи. На практиці найкращий підхід — використовувати той метод, який підходить у даний момент: сканування штрих-кодів для упакованих продуктів, фото-сканування для тарілкових страв, голосовий облік, коли ваші руки зайняті, та ручний запис, коли вам потрібна точність. Усі методи беруть дані з однієї перевіреної бази даних харчування з понад 100 відстежуваними нутрієнтами на запис, тому ваші дані залишаються послідовними незалежно від методу введення.
Готові трансформувати своє відстеження харчування?
Приєднуйтесь до тисяч, які трансформували свою подорож до здоров'я з Nutrola!
