Wie zuverlässig ist die Portionsschätzung von Cal AI? Ein Audit von gemessenem Gewicht vs. AI-Schätzung

Cal AI ist eine foto-basierte Kalorienverfolgungs-App, die Computer Vision nutzt, um Lebensmittelportionen und Kalorien aus Fotografien zu schätzen. Das Hauptversprechen der App besteht darin, dass Sie das Wiegen und Messen Ihrer Lebensmittel vollständig überspringen können — fotografieren Sie einfach Ihren Teller, und die KI erledigt den Rest. Dies ist ein verlockendes Angebot, das den mühsamsten Teil der Kalorienverfolgung eliminiert. Allerdings beruht es auf der Lösung eines grundlegenden Problems der Computer Vision: der Schätzung der dreidimensionalen Größe und des Gewichts eines Objekts aus einem zweidimensionalen Bild.

Zuverlässigkeit bei der Portionsschätzung bedeutet, dass das geschätzte Gewicht oder Volumen der KI eng mit der tatsächlich gemessenen Menge übereinstimmt. Es bedeutet auch Konsistenz — das Fotografieren desselben Lebensmittels sollte bei mehreren Aufnahmen jedes Mal die gleiche Schätzung liefern. Wir haben beide Dimensionen getestet, indem wir 20 Lebensmittel auf einer kalibrierten Küchenwaage gewogen, sie durch Cal AI fotografiert und die Ergebnisse verglichen haben.

Das grundlegende Problem: 3D-Schätzung aus einem 2D-Bild

Bevor wir die Testergebnisse untersuchen, ist es wichtig zu verstehen, warum dieses Problem von Natur aus schwierig ist. Ein Foto reduziert drei Dimensionen auf zwei. Informationen über Tiefe, Höhe und Volumen gehen teilweise verloren. Ein Reisberg, der 3 Zentimeter hoch ist, sieht in einem Foto identisch aus mit einem Reisberg, der 2 Zentimeter hoch ist, wenn der Kamerawinkel den Unterschied komprimiert.

Die KI muss die fehlende Dimension aus kontextuellen Hinweisen ableiten: der Tellergröße, dem Schatten, den das Essen wirft, den relativen Proportionen bekannter Objekte im Bildrahmen und dem Musterabgleich mit Trainingsdaten. Jeder dieser Ableitungsschritte führt zu potenziellen Fehlern. Eine Studie, veröffentlicht im International Journal of Food Sciences and Nutrition (2021), ergab, dass selbst ausgebildete Diätassistenten, die Portionen aus Fotografien schätzten, nur eine Genauigkeit von 50-70% erreichten, was darauf hindeutet, dass die visuelle Portionsschätzung unabhängig davon, ob sie von einem Menschen oder einer KI durchgeführt wird, von Natur aus ungenau ist.

Dies ist keine Kritik an Cal AI im Speziellen. Es ist die grundlegende Herausforderung, der sich jedes foto-basierte Portionsschätzungssystem gegenübersieht. Die Frage ist, wie viel Fehler diese grundlegende Einschränkung in der Praxis produziert und ob dieser Fehler klein genug ist, um die Kaloriendaten nützlich zu machen.

Testmethodik: Gewicht gemessen mit der Waage vs. Cal AI-Schätzung

Wir wählten 20 Lebensmittel aus sechs Kategorien: einheitliche Artikel (vorhersehbare Form und Größe), unregelmäßige feste Stoffe (variable Form), geschichtete oder gehäufte Lebensmittel, Flüssigkeiten, Lebensmittel in Behältern und mehrkomponentige Gerichte auf Tellern. Jedes Lebensmittel wurde auf einer kalibrierten Küchenwaage gewogen, die auf 1 Gramm genau ist.

Jedes Lebensmittel wurde dann auf einem standardmäßigen 26-Zentimeter weißen Essteller (sofern nicht anders angegeben) platziert und aus einem 45-Grad-Winkel aus etwa 30 Zentimetern Entfernung durch Cal AI fotografiert. Wir haben die geschätzte Portionsgröße und Kalorienanzahl von Cal AI aufgezeichnet und dann die Abweichung von den tatsächlich gemessenen Werten berechnet.

Genauigkeit der Portionsschätzung: Cal AI-Schätzung vs. tatsächliches Gewicht

Ergebnisse des vollständigen Zuverlässigkeitstests

Lebensmittel	Tatsächliches Gewicht	Cal AI-Schätzung	Gewichtabweichung	Abweichung %	Tatsächliche Kalorien	Cal AI Kalorien	Kalorienauswirkung
Scheibe Brot	38 g	40 g	+2 g	+5.3%	95	100	+5
Großes Ei, gekocht	50 g	50 g	0 g	0.0%	78	78	0
Proteinriegel (unverpackt)	60 g	55 g	-5 g	-8.3%	210	193	-17
Hähnchenbrust, gegrillt	174 g	140 g	-34 g	-19.5%	287	231	-56
Steak, gegrillt	225 g	175 g	-50 g	-22.2%	573	446	-127
Lachsfilet, gebacken	168 g	145 g	-23 g	-13.7%	349	302	-47
Gekochter weißer Reis	210 g	180 g	-30 g	-14.3%	232	199	-33
Gekochte Pasta	240 g	195 g	-45 g	-18.8%	374	304	-70
Kartoffelbrei	200 g	160 g	-40 g	-20.0%	224	179	-45
Gemischter grüner Salat	120 g	95 g	-25 g	-20.8%	19	15	-4
Orangensaft im Glas	250 ml	200 ml	-50 ml	-20.0%	112	90	-22
Kaffee mit Milch in der Tasse	350 ml	250 ml	-100 ml	-28.6%	58	41	-17
Suppe im Schüssel	400 ml	300 ml	-100 ml	-25.0%	160	120	-40
Mandeln in kleiner Schüssel	35 g	28 g	-7 g	-20.0%	204	163	-41
Studentenfutter in Schüssel	55 g	42 g	-13 g	-23.6%	264	201	-63
Joghurt im Behälter	170 g	150 g	-20 g	-11.8%	100	88	-12
Apfel, ganz	182 g	170 g	-12 g	-6.6%	95	89	-6
Avocadohälfte	68 g	75 g	+7 g	+10.3%	109	120	+11
Erdnussbutter auf Toast	18 g (nur PB)	12 g	-6 g	-33.3%	105	70	-35
Hähnchen + Reis + Brokkoli Teller	440 g insgesamt	365 g insgesamt	-75 g	-17.0%	542	450	-92

Zusammenfassende Statistiken:

• Durchschnittliche absolute Abweichung: 16.9%
• Medianabweichung: 19.2%
• Unterbewertung: 18 von 20 Lebensmitteln wurden unterschätzt
• Durchschnittliche Kalorienauswirkung: 37 Kalorien pro Lebensmittel
• Lebensmittel innerhalb von 10% Genauigkeit: 5 von 20 (25%)
• Lebensmittel mit >20% Abweichung: 8 von 20 (40%)

Die Ergebnisse zeigen ein klares und konsistentes Muster. Cal AI hat die Portionsgrößen bei 18 von 20 getesteten Lebensmitteln unterschätzt. Die durchschnittliche Abweichung betrug 16.9%, aber dieser Durchschnitt verschleiert die Schwere für bestimmte Kategorien. Unregelmäßige Fleischstücke (Hähnchenbrust, Steak) zeigten eine Unterbewertung von 19-22%. Geschichtete Lebensmittel (Reis, Pasta, Kartoffelbrei) wiesen eine Unterbewertung von 14-20% auf. Flüssigkeiten zeigten eine Unterbewertung von 20-29%.

Wo die Portionsschätzung zuverlässig ist

Die Schätzungen von Cal AI waren am genauesten bei Lebensmitteln mit einheitlichen, vorhersehbaren Formen und standardisierten Größen.

Einheitliche Artikel

Eine Scheibe Brot, ein gekochtes Ei und ein Apfel liegen alle innerhalb von 5-10% des tatsächlichen Gewichts. Diese Lebensmittel haben konsistente Formen, die gut in den Trainingsdaten der KI erfasst sind. Eine Scheibe Brot hat unabhängig von der Marke ungefähr die gleiche Dicke und Dimensionen. Ein großes Ei ist ein großes Ei. Die Trainingsdaten der KI umfassen Tausende von Bildern dieser Artikel, und ihre vorhersehbare Geometrie macht die Tiefenschätzung weniger kritisch.

Standardisierte verpackte Artikel

Der Proteinriegel, obwohl unverpackt, wurde innerhalb von 8.3% des tatsächlichen Gewichts geschätzt. Seine rechteckige Form und standardisierten Dimensionen machen ihn visuell vorhersehbar. Lebensmittel mit regelmäßigen geometrischen Formen schnitten in unseren Tests konstant besser ab als unregelmäßige Lebensmittel.

Der gemeinsame Faktor ist, dass diese Lebensmittel eine geringe Formvariabilität aufweisen. Wenn Sie eine Scheibe Brot gesehen haben, haben Sie im Wesentlichen alle gesehen. Die KI kann sich auf memorierte typische Dimensionen verlassen, anstatt Dimensionen aus kontextuellen Hinweisen abzuleiten.

Wo die Portionsschätzung unzuverlässig ist

Unregelmäßige Formen: Das Steak- und Hähnchenproblem

Das gegrillte Steak wurde um 22.2% unterschätzt, was zu einem Fehler von 127 Kalorien für ein einzelnes Lebensmittel führte. Die Hähnchenbrust wurde um 19.5% unterschätzt, was einen Fehler von 56 Kalorien zur Folge hatte. Dies sind einige der am häufigsten erfassten Lebensmittel für Menschen, die ihre Proteinzufuhr verfolgen.

Unregelmäßige Formen sind schwierig, weil die Dicke im Lebensmittel variiert. Eine Hähnchenbrust verjüngt sich von einer dicken Mitte zu dünnen Rändern. Aus einem Foto von oben oder in einem Winkel erfasst die KI die Oberfläche, schätzt jedoch die Dicke in der Mitte zu niedrig. Das Ergebnis ist eine systematische Unterzählung, die kaloriendichte Proteine betrifft — genau die Lebensmittel, bei denen Genauigkeit für die Makroverfolgung am wichtigsten ist.

Geschichtete und gehäufte Lebensmittel: Reis, Pasta und Kartoffeln

Gekochter Reis, Pasta und Kartoffelbrei wurden um 14-20% unterschätzt. Diese Lebensmittel türmen sich mit erheblicher Höhe auf, die ein 2D-Foto komprimiert. Eine Portion Reis auf einem Teller könnte an der Spitze 4 Zentimeter hoch sein, aber ein Foto, das aus 45 Grad aufgenommen wurde, flacht dies auf eine viel dünnere Schicht ab.

Die USDA FoodData Central-Datenbank listet gekochten weißen Reis mit 130 Kalorien pro Tasse (186 g). Eine Unterbewertung von 14.3% bei einer Portion von 210 Gramm bedeutet 33 fehlende Kalorien — und die meisten Menschen essen Reis als einen Bestandteil einer größeren Mahlzeit. Die Fehler summieren sich über jedes gehäufte Lebensmittel auf dem Teller.

Flüssigkeiten: Das unsichtbare Volumenproblem

Flüssigkeiten waren die am wenigsten zuverlässig geschätzte Kategorie, mit Abweichungen von 20-29%. Ein Glas Orangensaft wurde um 20% unterschätzt. Kaffee mit Milch in einer Tasse wurde um 28.6% unterschätzt. Suppe in einer Schüssel wurde um 25% unterschätzt.

Das Problem ist einfach: Die KI kann die Oberfläche der Flüssigkeit sehen, kann jedoch die Tiefe des Behälters nicht bestimmen. Eine breite, flache Schüssel und eine schmale, tiefe Schüssel können in einem Foto identische Oberflächen zeigen, während sie ganz unterschiedliche Volumina halten. Ohne die Abmessungen des Behälters zu kennen, ist die Volumenschätzung der KI grundsätzlich ein Schätzwert.

Das Winkelproblem: Dasselbe Lebensmittel, unterschiedliche Schätzungen

Über die Genauigkeitstests pro Lebensmittel hinaus haben wir untersucht, ob Cal AI konsistente Schätzungen liefert, wenn dasselbe Lebensmittel aus verschiedenen Winkeln fotografiert wird.

Konsistenztest nach Winkel: Gegrillte Hähnchenbrust (174 g tatsächlich)

Fotografiewinkel	Cal AI-Schätzung	Abweichung vom tatsächlichen
45 Grad (Standard)	140 g	-19.5%
Direkt von oben (90 Grad)	155 g	-10.9%
Niedriger Winkel (20 Grad)	125 g	-28.2%
Seitenwinkel (10 Grad)	110 g	-36.8%

Die gleiche 174 Gramm schwere Hähnchenbrust lieferte Schätzungen von 110 Gramm bis 155 Gramm, abhängig vom Kamerawinkel — eine Spannweite von 45 Gramm. Der Überkopfwinkel lieferte das genaueste Ergebnis, da er die gesamte Oberfläche erfasst, aber selbst dies war um fast 11% falsch. Die niedrigen und seitlichen Winkel unterschätzten die Portion erheblich, da die Höhe und Tiefe des Lebensmittels zunehmend komprimiert wurden.

Das bedeutet, dass die Kalorienanzahl, die ein Benutzer erhält, teilweise davon abhängt, wie er sein Telefon hält, nicht nur davon, was er isst. Ein Benutzer, der habituel Lebensmittel aus einem niedrigen Winkel fotografiert, wird die Kalorien im Vergleich zu einem Benutzer, der von oben fotografiert, konstant zu niedrig angeben.

Die Tellergrößenillusion: Gleiche Portion, unterschiedliche Teller

Wir haben getestet, ob die Tellergröße die Portionsschätzung von Cal AI beeinflusst, indem wir 200 Gramm gekochte Pasta auf drei verschiedenen Tellern platzierten.

Tellergrößentest: 200 g gekochte Pasta

Tellerdurchmesser	Cal AI-Schätzung	Abweichung
20 cm (kleiner Teller)	225 g	+12.5%
26 cm (Standardteller)	195 g	-2.5%
32 cm (großer Teller)	155 g	-22.5%

Die gleichen 200 Gramm Pasta wurden auf einem kleinen Teller mit 225 Gramm und auf einem großen Teller mit 155 Gramm geschätzt — ein Unterschied von 70 Gramm, der ausschließlich auf die Tellergröße zurückzuführen ist. Dies ist die Delboeuf-Illusion, eine gut dokumentierte Wahrnehmungsverzerrung, bei der Objekte größer erscheinen, wenn sie von einem kleinen Rahmen umgeben sind, und kleiner, wenn sie von einem großen Rahmen umgeben sind. Die KI hat diese Verzerrung aus ihren Trainingsdaten gelernt, die aus Lebensmittelbildern bestehen, bei denen die Tellergröße mit der wahrgenommenen Portionsgröße korreliert.

Für Benutzer, die von großen Restauranttellern oder Servierschalen essen, bedeutet dies, dass Cal AI ihre Portionen systematisch unterschätzt. Für Benutzer, die von kleinen Desserttellern essen, wird die App überschätzen. Keine Gruppe erhält eine genaue Zählung dessen, was sie tatsächlich konsumiert hat.

Konsistenztest: Dasselbe Lebensmittel, fünf Fotografien

Wir haben eine einzelne Portion gegrillte Hähnchenbrust mit Reis und Brokkoli (542 tatsächliche Kalorien) fünfmal hintereinander fotografiert und dabei nur den Winkel des Telefons leicht angepasst.

Fünf-Foto-Konsistenztest

Foto Nummer	Cal AI Gesamtkalorien	Abweichung vom tatsächlichen
1	450	-17.0%
2	478	-11.8%
3	435	-19.7%
4	462	-14.8%
5	448	-17.3%

Fünf Fotografien derselben Mahlzeit ergaben fünf unterschiedliche Kalorienangaben, die von 435 bis 478 reichten — eine Spannweite von 43 Kalorien. Der Durchschnitt betrug 455 Kalorien und unterschätzte die tatsächlichen 542 Kalorien um 16.1%. Kein einziges Foto lieferte ein Ergebnis, das innerhalb von 10% des tatsächlichen Kaloriengehalts lag.

Dieser Test demonstriert sowohl die Genauigkeits- als auch die Konsistenzprobleme gleichzeitig. Die Schätzungen sind konstant zu niedrig (Genauigkeitsfehler), und sie variieren über Fotografien identischer Lebensmittel (Konsistenzfehler). Ein Benutzer, der diese Mahlzeit erfasst, erhält eine andere Zahl, je nachdem, welches der fünf Fotos er zufällig macht.

Wie tägliche Fehler sich summieren

Die individuellen Fehler pro Lebensmittel in unseren Tests betrugen im Durchschnitt 37 Kalorien. Das klingt gering, bis man bedenkt, dass ein typischer Tag das Erfassen von 10 bis 15 einzelnen Lebensmitteln über drei Mahlzeiten und Snacks umfasst.

Tägliches Akkumulationsszenario

Mahlzeit	Erfasste Lebensmittel	Tatsächliche Kalorien	Cal AI Gesamt	Kumulative Fehler
Frühstück (Haferflocken, Banane, Erdnussbutter)	3 Artikel	445	385	-60
Mittagessen (Hähnchen, Reis, Gemüse)	3 Artikel	542	450	-92
Snack (Mandeln, Joghurt)	2 Artikel	304	251	-53
Abendessen (Steak, Kartoffelbrei, Salat)	3 Artikel	816	640	-176
Tägliche Gesamt	11 Artikel	2,107	1,726	-381

Ein täglicher Unterzähler von 381 Kalorien. Das sind 18.1% der gesamten Aufnahme — ein Defizit, das nicht existiert. Ein Benutzer, der ein tägliches Defizit von 500 Kalorien für den Gewichtsverlust plant, hat nach Berücksichtigung der Unterbewertung von Cal AI tatsächlich ein Defizit von 119 Kalorien. In diesem Tempo wird ein geplanter Gewichtsverlust von 1 Pfund pro Woche zu 0.24 Pfund pro Woche. Ein Monat disziplinierter Verfolgung ergibt eine Woche erwarteter Ergebnisse, und der Benutzer hat keine Möglichkeit zu bestimmen, warum.

Forschungen, veröffentlicht im American Journal of Clinical Nutrition, haben konsequent gezeigt, dass die Unterberichterstattung der Nahrungsaufnahme die häufigste Fehlerquelle in der diätetischen Bewertung ist, und KI-Systeme, die auf menschlich gekennzeichneten Daten trainiert wurden, erben diese Verzerrung.

Wie Nutrola die Portionsschätzung anders angeht

Der Ansatz von Nutrola zur Portionsschätzung besteht darin, die Foto-KI als Ausgangspunkt zu betrachten, nicht als endgültige Antwort. Die Fotoerkennung der App identifiziert Lebensmittel und verknüpft sie mit einer von Ernährungswissenschaftlern verifizierten Datenbank von über 1.8 Millionen Einträgen, die genaue Kalorienwerte pro Gramm festlegt. Aber anstatt sich ausschließlich auf die KI zu verlassen, um die Portionsgröße zu schätzen, bietet Nutrola eine Sprachkorrekturschicht.

Nachdem Sie Ihre Mahlzeit fotografiert haben, können Sie sagen: "Das waren etwa 200 Gramm Hähnchen" oder "Der Reis war etwa eine Tasse." Der Eintrag wird sofort basierend auf verifiziertem Nährwertdaten aktualisiert. Dies dauert Sekunden — schneller als eine manuelle Suche — und löst die grundlegende Einschränkung, dass keine KI das 3D-Volumen aus einem 2D-Bild genau schätzen kann.

Die verifizierte Datenbank ist der entscheidende Unterschied. Selbst wenn die Portionsschätzung perfekt ist, ist die Kalorienanzahl nur so zuverlässig wie die Nährwertdaten, auf die sie sich bezieht. Die Datenbank von Nutrola enthält einen verifizierten Eintrag pro Lebensmittel, der aus von Ernährungswissenschaftlern validierten Daten stammt, ohne crowdsourced Duplikate oder widersprüchliche Einträge. Die Kombination aus Fotoidentifikation, sprachlich korrigierten Portionen und verifizierten Daten erzeugt Kalorienprotokolle, die widerspiegeln, was Sie tatsächlich gegessen haben, anstatt was eine KI aus einem Foto geschätzt hat.

Nutrola umfasst auch das Scannen von Barcodes für verpackte Lebensmittel und den Import von Rezepten für selbstgekochte Mahlzeiten, um die Datenqualität über jede Erfassungsmethode hinweg sicherzustellen. Verfügbar auf iOS und Android für 2,50 € pro Monat ohne Werbung in jedem Plan, ist Nutrola nach dem Prinzip gestaltet, dass Geschwindigkeit und Genauigkeit sich nicht ausschließen.

Häufig gestellte Fragen

Wie genau ist Cal AI beim Zählen von Kalorien?

In unseren Tests von 20 Lebensmitteln wichen die Portionsschätzungen von Cal AI im Durchschnitt um 16.9% von den tatsächlich gemessenen Gewichten ab. Dies führte zu einem durchschnittlichen Kalorienfehler von 37 Kalorien pro einzelnen Lebensmittel. Nur 25% der Lebensmittel (5 von 20) wurden innerhalb von 10% Genauigkeit geschätzt. Die App zeigte eine starke Unterbewertung, indem sie die Portionen für 18 von 20 getesteten Lebensmitteln unterschätzte. Für einen vollständigen Tag des Essens summierten sich diese Fehler pro Artikel in unserem Testszenario auf einen täglichen Unterzähler von 381 Kalorien.

Warum gibt Cal AI unterschiedliche Kalorien für dieselbe Mahlzeit an?

Die Schätzungen von Cal AI ändern sich je nach Fotografiewinkel, Beleuchtung und Rahmung, da sie die 3D- Portionsgröße aus einem 2D-Bild ableitet. In unserem Konsistenztest ergaben fünf Fotografien derselben Mahlzeit Kalorienangaben von 435 bis 478 — eine Spannweite von 43 Kalorien. Der Kamerawinkel hat den größten Einfluss: Unser Winkeltest zeigte, dass eine einzelne Hähnchenbrust aus einem Seitenwinkel mit 110 Gramm geschätzt wurde, während sie direkt von oben 155 Gramm betrug.

Ist Cal AI für einige Lebensmittel genauer als für andere?

Ja. Cal AI ist am genauesten bei Lebensmitteln mit einheitlichen, vorhersehbaren Formen: Scheiben Brot (5.3% Abweichung), gekochte Eier (0% Abweichung) und ganze Früchte (6.6% Abweichung). Am wenigsten genau ist es bei unregelmäßig geformten Fleischstücken (19-22% Abweichung), geschichteten Lebensmitteln wie Reis und Pasta (14-20% Abweichung) und Flüssigkeiten (20-29% Abweichung). Wenn Ihre Ernährung hauptsächlich aus einfachen, einheitlichen Lebensmitteln besteht, wird die App zuverlässiger sein, als wenn Sie komplexe, mehrkomponentige Mahlzeiten essen.

Beeinflusst die Tellergröße die Kalorienschätzung von Cal AI?

Ja. In unserem Tellergrößentest wurde eine Portion von 200 Gramm Pasta auf einem 20-Zentimeter kleinen Teller mit 225 Gramm und auf einem 32-Zentimeter großen Teller mit 155 Gramm geschätzt — ein Unterschied von 70 Gramm für die identische Portion. Dies wird durch die Delboeuf-Illusion verursacht, bei der der umgebende Kontext die wahrgenommene Größe eines Objekts verändert. Benutzer, die von großen Tellern oder Restaurantgerichten essen, werden konstant unterschätzte Portionen sehen.

Kann ich Cal AI für den Gewichtsverlust verwenden?

Cal AI kann grobe Kalorienbewusstsein bieten, aber seine systematische Unterbewertung macht es problematisch für präzise defizitbasierte Gewichtsverluste. In unserem täglichen Szenario wurde ein geplantes 500-Kalorien-Defizit auf ein effektives Defizit von 119 Kalorien reduziert, nachdem die Unterbewertung von Cal AI berücksichtigt wurde — eine Reduzierung des beabsichtigten Defizits um 76%. Für zuverlässigere Ergebnisse kombinieren Sie die foto-basierte Erfassung mit tatsächlichem Wiegen von Lebensmitteln oder verwenden Sie eine App wie Nutrola, die foto-KI mit sprachlich korrigierten Portionen und einer verifizierten Nährwertdatenbank kombiniert.