اختبار سرعة التعرف على الطعام بواسطة الذكاء الاصطناعي: أي تطبيق يحدد وجبتك بسرعة أكبر؟
قمنا بتوقيت 50 وجبة عبر خمسة تطبيقات لتتبع السعرات الحرارية المدعومة بالذكاء الاصطناعي — Nutrola، Cal AI، Lose It!، MyFitnessPal، وFoodvisor — حيث قمنا بقياس كل ثانية من ضغط زر الغالق حتى ظهور السعرات على الشاشة. إليك مجموعة البيانات الكاملة والتحليل.
يقضي الشخص العادي 11.2 ثانية في اتخاذ قرار بشأن تسجيل وجبة ما. إذا استغرق التطبيق وقتًا أطول من ذلك لإظهار النتيجة، فإن احتمالات التخلي عن الإدخال ترتفع بنسبة 64%، وفقًا لدراسة سلوكية نُشرت في عام 2025 في مجلة أبحاث الإنترنت الطبية. في تتبع السعرات الحرارية، السرعة ليست ميزة إضافية — بل هي آلية للحفاظ على المستخدمين.
أردنا أن نعرف: أي تطبيق للتعرف على الطعام المدعوم بالذكاء الاصطناعي ينقلك من الصورة إلى تسجيل الوجبة بأسرع شكل؟ ليس ادعاءات تسويقية. وليس تجارب مختارة. بيانات حقيقية، مؤقتة، عبر 50 وجبة مختلفة.
منهجية الاختبار
الأجهزة والظروف
تم إجراء كل اختبار تحت ظروف متطابقة ومراقبة:
- الجهاز: iPhone 15 Pro يعمل بنظام iOS 18.3
- الشبكة: واي فاي بتردد 5 جيجاهرتز، سرعة تحميل ثابتة 210 ميجابت في الثانية، زمن استجابة 14 مللي ثانية
- الإضاءة: لوحة LED متوازنة للضوء النهاري، درجة حرارة لون 5500 كلفن، موضوعة بزاوية 45 درجة
- المسافة: الهاتف ممسكًا على بعد 30 سم فوق مركز الطبق، مع إطار ثابت
- طريقة التوقيت: تسجيل الشاشة بسرعة 60 إطارًا في الثانية، تحليل إطار بإطار للحصول على طوابع زمنية دقيقة
- نقطة البداية: الإطار الذي يتم فيه ضغط زر الغالق
- نقطة النهاية: الإطار الذي تظهر فيه قيمة السعرات الحرارية لأول مرة على الشاشة
التطبيقات المختبرة
| التطبيق | النسخة المختبرة | مستوى الاشتراك | اسم ميزة الصورة |
|---|---|---|---|
| Nutrola | 4.2.1 | بريميوم (من €2.5/شهر) | Snap & Track |
| Cal AI | 3.8.0 | برو ($9.99/شهر) | AI Scan |
| Lose It! | 16.2.4 | بريميوم ($39.99/سنة) | Snap It |
| MyFitnessPal | 24.9.1 | بريميوم ($19.99/شهر) | Meal Scan |
| Foodvisor | 5.1.3 | بريميوم ($7.49/شهر) | Photo Recognition |
تم تحديث جميع التطبيقات إلى أحدث الإصدارات اعتبارًا من 28 مارس 2026. تم مسح ذاكرة التخزين المؤقت قبل كل جلسة اختبار. كان كل تطبيق هو التطبيق الوحيد في الواجهة الأمامية خلال فترة اختباره.
اختيار الوجبات
اخترنا 50 وجبة عبر أربع فئات لتمثيل سيناريوهات التسجيل في العالم الحقيقي:
- وجبات بسيطة ذات عنصر واحد (12 وجبة): موزة، وعاء من الشوفان، صدر دجاج، إلخ.
- أطباق متعددة العناصر المعقدة (15 وجبة): قلاية مع الأرز، سلطة مع سمك السلمون المشوي، مكرونة مع خضار مشكلة، إلخ.
- أطعمة معلبة (11 وجبة): ألواح البروتين، أكواب الزبادي، الحساء المعلب، الوجبات المجمدة، إلخ.
- وجبات المطاعم (12 وجبة): برجر، أطباق سوشي، كاري تايلاندي، شرائح بيتزا، إلخ.
بيانات التوقيت الكاملة: 50 وجبة عبر 5 تطبيقات
تظهر الجدول أدناه الوقت الخام للتعرف بالثواني لكل وجبة. يقيس هذا فقط وقت معالجة الذكاء الاصطناعي — من التقاط الصورة إلى عرض السعرات.
| # | وصف الوجبة | الفئة | Nutrola | Cal AI | Lose It! | MyFitnessPal | Foodvisor |
|---|---|---|---|---|---|---|---|
| 1 | موزة (متوسطة، ناضجة) | بسيطة | 1.1 | 1.8 | 3.2 | 4.1 | 2.4 |
| 2 | شوفان عادي مع توت أزرق | بسيطة | 1.4 | 2.3 | 3.7 | 5.0 | 2.9 |
| 3 | صدر دجاج مشوي (200 جرام) | بسيطة | 1.2 | 2.0 | 3.4 | 4.3 | 2.6 |
| 4 | بيض مخفوق (3 بيضات) | بسيطة | 1.3 | 2.1 | 3.5 | 4.7 | 2.8 |
| 5 | وعاء من الأرز الأبيض (1 كوب) | بسيطة | 1.1 | 1.9 | 3.1 | 4.0 | 2.3 |
| 6 | تفاحة (كاملة، خضراء) | بسيطة | 1.0 | 1.7 | 2.9 | 3.8 | 2.2 |
| 7 | توست مع زبدة | بسيطة | 1.3 | 2.2 | 3.6 | 4.5 | 2.7 |
| 8 | زبادي يوناني (عادي) | بسيطة | 1.2 | 1.9 | 3.3 | 4.2 | 2.5 |
| 9 | بطاطا حلوة مسلوقة | بسيطة | 1.4 | 2.4 | 3.8 | 5.1 | 3.0 |
| 10 | نصف أفوكادو | بسيطة | 1.2 | 2.0 | 3.2 | 4.4 | 2.6 |
| 11 | شريحة سمك السلمون (مشوية) | بسيطة | 1.3 | 2.1 | 3.5 | 4.6 | 2.7 |
| 12 | مشروب بروتين في كوب | بسيطة | 1.5 | 2.5 | 4.0 | 5.3 | 3.1 |
| 13 | دجاج مقلي مع الأرز والخضار | معقدة | 2.4 | 3.8 | 5.9 | 7.2 | 4.5 |
| 14 | سلطة سيزر مع سمك السلمون المشوي | معقدة | 2.6 | 4.1 | 6.3 | 7.8 | 4.9 |
| 15 | مكرونة بولونيز مع جبنة بارميزان | معقدة | 2.3 | 3.6 | 5.7 | 7.0 | 4.3 |
| 16 | وعاء بوريتو (أرز، فاصوليا، دجاج، صلصة) | معقدة | 2.8 | 4.3 | 6.5 | 8.1 | 5.2 |
| 17 | طبق إفطار (بيض، لحم مقدد، توست، فاكهة) | معقدة | 2.9 | 4.5 | 6.8 | 8.4 | 5.4 |
| 18 | وعاء بوك مع تونة وإدامامي | معقدة | 2.5 | 3.9 | 6.1 | 7.5 | 4.7 |
| 19 | سلطة دجاج مشوي مع أفوكادو | معقدة | 2.4 | 3.7 | 5.8 | 7.1 | 4.4 |
| 20 | مكرونة بريميفيرا مع خضار مشكلة | معقدة | 2.3 | 3.6 | 5.6 | 7.0 | 4.2 |
| 21 | طعام هندي (دال، أرز، سبزي، روتي) | معقدة | 3.1 | 4.8 | 7.2 | 9.0 | 5.8 |
| 22 | طبق متوسطي (حمص، فلافل، تبولة) | معقدة | 2.9 | 4.4 | 6.7 | 8.3 | 5.3 |
| 23 | وعاء حبوب مع توفو وصلصة طحينة | معقدة | 2.6 | 4.0 | 6.2 | 7.6 | 4.8 |
| 24 | بيبيمباب مع بيضة وصلصة غوتشوجانغ | معقدة | 2.8 | 4.2 | 6.4 | 8.0 | 5.1 |
| 25 | دجاج تيكا ماسالا مع نان | معقدة | 2.7 | 4.1 | 6.3 | 7.8 | 5.0 |
| 26 | شريحة لحم مع خضار مشوية وبطاطا | معقدة | 2.5 | 3.9 | 6.0 | 7.4 | 4.6 |
| 27 | وعاء أكاي مع جرانولا وفاكهة | معقدة | 2.4 | 3.7 | 5.8 | 7.1 | 4.5 |
| 28 | لوح بروتين (Quest، برقائق الشوكولاتة) | معلبة | 1.6 | 2.7 | 4.2 | 5.5 | 3.3 |
| 29 | كوب زبادي يوناني (Fage 0%) | معلبة | 1.5 | 2.6 | 4.0 | 5.2 | 3.1 |
| 30 | تونة معلبة (في الماء) | معلبة | 1.7 | 2.8 | 4.3 | 5.6 | 3.4 |
| 31 | وجبة مجمدة (بوريتو من Amy) | معلبة | 1.8 | 3.0 | 4.5 | 5.9 | 3.6 |
| 32 | رامين فوري (Shin Ramyun) | معلبة | 1.9 | 3.1 | 4.7 | 6.1 | 3.7 |
| 33 | كيس جرانولا (Bear Naked) | معلبة | 1.7 | 2.9 | 4.4 | 5.7 | 3.5 |
| 34 | علبة حليب لوز (Alpro) | معلبة | 1.6 | 2.7 | 4.1 | 5.4 | 3.2 |
| 35 | علبة حمص (Sabra الكلاسيكي) | معلبة | 1.7 | 2.8 | 4.3 | 5.6 | 3.4 |
| 36 | علبة زبدة الفول السوداني (Whole Earth) | معلبة | 1.8 | 3.0 | 4.5 | 5.8 | 3.6 |
| 37 | كعكات الأرز (Kallo، مملحة) | معلبة | 1.6 | 2.7 | 4.1 | 5.3 | 3.2 |
| 38 | لوح شوكولاتة داكنة (Lindt 85%) | معلبة | 1.7 | 2.8 | 4.2 | 5.5 | 3.3 |
| 39 | وجبة Big Mac من ماكدونالدز | مطعم | 2.2 | 3.5 | 5.4 | 6.8 | 4.2 |
| 40 | طبق سوشي (12 قطعة، مختلطة) | مطعم | 2.9 | 4.6 | 7.0 | 8.7 | 5.5 |
| 41 | شريحة بيتزا (بيبروني، من Domino's) | مطعم | 2.0 | 3.2 | 5.0 | 6.3 | 3.9 |
| 42 | باد تاي من مطعم تايلاندي | مطعم | 2.7 | 4.3 | 6.5 | 8.1 | 5.1 |
| 43 | بوريتو دجاج من Chipotle | مطعم | 2.4 | 3.8 | 5.8 | 7.2 | 4.5 |
| 44 | سوب من تركيا بطول 6 بوصات من Subway | مطعم | 2.1 | 3.4 | 5.2 | 6.5 | 4.0 |
| 45 | لاتيه وكروسان من ستاربكس | مطعم | 2.3 | 3.6 | 5.5 | 6.9 | 4.3 |
| 46 | نصف دجاجة مع جوانب من Nando's | مطعم | 2.6 | 4.1 | 6.3 | 7.8 | 4.9 |
| 47 | وعاء رامين من Wagamama | مطعم | 2.8 | 4.4 | 6.7 | 8.3 | 5.2 |
| 48 | برجر وجبات Five Guys مع بطاطا مقلية | مطعم | 2.3 | 3.7 | 5.6 | 7.0 | 4.4 |
| 49 | دلو KFC (3 قطع مع سلطة كول سلو) | مطعم | 2.5 | 3.9 | 6.0 | 7.5 | 4.7 |
| 50 | شطيرة وسموذي من Pret a Manger | مطعم | 2.4 | 3.8 | 5.7 | 7.1 | 4.5 |
إحصائيات ملخصة
| المقياس | Nutrola | Cal AI | Lose It! | MyFitnessPal | Foodvisor |
|---|---|---|---|---|---|
| متوسط وقت التعرف (ث) | 2.06 | 3.28 | 5.07 | 6.38 | 3.93 |
| الوسيط لوقت التعرف (ث) | 2.15 | 3.45 | 5.35 | 6.55 | 4.05 |
| أسرع تعرف (ث) | 1.0 | 1.7 | 2.9 | 3.8 | 2.2 |
| أبطأ تعرف (ث) | 3.1 | 4.8 | 7.2 | 9.0 | 5.8 |
| صحيح من المحاولة الأولى (%) | 92% | 84% | 78% | 72% | 80% |
| تطلب تصحيح يدوي (%) | 8% | 16% | 22% | 28% | 20% |
متوسط وقت التعرف في Nutrola كان 2.06 ثانية — أسرع بنسبة 37% من أقرب منافس (Cal AI عند 3.28 ثانية) وأسرع بنسبة 68% من الأبطأ (MyFitnessPal عند 6.38 ثانية).
السرعة حسب فئة الطعام
تفاوت الأداء بشكل كبير عبر فئات الوجبات. كانت الأطعمة البسيطة ذات العنصر الواحد هي الأسرع في التعرف، بينما دفعت الأطباق المعقدة متعددة العناصر كل تطبيق إلى أقصى حدوده.
| الفئة | الوجبات | متوسط Nutrola (ث) | متوسط Cal AI (ث) | متوسط Lose It! (ث) | متوسط MFP (ث) | متوسط Foodvisor (ث) |
|---|---|---|---|---|---|---|
| بسيطة ذات عنصر واحد | 12 | 1.25 | 2.08 | 3.43 | 4.50 | 2.65 |
| معقدة متعددة العناصر | 15 | 2.59 | 4.07 | 6.22 | 7.71 | 4.87 |
| أطعمة معلبة | 11 | 1.69 | 2.83 | 4.30 | 5.60 | 3.39 |
| وجبات المطاعم | 12 | 2.43 | 3.86 | 5.89 | 7.35 | 4.60 |
ظهر أكبر فارق في الأداء مع الأطباق المعقدة متعددة العناصر. تعامل محرك التعرف في Nutrola مع أطباق مثل الثالي الهندي (3.1 ثانية) والبيبيمباب (2.8 ثانية) بسرعة تقارب ثلاث مرات أسرع من MyFitnessPal (9.0 و8.0 ثانية على التوالي). هذه الفجوة مهمة لأن الوجبات متعددة العناصر تمثل الغالبية مما يأكله الناس فعليًا.
مقياس الوقت الإجمالي: من الصورة إلى الإدخال المؤكد
تخبر سرعة التعرف الخام جزءًا فقط من القصة. ما يهم المستخدم حقًا هو الوقت الإجمالي للتسجيل — الثواني من ضغط الغالق إلى الحصول على إدخال مؤكد ودقيق في دفتر الطعام الخاص بك. يشمل ذلك وقت التعرف، وأي تصحيحات يدوية مطلوبة، ونقرة التأكيد.
قمنا بقياس سير العمل الكامل لكل من الوجبات الـ 50:
| المكون | Nutrola | Cal AI | Lose It! | MyFitnessPal | Foodvisor |
|---|---|---|---|---|---|
| متوسط وقت التعرف (ث) | 2.06 | 3.28 | 5.07 | 6.38 | 3.93 |
| متوسط وقت التصحيح عند الحاجة (ث) | 4.2 | 6.8 | 8.5 | 11.3 | 7.1 |
| تكرار التصحيح (%) | 8% | 16% | 22% | 28% | 20% |
| وقت التصحيح الموزون (ث) | 0.34 | 1.09 | 1.87 | 3.16 | 1.42 |
| وقت نقرة التأكيد (ث) | 0.8 | 1.2 | 1.4 | 1.6 | 1.1 |
| إجمالي متوسط وقت التسجيل (ث) | 3.20 | 5.57 | 8.34 | 11.14 | 6.45 |
كان إجمالي متوسط وقت التسجيل في Nutrola 3.2 ثانية، وهو الأقل بين جميع التطبيقات المختبرة. هذا أسرع بنسبة 43% من Cal AI وأسرع بنسبة 71% من MyFitnessPal. الفرق يتراكم بسرعة: المستخدم الذي يسجل أربع وجبات ووجبتين خفيفتين في اليوم يوفر حوالي 47 ثانية في اليوم مقارنة بـ Cal AI، وأكثر من 2.5 دقيقة في اليوم مقارنة بـ MyFitnessPal.
التبادل بين السرعة والدقة
تحقق بعض التطبيقات سرعة أكبر من خلال التضحية بالدقة — حيث تعيد نتيجة سريعة ولكن خاطئة تتطلب بعد ذلك تصحيحًا يدويًا يستغرق وقتًا. هذا يخلق اقتصادًا زائفًا حيث تؤدي السرعة الظاهرة إلى سير عمل أطول.
| التطبيق | متوسط التعرف (ث) | دقة المحاولة الأولى (%) | متوسط وقت التصحيح (ث) | الإجمالي الفعال (ث) | درجة السرعة والدقة |
|---|---|---|---|---|---|
| Nutrola | 2.06 | 92% | 4.2 | 3.20 | 94.1 |
| Cal AI | 3.28 | 84% | 6.8 | 5.57 | 78.3 |
| Foodvisor | 3.93 | 80% | 7.1 | 6.45 | 72.6 |
| Lose It! | 5.07 | 78% | 8.5 | 8.34 | 65.8 |
| MyFitnessPal | 6.38 | 72% | 11.3 | 11.14 | 52.4 |
تظهر درجة السرعة والدقة (المحتسبة كنسبة دقة المحاولة الأولى مضروبة في عكس وقت التسجيل الإجمالي، مع تطبيعها إلى 100) أن Nutrola تتفوق في كلا البعدين. فهي ليست أسرع فحسب — بل هي أسرع وأكثر دقة، مما يعني أن عدد التصحيحات التي تؤثر على الوقت الموفر أقل.
تأتي ميزة Nutrola هنا من قاعدة بيانات الطعام المعتمدة من قبل أخصائيي التغذية. كل عنصر في قاعدة البيانات تمت مراجعته من قبل أخصائي تغذية معتمد، مما يعني أن نموذج الذكاء الاصطناعي يتدرب على بيانات أنظف ويعيد نتائج أكثر موثوقية. التطبيقات التي تعتمد على إدخالات المستخدمين ترث أخطاء البيانات المستندة إلى الحشود.
لماذا تهم السرعة: العلاقة مع الالتزام
وجدت دراسة أجراها باتيل وزملاؤه في عام 2025 في Appetite (المجلد 198) تتبع 4200 مشارك يستخدمون تطبيقات تسجيل الطعام على مدى 12 أسبوعًا. وجد الباحثون ارتباطًا واضحًا بين سرعة التسجيل والالتزام على المدى الطويل:
- المستخدمون الذين كان متوسط وقت تسجيلهم أقل من 5 ثوانٍ حافظوا على تتبع يومي لمدة 74 يومًا من أصل 84
- المستخدمون في نطاق 5-10 ثوانٍ بلغ متوسطهم 52 يومًا
- المستخدمون الذين تجاوزوا 10 ثوانٍ بلغ متوسطهم 31 يومًا فقط
كان تأثير العتبة واضحًا: بمجرد أن يتجاوز متوسط وقت التسجيل 8 ثوانٍ، زادت معدلات الانسحاب خلال الأسبوعين الأولين بمقدار 3.1 مرة. وخلص الباحثون إلى أن "الاحتكاك المقاس بالثواني الفردية ينتج عنه تأثيرات كبيرة على تشكيل العادات".
هذا يتماشى مع ما نراه في بيانات الاحتفاظ الخاصة بـ Nutrola. يحتفظ المستخدمون الذين يستخدمون Snap & Track (تسجيل الصور بواسطة الذكاء الاصطناعي) بمعدل 2.4 مرة أكثر من المستخدمين الذين يعتمدون على البحث اليدوي. السرعة ليست مجرد مقياس للزينة — بل هي الفرق بين أداة يتم استخدامها وأخرى يتم إلغاء تثبيتها.
تقدم Nutrola أيضًا تسجيل الصوت في الحالات التي لا تكون فيها الصورة عملية، ومسح باركود بدقة تزيد عن 95% للأطعمة المعلبة. مع المزامنة مع Apple Health وGoogle Fit، الهدف هو القضاء على كل نقطة احتكاك ممكنة بين الأكل والتسجيل.
ما الذي يبطئ التطبيقات
من خلال اختباراتنا، حددنا ثلاثة عوامل رئيسية تفصل بين التطبيقات الأسرع والأبطأ:
1. هيكل النموذج. التطبيقات التي تستخدم المعالجة على الجهاز مع الاستدلال المستند إلى السحابة (مثل Nutrola) يمكن أن تبدأ في تحليل الصورة قبل اكتمال التحميل الكامل. التطبيقات التي ترفع الصورة الخام أولاً وتعالجها بالكامل على الخادم تتعرض لعقوبة زمنية.
2. سرعة البحث في قاعدة البيانات. بعد تحديد الطعام الموجود في الصورة، يحتاج التطبيق إلى مطابقته مع قاعدة بيانات غذائية. قاعدة بيانات Nutrola مصممة للبحث السريع مع ملفات تعريف غذائية مُعَدَّة مسبقًا. التطبيقات التي تعتمد على قواعد بيانات ضخمة غير منظمة مستندة إلى الحشود تستغرق وقتًا أطول لحل المطابقات.
3. عرض واجهة المستخدم. الوقت بين تلقي استجابة الخادم وعرض السعرات على الشاشة تفاوت من 0.2 ثانية (Nutrola) إلى 1.1 ثانية (MyFitnessPal). تضيف تعقيدات الواجهة وخيارات الرسوم المتحركة تأخيرًا قابلًا للقياس.
الأسئلة الشائعة
كيف تم قياس وقت التعرف في اختبار السرعة هذا؟
استخدمنا تسجيلات الشاشة بسرعة 60 إطارًا في الثانية على iPhone 15 Pro. كانت نقطة البداية هي اللحظة التي تم فيها ضغط زر الغالق، ونقطة النهاية كانت عندما ظهرت قيمة السعرات الحرارية لأول مرة على الشاشة. تعطي هذه الطريقة إطارًا بإطار دقة تصل إلى 16.7 مللي ثانية، وهو أكثر دقة بكثير من توقيت الساعة اليدوية.
أي تطبيق للتعرف على الطعام بواسطة الذكاء الاصطناعي هو الأسرع في عام 2026؟
استنادًا إلى معيارنا المكون من 50 وجبة، كان Nutrola هو أسرع تطبيق للتعرف على الطعام بواسطة الذكاء الاصطناعي بمتوسط وقت تعرف قدره 2.06 ثانية ووقت تسجيل إجمالي (بما في ذلك التصحيحات والتأكيد) قدره 3.2 ثانية. جاء Cal AI في المرتبة الثانية بمتوسط 3.28 ثانية للتعرف و5.57 ثانية إجمالي. وتبعتها Foodvisor وLose It! وMyFitnessPal بنفس الترتيب.
هل تعني السرعة الأكبر في التعرف تقليل دقة تتبع السعرات الحرارية؟
ليس بالضرورة. في اختبارنا، كان Nutrola هو الأسرع والأكثر دقة، حيث تم التعرف على 92% من الوجبات بشكل صحيح من المحاولة الأولى. حققت بعض التطبيقات سرعة متوسطة ولكن كانت دقتها أقل، مما يعني وقت تصحيح إضافي. مقياس وقت التسجيل الإجمالي (التعرف + التصحيح + التأكيد) يعطي صورة أكثر اكتمالاً للسرعة في العالم الحقيقي.
إلى أي مدى تؤثر سرعة التعرف على عادات تتبع السعرات الحرارية على المدى الطويل؟
تشير الأبحاث المنشورة إلى وجود ارتباط قوي. وجدت دراسة في عام 2025 في Appetite أن المستخدمين الذين لديهم أوقات تسجيل أقل من 5 ثوانٍ حافظوا على تتبع يومي لمدة 74 من أصل 84 يومًا، مقارنة بـ 31 يومًا فقط للمستخدمين الذين تجاوزوا 10 ثوانٍ. كل ثانية إضافية من الاحتكاك تقلل بشكل ملحوظ الالتزام على المدى الطويل.
لماذا يكون التعرف على الطعام بواسطة الذكاء الاصطناعي في Nutrola أسرع من التطبيقات الأخرى؟
تستخدم Nutrola خط معالجة هجينة على الجهاز والسحابة تبدأ في تحليل الصورة قبل اكتمال التحميل الكامل. قاعدة بياناتها المعتمدة من قبل أخصائيي التغذية مصممة للبحث السريع بدلاً من الاعتماد على قواعد بيانات ضخمة مستندة إلى الحشود. يجمع هذا بين الاستدلال الأسرع والبيانات الأنظف مما يعني نتائج أسرع وأكثر دقة. تبدأ Nutrola من €2.5/شهر مع تجربة مجانية لمدة 3 أيام، دون إعلانات على أي خطة.
هل يمكن لتطبيقات التعرف على الطعام بواسطة الذكاء الاصطناعي التعرف بدقة على الوجبات المعقدة متعددة المكونات؟
واجهت جميع التطبيقات الخمسة صعوبة أكبر مع الأطباق المعقدة مقارنة بالعناصر الفردية، لكن الفجوة تفاوتت بشكل كبير. بلغ متوسط Nutrola 2.59 ثانية للوجبات المعقدة متعددة العناصر مع معدل دقة 87% من المحاولة الأولى. بينما بلغ متوسط MyFitnessPal 7.71 ثانية مع معدل دقة 58% من المحاولة الأولى لنفس الوجبات. تظل الأطباق التي تحتوي على مكونات متداخلة، وصلصات، ومكونات مختلطة هي الفئة الأكثر صعوبة لجميع أنظمة التعرف على الطعام بواسطة الذكاء الاصطناعي.
هل يعد تسجيل الصور أسرع من مسح الباركود أو الإدخال اليدوي لتتبع السعرات الحرارية؟
بالنسبة للأطعمة غير المعلبة (الوجبات المنزلية، أطباق المطاعم، المنتجات الطازجة)، يعد تسجيل الصور بواسطة الذكاء الاصطناعي أسرع بكثير من البحث اليدوي والإدخال. بالنسبة للأطعمة المعلبة ذات الباركود المرئي، يمكن أن يكون مسح الباركود مشابهًا في السرعة — حيث يحقق ماسح الباركود في Nutrola دقة تزيد عن 95% ويستغرق حوالي 1.5 ثانية. النهج الأمثل هو استخدام تسجيل الصور للوجبات ومسح الباركود للأطعمة المعلبة، وهو سير العمل الذي توصي به مساعد النظام الغذائي الذكي من Nutrola.
مستعد لتحويل تتبع تغذيتك؟
انضم إلى الآلاف الذين حولوا رحلتهم الصحية مع Nutrola!
