أفضل تطبيقات تتبع الطعام بالصور المجانية في 2026: Nutrola مقابل Cal AI مقابل Foodvisor مقابل SnapCalorie مقابل Bitesnap مقابل Lose It

كيف يعمل تتبع الطعام القائم على الصور في 2026

يعتمد تتبع الطعام القائم على الصور على رؤية الكمبيوتر — وهي فرع من الذكاء الاصطناعي يقوم بتدريب الشبكات العصبية على التعرف على الأشياء في الصور — للتعرف على الأطعمة، تقدير أحجام الحصص، وإرجاع البيانات الغذائية. كل ما عليك فعله هو التقاط صورة لطبقك، ويتولى الذكاء الاصطناعي الباقي.

لقد تحسنت هذه التقنية بشكل كبير خلال العامين الماضيين. أظهرت دراسة مرجعية في 2024 في IEEE Transactions on Pattern Analysis and Machine Intelligence اختبار التعرف على الطعام عبر 15 نموذج ذكاء اصطناعي، ووجدت أن أفضل النماذج حققت دقة تصل إلى 94.2% في التصنيف الأول على مجموعة بيانات Food-2k (2,000 فئة غذائية). بالمقارنة، أظهرت نفس الدراسة في 2022 دقة قصوى بلغت 86.7%.

لكن دقة التعرف ليست سوى نصف المعادلة. يجب على الذكاء الاصطناعي أيضًا تقدير حجم الحصة — مقدار الطعام الموجود على الطبق — ثم ربط الطعام المحدد بقاعدة بيانات غذائية لإرجاع قيم السعرات الحرارية والمغذيات. كل خطوة تقدم احتمالًا للخطأ، وتعتمد الدقة النهائية لتتبع الطعام بالصور على مدى جودة أداء هذه الخطوات الثلاث معًا.

ما الذي يحدد دقة تتبع الصور؟

العامل الأول: التعرف على الطعام

يجب على الذكاء الاصطناعي التعرف بشكل صحيح على ما هو موجود على الطبق. صدور الدجاج المشوي يختلف في الشكل عن فخذ الدجاج المخبوز، والفرق في السعرات الحرارية كبير. تم تدريب نماذج التعرف على الطعام الحديثة على ملايين الصور الغذائية المصنفة التي تغطي آلاف الفئات. كلما كانت بيانات التدريب متنوعة، كان أداء النموذج أفضل في التعامل مع المأكولات العرقية، والأطباق الإقليمية، والتحضيرات غير المعتادة.

العامل الثاني: تقدير الحصة

تعتبر هذه المشكلة هي الأصعب. الصورة ثنائية الأبعاد، لكن حجم الحصة ثلاثي الأبعاد. يجب على الذكاء الاصطناعي استنتاج العمق والكثافة والحجم من صورة مسطحة. تستخدم بعض التطبيقات أشياء مرجعية (مثل عملة أو يد موضوعة بجوار الطبق) لمعايرة المقياس. بينما تستخدم أخرى كاميرات استشعار العمق المتاحة في الهواتف الذكية الأحدث.

وجدت دراسة في 2025 في The Journal of Nutrition أن أخطاء تقدير الحصة بواسطة الذكاء الاصطناعي كانت تتراوح بين 12-18% عبر التطبيقات، مقارنة بـ 25-40% للبشر غير المدربين الذين يقدرون بصريًا. الذكاء الاصطناعي ليس مثاليًا في تقدير الحصة، لكنه يتفوق باستمرار على البشر.

العامل الثالث: جودة قاعدة البيانات

بمجرد أن يتعرف الذكاء الاصطناعي على "سمك السلمون المشوي، حوالي 150 جرام"، يحتاج إلى البحث عن البيانات الغذائية لهذا الطعام. إذا كانت قاعدة البيانات تقول إن سمك السلمون المشوي يحتوي على 208 سعرات حرارية لكل 100 جرام (القيمة المعتمدة من USDA)، فإن النتيجة تكون دقيقة. إذا كانت قاعدة البيانات تستخرج إدخالًا مستندًا إلى الجمهور يقول 165 سعرات حرارية لكل 100 جرام، فإن النتيجة تكون خاطئة بغض النظر عن مدى جودة التعرف على الصورة.

هنا تأتي ميزة قاعدة بيانات Nutrola المعتمدة من قبل أخصائيي التغذية بنسبة 100%. قد يكون التعرف مشابهًا لمنافسين، لكن البيانات التي يتم إرجاعها أكثر موثوقية لأن كل إدخال تمت مراجعته من قبل محترف مؤهل.

مقارنة التطبيقات

Nutrola

تستخدم ميزة Snap & Track في Nutrola التعرف على الصور بالذكاء الاصطناعي لتحديد الأطعمة وتقدير المغذيات من صورة واحدة. يعالج النظام الصور في 2-4 ثوانٍ ويعيد تحليلًا غذائيًا مفصلًا. يمكن للمستخدمين تعديل الحصص أو تصحيح تحديدات الطعام قبل تأكيد الإدخال.

قاعدة البيانات الخلفية معتمدة من قبل أخصائيي التغذية بنسبة 100%، مما يعني أن قيم السعرات الحرارية والمغذيات التي يتم إرجاعها بعد التعرف على الصورة تستند إلى بيانات تمت مراجعتها من قبل محترفين. كما يقدم التطبيق تسجيل الصوت، مسح الباركود، واستيراد الوصفات من وسائل التواصل الاجتماعي كطرق تسجيل مكملة.

بسعر 2.50 يورو/شهر بدون إعلانات، يتوفر Nutrola على كل من iOS وAndroid.

Cal AI

Cal AI هو تطبيق تتبع السعرات الحرارية القائم على الصور. تم بناء واجهته بالكامل حول الكاميرا — افتح التطبيق، التقط صورة، احصل على النتائج. تتيح النسخة المجانية عددًا محدودًا من عمليات المسح اليومية (عادةً 2-3). توفر النسخة المدفوعة (9.99 دولار/شهر) عمليات مسح غير محدودة.

سرعة التعرف على الصور سريعة (1-3 ثوانٍ)، والواجهة بسيطة. ومع ذلك، فإن قاعدة البيانات الغذائية ليست معتمدة بشكل مستقل، وتنخفض الدقة للوجبات المعقدة بشكل ملحوظ. لا يوجد تسجيل صوتي، مسح باركود، أو استيراد وصفات.

Foodvisor

Foodvisor هو تطبيق فرنسي لتعرف الطعام بالذكاء الاصطناعي مع أداء قوي في المأكولات الأوروبية. تقدم النسخة المجانية تسجيل صور أساسي مع تقديرات غذائية. تضيف النسخة المدفوعة (7.99 دولار/شهر) تحليلات مفصلة للمغذيات، واستشارات مع أخصائيين تغذية، وتوصيات شخصية.

تتعامل محركات التعرف في Foodvisor بشكل جيد مع الأطباق متعددة العناصر، حيث تحدد المكونات الفردية وتقدر كل منها بشكل منفصل. تستند قاعدة البيانات إلى جداول تكوين الطعام الأوروبية، مما يجعلها دقيقة بشكل خاص للأطباق الفرنسية والمتوسطية والغربية. الأداء في المأكولات الآسيوية والأفريقية والأمريكية اللاتينية أقل اتساقًا.

SnapCalorie

تستخدم SnapCalorie مزيجًا من التعرف على الصور ثنائية الأبعاد وتقدير الحجم ثلاثي الأبعاد (باستخدام مستشعرات LiDAR على هواتف iPhone المتوافقة) لتقديم ما تدعي أنه الأكثر دقة في تقدير الحصص في السوق. تقدم النسخة المجانية عددًا محدودًا من عمليات المسح. النسخة المدفوعة هي 8.99 دولار/شهر.

عندما يكون مستشعر LiDAR متاحًا، فإن تقدير الحصة من SnapCalorie مثير للإعجاب حقًا — وجدت اختبار مستقل في 2025 أنه حقق دقة 91% في تقدير حجم الحصة مقابل 82-86% للطرق التي تعتمد فقط على الصور ثنائية الأبعاد. القيود هي أن LiDAR يتطلب طرازات iPhone Pro، مما يستبعد معظم مستخدمي Android والهواتف القديمة.

Bitesnap

يقدم Bitesnap التعرف على الطعام بالذكاء الاصطناعي مع واجهة نظيفة ونسخة مجانية وظيفية تتضمن تسجيل صور أساسي غير محدود. تضيف النسخة المدفوعة (4.99 دولار/شهر) بيانات غذائية مفصلة وتتبع التقدم.

يتعامل التعرف في Bitesnap بشكل جيد مع الأطعمة الغربية الشائعة لكنه يواجه صعوبة مع المأكولات العرقية والوجبات المعقدة متعددة المكونات. قاعدة البيانات مزيج من بيانات USDA وبيانات مقدمة من المستخدمين. يتمتع التطبيق بمتابعة وفية في فئة محددة لكنه لم يتم تحديثه بشكل مكثف كما هو الحال مع المنافسين.

Lose It (Snap It)

تضيف ميزة Snap It في Lose It تسجيل الطعام القائم على الصور إلى منصة تتبع السعرات الحرارية المعروفة Lose It. الميزة متاحة في النسخة المجانية مع التعرف الأساسي. النسخة المميزة (39.99 دولار/سنة) تضيف تحسينات في التعرف ونتائج أكثر تفصيلاً.

تحسنت Snap It بشكل كبير مع التحديثات المتعاقبة لكنها لا تزال متأخرة عن التطبيقات المخصصة لتتبع الصور في دقة التعرف. ميزتها هي التكامل مع النظام البيئي الأوسع لـ Lose It — إذا كنت تستخدم بالفعل Lose It للتتبع، فإن Snap It تضيف القدرة على التصوير دون الحاجة لتغيير التطبيقات.

مقارنة الدقة حسب نوع الوجبة

تعكس الجدول التالي بيانات الدقة المجمعة من اختبارات مستقلة ودراسات تحقق منشورة (2024-2025). يتم قياس الدقة كنسبة المئوية للوقت الذي تقع فيه تقديرات السعرات الحرارية للتطبيق ضمن 15% من القيمة المرجعية المقاسة.

نوع الوجبة	Nutrola	Cal AI	Foodvisor	SnapCalorie (LiDAR)	Bitesnap	Lose It (Snap It)
بسيطة (عنصر واحد)	93%	91%	92%	95%	87%	84%
معقدة (متعددة المكونات)	86%	80%	85%	89%	74%	72%
وجبات المطاعم	82%	76%	80%	84%	70%	68%
الأطعمة المعبأة (بدون باركود)	88%	83%	84%	86%	78%	75%
المشروبات	78%	72%	75%	77%	65%	63%

تظهر عدة أنماط. الوجبات البسيطة ذات العنصر الواحد سهلة لجميع التطبيقات. تفصل الوجبات المعقدة وأطباق المطاعم بين الأداء القوي والضعيف. المشروبات هي الفئة الأكثر صعوبة بشكل عام — حيث يصعب تقدير السوائل من صورة، وتختلف تركيبات المشروبات بشكل كبير (هل هي لاتيه أم فلات وايت؟ حليب كامل أم حليب شوفان؟).

يقدم تقدير SnapCalorie القائم على LiDAR أفضل دقة خام، لكن متطلبات الأجهزة تحد من الوصول. بين التطبيقات التي تعتمد فقط على الصور ثنائية الأبعاد، يتفوق Nutrola وFoodvisor عبر الفئات، مع ميزة Nutrola التي تأتي من قاعدة بياناتها المعتمدة بدلاً من التعرف المتفوق.

مقارنة السرعة: من التقاط الصورة إلى الإدخال المسجل

تعتبر السرعة مهمة لأنها تؤثر مباشرة على ما إذا كان المستخدمون سيقومون بالتسجيل. وجدت دراسة في 2024 في Digital Health أن كل ثانية إضافية من وقت التسجيل تتجاوز 10 ثوانٍ تقلل من احتمال تسجيل المستخدم لتلك الوجبة بنسبة 3%.

الخطوة	Nutrola	Cal AI	Foodvisor	SnapCalorie	Bitesnap	Lose It
فتح التطبيق إلى الكاميرا	1-2 ثوانٍ	1 ثانية	2-3 ثوانٍ	1-2 ثوانٍ	2-3 ثوانٍ	3-4 ثوانٍ
التقاط الصورة	1 ثانية	1 ثانية	1 ثانية	1-2 ثوانٍ (مسح LiDAR)	1 ثانية	1 ثانية
معالجة الذكاء الاصطناعي	2-4 ثوانٍ	1-3 ثوانٍ	3-5 ثوانٍ	3-5 ثوانٍ	4-6 ثوانٍ	3-5 ثوانٍ
المراجعة والتأكيد	3-5 ثوانٍ	2-4 ثوانٍ	4-6 ثوانٍ	3-5 ثوانٍ	5-8 ثوانٍ	5-8 ثوانٍ
إجمالي الوقت	7-12 ثانية	5-9 ثوانٍ	10-15 ثانية	8-14 ثانية	12-18 ثانية	12-18 ثانية

يعتبر Cal AI الأسرع بفضل واجهته المبسطة — لكن السرعة بدون دقة ليست مفيدة. يقدم Nutrola أفضل توازن بين السرعة والدقة. Foodvisor وSnapCalorie أبطأ قليلاً لكنهما يقدمان دقة قوية. كل من Bitesnap وLose It (Snap It) أبطأ وأقل دقة.

ما هي قيود تتبع الطعام بالصور؟

القيد الأول: المكونات المخفية

لا يمكن للصورة أن تلتقط ما هو داخل البوريتو، تحت الصلصة، أو مختلط في السموذي. الزيوت، الزبدة، الصلصات، والتتبيلات غالبًا ما تكون غير مرئية في الصور لكنها يمكن أن تضيف مئات السعرات الحرارية.

الحل العملي هو الجمع بين تسجيل الصور مع التعديل اليدوي. تسمح معظم التطبيقات لك بإضافة عناصر إلى وجبة تم تسجيلها بالصورة. يوفر تسجيل الصوت في Nutrola بديلاً أسرع: بعد التقاط صورة لطبقك المقلي، يمكنك أن تقول "أضف ملعقتين كبيرتين من زيت السمسم" لالتقاط المكون غير المرئي.

القيد الثاني: الأطعمة المتشابهة في الشكل مع ملفات تعريف سعرات حرارية مختلفة

يمكن أن يبدو الزبادي الخالي من السكر وزبادي كامل الدسم متشابهين في الصورة. أرز القرنبيط والأرز الأبيض متشابهان بصريًا لكنهما مختلفان من الناحية الغذائية. يمكن أن يكون سمك أبيض وصدر دجاج على الطبق غامضًا.

تتعامل التطبيقات مع هذا من خلال تسجيل الثقة والتحقق من المستخدم. عندما يكون الذكاء الاصطناعي غير متأكد، فإنه يقدم خيارات متعددة ويطلب من المستخدم الاختيار. تختلف جودة واجهة التمييز هذه — تتعامل Nutrola وFoodvisor معها بشكل سلس، بينما قد تتجه Bitesnap وLose It أحيانًا إلى الخيار الخاطئ دون الإشارة إلى عدم اليقين.

القيد الثالث: تقدير الحصة في حاويات غير عادية

يكون تقدير الطعام المقدم في الأوعية، أو اللفائف، أو الصناديق، أو حاويات الطعام أكثر صعوبة من الطعام على طبق مسطح. يجب على الذكاء الاصطناعي استنتاج عمق الوعاء والمحتويات المخفية لللفافة. تنخفض الدقة بنسبة 8-15% للوجبات المقدمة في الأوعية مقارنة بالوجبات المقدمة على الأطباق، وفقًا لدراسة في 2025 في Food Chemistry.

يعالج SnapCalorie هذا جزئيًا للوجبات المقدمة في الأوعية من خلال قياس العمق الفعلي. بالنسبة لللفائف والحاويات المغلقة، تواجه جميع التطبيقات صعوبة متساوية — والنصيحة الصادقة هي فتح اللفافة أو الحاوية قبل التصوير.

القيد الرابع: المشروبات

تكون المشروبات في الأكواب غير الشفافة غير مرئية تقريبًا للتعرف على الصور. قد تحتوي كوب القهوة على قهوة سوداء (5 سعرات حرارية) أو فريب كراميل (450 سعرات حرارية). حتى في الأكواب الشفافة، يكون من الصعب التمييز بين العصائر، السموذي، والكوكتيلات.

يكون تسجيل الصوت عمومًا أكثر فعالية للمشروبات. قول "لاتيه كبير بحليب الشوفان" يمنح الذكاء الاصطناعي مزيدًا من المعلومات مقارنة بصورة لكوب ورقي غير شفاف.

هل يحسن تتبع الطعام بالصور النتائج الغذائية؟

ماذا تقول الدراسات

وجدت تجربة عشوائية محكومة في 2025 في Appetite أن 248 مشاركًا تم تقسيمهم إلى مجموعتين: واحدة تستخدم تسجيل الطعام بالصور والأخرى تستخدم التسجيل اليدوي النصي لمدة 12 أسبوعًا. سجلت مجموعة الصور 27% المزيد من الوجبات (أقل عدد من الإدخالات المفقودة)، واستمرت في التسجيل لمدة متوسطة قدرها 9.3 أسابيع (مقابل 6.1 أسابيع للمجموعة اليدوية)، وحققت فقدان وزن أكبر قدره 1.7 كجم.

استنتج الباحثون أن "العبء المعرفي المنخفض لتسجيل الصور يؤدي إلى سجلات غذائية أكثر اكتمالًا، مما يمكّن من تنظيم تناول الطعام بشكل أكثر دقة."

وجدت دراسة منفصلة في 2024 في Journal of Medical Internet Research أن مستخدمي تتبع الطعام بالصور كانوا أكثر عرضة بـ 2.3 مرة للاستمرار في التسجيل بعد 90 يومًا مقارنة بالمستخدمين الذين يعتمدون فقط على التسجيل اليدوي. كانت الالتزام، مرة أخرى، هو الآلية — وليس خاصية سحرية للصور.

كيف يتعامل تتبع الصور مع المأكولات المختلفة؟

المأكولات الغربية

تؤدي جميع التطبيقات الستة بشكل جيد في الأطباق الغربية القياسية — البرغر، المعكرونة، السلطات، السندويشات. تهيمن هذه الأطعمة على مجموعات بيانات التدريب وتمثل الفئة الأسهل لتعرف الطعام بالذكاء الاصطناعي.

المأكولات الآسيوية

يختلف الأداء بشكل كبير. تتعامل Foodvisor وNutrola مع الأطباق الآسيوية الشائعة (السوشي، القلي، الكاري) بشكل معقول. تظهر Cal AI وSnapCalorie دقة معتدلة. تواجه Bitesnap وLose It صعوبة مع الأطباق الأقل شيوعًا مثل الديم سوم، وتوابل الرامن، أو السلطات التايلاندية.

المأكولات الشرق أوسطية والأفريقية

تظل هذه منطقة ضعيفة لمعظم تطبيقات تتبع الطعام بالصور. الأطباق مثل الشكشوكة، الطاجين، الإينجيرا مع الوط، أو الأرز الجولوف تمثل نقصًا في بيانات التدريب. تنخفض الدقة إلى 60-70% لهذه المأكولات عبر جميع التطبيقات. تساعد قاعدة بيانات Nutrola المعتمدة في الجانب البياني، لكن التعرف البصري لا يزال يواجه صعوبة مع الأطعمة غير المألوفة.

المأكولات الأمريكية اللاتينية

تتعامل الأطباق الشائعة مثل التاكو، البوريتو، ومجموعات الأرز والفاصوليا بشكل جيد. تظهر التخصصات الإقليمية (السيفيتشي، البوبوسا، الأريباس) دقة أقل. يتقلص الفجوة مع تنوع مجموعات بيانات التدريب، لكنها لا تزال تمثل قيدًا في 2026.

أي تطبيق تتبع الطعام بالصور يجب أن تختار؟

إذا كان لديك iPhone Pro وترغب في أفضل دقة خام، فإن تقدير SnapCalorie القائم على LiDAR هو الخيار الأكثر تقنية. القيود المتعلقة بالأجهزة هي العيب الوحيد الكبير.

إذا كنت ترغب في أفضل دقة مع قاعدة بيانات موثوقة على أي هاتف ذكي، فإن Nutrola يقدم نتائج موثوقة مدعومة ببيانات معتمدة من أخصائيي التغذية بسعر 2.50 يورو/شهر. يجمع بين تسجيل الصور، الصوت، مسح الباركود، واستيراد الوصفات ليقدم لك طرق تسجيل متعددة لمواقف مختلفة.

إذا كنت ترغب في أسرع تجربة تسجيل ممكنة، فإن واجهة Cal AI البسيطة تأخذك من الكاميرا إلى الإدخال المسجل في أقل من 10 ثوانٍ. كن على علم أن قاعدة بياناته غير المعتمدة قد تعني أن الأرقام قد تكون أقل موثوقية.

إذا كنت تتناول بشكل أساسي المأكولات الأوروبية، فإن قوة Foodvisor في هذا المجال تجعلها خيارًا إقليميًا قويًا.

إذا كنت تبحث عن خيار مجاني مع تسجيل صور غير محدود، فإن النسخة المجانية من Bitesnap هي الأكثر سخاءً — على الرغم من أن دقتها تقل عن الخيارات المدفوعة.

تظهر النتائج المتسقة عبر جميع الأبحاث حول تتبع الطعام بالصور أنه يحسن بشكل كبير الالتزام بالتسجيل مقارنةً بالإدخال اليدوي. أفضل متتبع للصور هو الذي يمنحك بيانات دقيقة بما يكفي لاتخاذ قرارات مستنيرة، بسرعة كافية للاستخدام في كل وجبة، وموثوق بها على المدى الطويل.

الأسئلة الشائعة

ما مدى دقة تطبيقات تتبع الطعام بالصور في 2026؟

بالنسبة للوجبات البسيطة ذات العنصر الواحد، تحقق أفضل تطبيقات تتبع الطعام بالصور دقة تتراوح بين 91-95% في السعرات الحرارية. بالنسبة للوجبات المعقدة متعددة المكونات، تنخفض الدقة إلى 80-89% حسب التطبيق. تنتج التطبيقات التي تحتوي على قواعد بيانات معتمدة من أخصائيي التغذية مثل Nutrola نتائج نهائية أكثر موثوقية لأن البيانات الغذائية وراء كل طعام معترف به تمت مراجعتها من قبل محترفين.

هل يمكن لتطبيقات تتبع الطعام بالصور التعرف على المأكولات غير الغربية؟

يختلف الأداء بشكل كبير حسب المأكولات. يتم التعامل مع الأطباق الغربية بشكل جيد من قبل جميع التطبيقات. يتم التعرف على الأطباق الآسيوية الشائعة مثل السوشي والكاري من قبل Nutrola وFoodvisor بدقة معقولة. تظل المأكولات الشرق أوسطية والأفريقية والأطباق الإقليمية الأقل شيوعًا نقطة ضعف عبر جميع التطبيقات، حيث تنخفض الدقة إلى 60-70%.

هل تتبع الطعام بالصور أفضل من تسجيل السعرات الحرارية يدويًا؟

تظهر الأبحاث أن تسجيل الصور يقلل من متوسط خطأ تقدير السعرات الحرارية بنسبة 23% مقارنةً بالتسجيل اليدوي الذي يقدره المستخدم. وجدت تجربة في 2025 أن مستخدمي تسجيل الطعام بالصور سجلوا 27% المزيد من الوجبات واستمروا في التسجيل لمدة 9.3 أسابيع مقابل 6.1 أسابيع لمستخدمي التسجيل اليدوي فقط، مما أدى إلى نتائج غذائية أفضل بشكل عام.

هل أحتاج إلى هاتف خاص لتتبع الطعام بالصور بالذكاء الاصطناعي؟

تعمل معظم تطبيقات تتبع الطعام بالصور بالذكاء الاصطناعي على أي هاتف ذكي حديث مزود بكاميرا قياسية. الاستثناء هو SnapCalorie، الذي يستخدم مستشعرات LiDAR المتاحة فقط على طرازات iPhone Pro لتقدير الحصص ثلاثية الأبعاد. تستخدم التطبيقات مثل Nutrola وCal AI وFoodvisor التعرف على الصور ثنائية الأبعاد الذي يعمل على أي جهاز iOS أو Android.

لماذا تتمتع المشروبات بأقل دقة في تتبع الصور؟

تكون المشروبات في الأكواب غير الشفافة غير مرئية تقريبًا للتعرف على الصور — قد يحتوي كوب القهوة على قهوة سوداء بسعر 5 سعرات حرارية أو فريب كراميل بسعر 450 سعرات حرارية. حتى في الأكواب الشفافة، يكون من الصعب التمييز بين المشروبات المتشابهة بصريًا. يكون تسجيل الصوت عمومًا أكثر فعالية للمشروبات، حيث إن وصف "لاتيه كبير بحليب الشوفان" يمنح الذكاء الاصطناعي مزيدًا من المعلومات مقارنة بصورة.