Wie zuverlässig ist die Snap It Foto-Funktion von Lose It!? Eine Überprüfung der Identifikation und Konsistenz

Lose It! Snap It ist eine foto-basierte Lebensmittelidentifikationsfunktion in der Lose It! Kalorienverfolgungs-App, die von FitNow Inc. entwickelt wurde. Das Konzept ist einfach und ansprechend: Machen Sie ein Foto von Ihrem Essen, und die App identifiziert es und protokolliert die Kalorien automatisch. Kein manuelles Suchen, kein Durchscrollen von Datenbankeinträgen, kein Tippen. Einfach zielen, auslösen und weitermachen.

Doch die Zuverlässigkeit bei der foto-basierten Lebensmittelprotokollierung erfordert das gleichzeitige Funktionieren von drei Aspekten. Die App muss korrekt identifizieren, um welches Lebensmittel es sich handelt. Sie muss die Portionsgröße genau schätzen. Und sie muss konsistente Ergebnisse liefern — das bedeutet, wenn Sie dasselbe Gericht zweimal fotografieren, sollten Sie beide Male die gleiche Kalorienanzahl erhalten. Wenn einer dieser drei Aspekte versagt, wird die protokollierte Daten unzuverlässig.

Wir haben alle drei Aspekte getestet, indem wir 20 verschiedene Mahlzeiten jeweils zweimal mit Snap It fotografiert haben. Hier ist eine detaillierte Analyse, wo die Funktion zuverlässig ist, wo sie versagt und was das für die Genauigkeit Ihrer Kalorienverfolgung bedeutet.

Was bedeutet "Zuverlässig" für die foto-basierte Lebensmittelprotokollierung?

Zuverlässigkeit für eine Foto-Protokollierungsfunktion bedeutet, dass drei Dinge zusammen geschehen. Die App identifiziert das Lebensmittel im Bild korrekt. Sie schätzt eine Portionsgröße, die nah am tatsächlichen Gewicht liegt. Und sie liefert dasselbe Ergebnis, wenn sie denselben Input erhält.

Wenn die Identifikation fehlschlägt — die App bezeichnet Ihr Quinoa als "Reis" — sind die Kalorienangaben von Anfang an falsch. Wenn die Identifikation erfolgreich ist, die Portionsschätzung jedoch um 40% abweicht, ist die Kalorienanzahl immer noch bedeutungslos. Und wenn Sie dasselbe Gericht zweimal fotografieren und zwei unterschiedliche Ergebnisse erhalten, können Sie keinem von beiden vertrauen.

Die meisten Bewertungen zur foto-basierten Lebensmittelprotokollierung konzentrieren sich nur auf die Identifikationsgenauigkeit. Aber Identifikation ohne genaue Portionsschätzung ist wie die korrekte Benennung einer Stadt, aber das Schätzen der Entfernung — Sie wissen, wohin Sie gehen, haben aber keine Ahnung, wie weit es ist. Alle drei Dimensionen müssen funktionieren, damit die Funktion wirklich nützlich ist.

Testmethodik: 20 Mahlzeiten, jeweils zweimal fotografiert

Wir haben 20 Mahlzeiten aus fünf Kategorien vorbereitet: einzelne ganze Lebensmittel, verpackte Artikel, einfache Tellergerichte, mehrkomponentige Restaurantgerichte und gemischte Schalen. Jede Mahlzeit wurde zweimal unter konstanten Lichtbedingungen aus einem 45-Grad-Winkel fotografiert, was der häufigste Winkel für Lebensmittelphotographie ist.

Zwischen den beiden Fotografien jeder Mahlzeit warteten wir 60 Sekunden und passten die Position des Telefons leicht an, um reale Variationen zu simulieren. Das Essen selbst wurde nicht bewegt oder verändert. Wir haben drei Metriken für jeden Test aufgezeichnet: ob das Lebensmittel korrekt identifiziert wurde, wie nah die geschätzte Portion am tatsächlichen Gewicht war und ob beide Fotografien dasselbe Kalorienergebnis lieferten.

Zuverlässigkeitsergebnisse nach Lebensmittelkategorie

Tabelle zur Identifikation, Portionsgenauigkeit und Konsistenz

Lebensmittel	Kategorie	Korrekte ID (Foto 1)	Korrekte ID (Foto 2)	Portionsgenauigkeit	Konsistentes Ergebnis
Apfel, ganz	Einzelnes Lebensmittel	Ja	Ja	Innerhalb von 10%	Ja
Banane, ganz	Einzelnes Lebensmittel	Ja	Ja	Innerhalb von 5%	Ja
Proteinriegel (Verpackung sichtbar)	Verpackt	Ja	Ja	Genau	Ja
Joghurtbecher (Etikett sichtbar)	Verpackt	Ja	Ja	Genau	Ja
Gegrilltes Hähnchen + Reis	Einfacher Teller	Ja	Ja	Innerhalb von 20%	Nein (18 Kalorien Unterschied)
Pasta mit Marinara	Einfacher Teller	Ja	Ja	Innerhalb von 25%	Nein (34 Kalorien Unterschied)
Steak + Kartoffelpüree + Spargel	Mehrkomponentig	Teilweise (Spargel verpasst)	Ja	Innerhalb von 35%	Nein (67 Kalorien Unterschied)
Burrito-Schale	Gemischte Schale	Teilweise (Bohnen verpasst)	Teilweise (Mais verpasst)	Innerhalb von 40%	Nein (89 Kalorien Unterschied)
Getreideschale mit Tofu	Gemischte Schale	Teilweise (Tofu als Hähnchen)	Teilweise (Tofu als Hähnchen)	Innerhalb von 45%	Nein (52 Kalorien Unterschied)
Caesar-Salat mit Croutons	Einfacher Teller	Ja	Ja	Innerhalb von 30%	Nein (41 Kalorien Unterschied)
Sushi-Teller (8 Stück, gemischt)	Mehrkomponentig	Teilweise (3 von 4 Sorten)	Teilweise (2 von 4 Sorten)	Innerhalb von 35%	Nein (73 Kalorien Unterschied)
Haferbrei mit Beeren und Nüssen	Gemischte Schale	Teilweise (Nüsse verpasst)	Ja	Innerhalb von 25%	Nein (38 Kalorien Unterschied)
Sandwich (Querschnitt sichtbar)	Einfacher Teller	Ja	Ja	Innerhalb von 20%	Nein (22 Kalorien Unterschied)
Reis vs Couscous Test (Couscous)	Einzelnes Lebensmittel	Nein (ID als Reis)	Nein (ID als Reis)	Innerhalb von 15%	Ja (konsequent falsch)
Quinoaschale	Einzelnes Lebensmittel	Nein (ID als Reis)	Ja	Innerhalb von 20%	Nein (45 Kalorien Unterschied)
Pizzastück	Einfacher Teller	Ja	Ja	Innerhalb von 15%	Ja
Smoothie im Glas	Flüssigkeit	Ja	Teilweise (Proteinpulver verpasst)	Innerhalb von 50%	Nein (62 Kalorien Unterschied)
Curry mit Reis	Gemischte Schale	Teilweise (generisches Curry)	Teilweise (generisches Curry)	Innerhalb von 40%	Nein (55 Kalorien Unterschied)
Eier auf Toast	Einfacher Teller	Ja	Ja	Innerhalb von 15%	Ja
Poke-Schale	Gemischte Schale	Teilweise (Edamame verpasst)	Teilweise (Seetang verpasst)	Innerhalb von 45%	Nein (81 Kalorien Unterschied)

Gesamtergebnisse:

• Vollständige korrekte Identifikation: 60% der Fotos (24 von 40)
• Teilweise Identifikation (verpasste Komponenten): 30% (12 von 40)
• Falsche Identifikation: 10% (4 von 40)
• Konsistentes Ergebnis über beide Fotos: 30% der Mahlzeiten (6 von 20)
• Durchschnittliche Abweichung der Portionsgenauigkeit: 25,5%

Wo Snap It zuverlässig ist

Snap It funktioniert gut in zwei spezifischen Szenarien, die ein gemeinsames Merkmal aufweisen: visuelle Einfachheit.

Verpackte Lebensmittel mit sichtbaren Etiketten

Wenn ein Barcode oder Markenetikett im Foto sichtbar ist, funktioniert Snap It effektiv als visuelles Barcode-Scanner. Es identifiziert das genaue Produkt und zieht die Kalorieninformationen aus seiner Datenbank. In diesen Fällen ist die Identifikation korrekt, die Portion entspricht der Verpackungsgröße, und die Ergebnisse sind perfekt konsistent. Dies ist der stärkste Anwendungsfall der Funktion, wirft jedoch die Frage auf, warum Sie die Foto-Protokollierung verwenden würden, anstatt einfach den Barcode zu scannen.

Einzelne einfache Lebensmittel

Ganze Früchte, ein einfaches Ei, eine Scheibe Brot — Lebensmittel, die visuell eindeutig sind und in relativ standardisierten Größen kommen. Snap It hat jedes einzelne ganze Lebensmittel in unserem Test korrekt identifiziert und die Portionen innerhalb von 5-15% des tatsächlichen Gewichts geschätzt. Auch die Konsistenz war stark, da beide Fotografien dasselbe oder nahezu dasselbe Ergebnis lieferten.

Der gemeinsame Faktor ist, dass diese Lebensmittel eine charakteristische visuelle Signatur und vorhersehbare Portionsgrößen haben. Ein Apfel sieht aus wie ein Apfel aus jedem Winkel, und sein Kaloriengehalt liegt unabhängig von der genauen Größe in einem engen Bereich.

Wo Snap It unzuverlässig ist

Die Zuverlässigkeitsprobleme konzentrieren sich auf drei Szenarien, die die Mehrheit der realen Mahlzeiten repräsentieren.

Mehrkomponentige Mahlzeiten

Wenn ein Teller drei oder mehr unterschiedliche Lebensmittel enthält, verpasst Snap It häufig mindestens eine Komponente. In unserem Steak-Dinner-Test wurde der Spargel im ersten Foto vollständig übersehen. Im Sushi-Teller-Test identifizierte die App nur 2-3 der 4 vorhandenen Sushi-Sorten. Jede verpasste Komponente ist ein ganzes Lebensmittel, das nicht protokolliert wird — oft 50-150 Kalorien, die einfach aus Ihrer täglichen Gesamtzahl verschwinden.

Gemischte Schalen und geschichtete Lebensmittel

Burrito-Schalen, Getreideschalen, Poke-Schalen und Currys schnitten schlecht ab. Wenn Zutaten miteinander vermischt oder geschichtet sind, hat die KI Schwierigkeiten, die einzelnen Komponenten zu unterscheiden. Unsere Burrito-Schale enthielt Reis, Hähnchen, Bohnen, Mais, Salsa, Käse und Guacamole. Snap It identifizierte den Reis und das Hähnchen, verpasste jedoch in einem Foto die Bohnen und im anderen den Mais. Die Portionsschätzung für gemischte Schalen wies im Durchschnitt eine Abweichung von 40-45% vom tatsächlichen gemessenen Wert auf.

Visuell ähnliche Lebensmittel

Couscous wurde in beiden Fotografien als Reis identifiziert — eine konsistente Fehlidentifikation. Quinoa wurde in einem Foto als Reis identifiziert und im anderen korrekt. Blumenkohlreis, normaler Reis und Couscous sind in Fotografien nahezu ununterscheidbar, aber ihre Kaloriendichten unterscheiden sich erheblich. Couscous enthält etwa 176 Kalorien pro gekochter Tasse im Vergleich zu Reis mit 206 Kalorien pro Tasse. Eine konsistente Fehlidentifikation von Couscous als Reis fügt 30 Kalorien pro Tasse hinzu, die der Benutzer tatsächlich nicht konsumiert hat.

Fehleranalyse

Wir haben jeden Fehler über alle 40 Fotografien kategorisiert, um Muster zu identifizieren.

Tabelle zur Fehlerhäufigkeit

Fehlerart	Vorkommen	% aller Fotos	Durchschnittlicher Kalorienimpact
Verpasste Komponente in mehrkomponentiger Mahlzeit	10	25%	85 Kalorien
Portionsüberschätzung (>20% über dem tatsächlichen Wert)	7	17,5%	62 Kalorien
Portionsunterschätzung (>20% unter dem tatsächlichen Wert)	9	22,5%	58 Kalorien
Lebensmittelfehlidentifikation	4	10%	45 Kalorien
Inkonsistentes Ergebnis (gleiches Gericht, unterschiedliche Kalorien)	14	35%*	Durchschnittlicher Unterschied von 52 Kalorien
Verpasste flüssige Kalorien (Dressing, Sauce, Öl)	6	15%	72 Kalorien

*Gemessen über 20 Mahlzeitenpaare, nicht 40 einzelne Fotos.

Der häufigste Fehler war die Inkonsistenz — 14 von 20 Mahlzeiten ergaben unterschiedliche Kalorienzahlen, als sie zweimal fotografiert wurden. Der kalorienmäßig bedeutendste Fehler war das Verpassen von Komponenten, das im Durchschnitt 85 nicht protokollierte Kalorien pro Vorkommen ausmachte. Verpasste flüssige Kalorien (Dressings, Kochöle, Saucen) waren ebenfalls signifikant mit 72 Kalorien pro Verpassung.

Diese Fehler treten nicht isoliert auf. Ein einzelnes Mahlzeitenfoto kann mehrere Fehlerarten gleichzeitig auslösen — eine gemischte Schale könnte eine verpasste Komponente, eine unterschätzte Portion und ein inkonsistentes Ergebnis im Vergleich zum zweiten Foto aufweisen.

Das Rückfallproblem: Wenn die Foto-Protokollierung fehlschlägt

Wenn Snap It ein Lebensmittel nicht identifizieren kann oder der Benutzer erkennt, dass die Identifikation falsch ist, wechselt die App zur manuellen Suche. Hier entsteht ein weiteres Zuverlässigkeitsproblem. Lose It! verwendet eine Datenbank, die benutzergenerierte Einträge neben verifizierten Daten enthält, ähnlich strukturiert wie andere crowdsourcierte Datenbanken.

Ein Benutzer, der mit der Foto-Protokollierung begonnen hat, um Zeit zu sparen, muss nun manuell in einer Datenbank suchen, mehrere Einträge für dasselbe Lebensmittel bewerten und raten, welcher korrekt ist. Der Geschwindigkeitsvorteil der Foto-Protokollierung geht verloren, und der Benutzer steht vor denselben Genauigkeitsherausforderungen, die jede crowdsourcierte Lebensmitteldatenbank betreffen. Die Studie von 2019 im Journal of the Academy of Nutrition and Dietetics fand heraus, dass crowdsourcierte Ernährungsdatenbanken in etwa 27% der untersuchten Einträge erhebliche Fehler enthielten.

Dies schafft ein inkonsistentes Verfolgungserlebnis. Einige Mahlzeiten werden mit einem bestimmten Genauigkeitsgrad über Fotos protokolliert. Andere Mahlzeiten werden manuell mit einem anderen Genauigkeitsgrad protokolliert. Die tägliche Kalorienzahl des Benutzers wird zu einem Flickenteppich von Datenpunkten mit unterschiedlicher Zuverlässigkeit, was es schwierig macht, Trends zu erkennen oder den Zahlen zu vertrauen.

Wie Nutrolas Foto-AI die Zuverlässigkeit anders angeht

Nutrolas Foto-AI adressiert die drei Zuverlässigkeitsdimensionen — Identifikation, Portionsgenauigkeit und Konsistenz — durch einen anderen architektonischen Ansatz.

Die Lebensmittelidentifikation in Nutrola verknüpft jedes erkannte Lebensmittel direkt mit einer von Ernährungswissenschaftlern verifizierten Datenbank von über 1,8 Millionen Einträgen. Wenn die KI Hähnchen in Ihrem Foto identifiziert, wird es mit einem einzigen verifizierten Eintrag für Hähnchenbrust verknüpft, nicht mit einer Liste von benutzergenerierten Optionen mit unterschiedlichen Kalorienangaben. Dies beseitigt den kaskadierenden Fehler, bei dem eine korrekte Identifikation dennoch zu falschen Kalorien führt, weil ein fehlerhafter Datenbankeintrag vorliegt.

Für die Portionsgenauigkeit kombiniert Nutrola Fotoanalyse mit Sprachprotokollierung als schnelle Korrekturschicht. Wenn die KI Ihre Reisportion auf 150 Gramm schätzt, Sie aber wissen, dass Sie 200 Gramm abgewogen haben, können Sie sagen: "Das waren eigentlich etwa 200 Gramm", und der Eintrag wird sofort aktualisiert. Dieser menschliche Eingriff erkennt an, dass keine KI Portionsgrößen aus einem 2D-Foto perfekt schätzen kann, während sie einen Korrekturmechanismus bietet, der Sekunden dauert, anstatt eine vollständige manuelle Suche zu erfordern.

Der Konsistenzvorteil ergibt sich aus der verifizierten Datenbank selbst. Da jedes Lebensmittel auf einen Eintrag abgebildet wird, produzieren wiederholte Fotos, die dasselbe Lebensmittel identifizieren, immer denselben Basis-Kalorienwert. Portionsschätzungen können zwischen Fotos leicht variieren, aber die zugrunde liegenden Nährwertdaten sind stabil und verifiziert.

Nutrola bietet auch eine Barcode-Scanfunktion für verpackte Lebensmittel und eine Rezeptimportfunktion für selbstgekochte Mahlzeiten, um sicherzustellen, dass jede Protokollierungsmethode mit derselben verifizierten Datenbank verbunden ist. Verfügbar auf iOS und Android für 2,50 € pro Monat ohne Werbung, priorisiert Nutrola die Datenzuverlässigkeit über die Datenbankgröße.

Häufig gestellte Fragen

Wie genau ist Lose It! Snap It für alltägliche Mahlzeiten?

In unseren Tests identifizierte Snap It alle Lebensmittelkomponenten in nur 60% der Fotografien korrekt. Bei einzelnen Artikeln und verpackten Lebensmitteln war die Genauigkeit hoch — fast 95% korrekte Identifikation mit Portionsschätzungen innerhalb von 5-15% des tatsächlichen Gewichts. Bei mehrkomponentigen Mahlzeiten und gemischten Schalen fiel die Genauigkeit erheblich ab, wobei die App in 25% aller Fotos mindestens eine Lebensmittelkomponente verpasste und die Portionsschätzungen um 35-45% von den gemessenen Werten abwichen.

Gibt Snap It dasselbe Ergebnis, wenn ich dasselbe Gericht zweimal fotografiere?

Nein. In unserem Test von 20 Mahlzeiten, die jeweils zweimal fotografiert wurden, produzierten nur 30% konsistente Kalorienergebnisse über beide Fotos. Der durchschnittliche Kalorienunterschied zwischen doppelten Fotos betrug 52 Kalorien, wobei einige Mahlzeiten Unterschiede von 80-89 Kalorien aufwiesen. Diese Inkonsistenz bedeutet, dass die Kalorienanzahl, die Sie erhalten, teilweise von dem spezifischen Winkel, dem Licht und dem Moment abhängt, in dem Sie das Foto machen, und nicht nur von dem, was Sie essen.

Mit welchen Lebensmitteltypen funktioniert Snap It am besten?

Snap It ist am zuverlässigsten bei visuell unterscheidbaren, einzelnen Lebensmitteln (ganze Früchte, Eier, Scheiben Brot) und verpackten Lebensmitteln, bei denen das Etikett oder der Markenname im Foto sichtbar ist. Diese Kategorien zeigten Identifikationsraten von über 95% und Portionsschätzungen innerhalb von 5-15% der tatsächlichen Werte. Die Funktion ist am wenigsten zuverlässig bei gemischten Schalen, mehrkomponentigen Restauranttellern und visuell ähnlichen Getreiden wie Reis, Couscous und Quinoa.

Warum verpasst Snap It Zutaten in meiner Schale oder auf meinem Teller?

Wenn Lebensmittel geschichtet, gemischt oder teilweise unter anderen Zutaten verborgen sind, kann die KI die einzelnen Komponenten visuell nicht unterscheiden. In einer Burrito-Schale beispielsweise werden Bohnen unter Reis oder Käse, der in andere Beläge eingemischt ist, für eine Kamera, die nur die obere Fläche aufnimmt, unsichtbar. Jede verpasste Zutat repräsentiert unprotokollierte Kalorien — typischerweise 50 bis 150 Kalorien pro verpasster Komponente basierend auf unseren Tests.

Ist die foto-basierte Kalorienverfolgung genau genug für Gewichtsverlust?

Die foto-basierte Verfolgung kann ausreichend genau für grobe Kalorienbewusstsein sein, ist jedoch im Allgemeinen unzureichend für präzisen gewichtsreduzierenden Kaloriendefizit. Unsere Tests zeigten eine durchschnittliche Abweichung der Portionsgenauigkeit von 25,5% über alle Lebensmitteltypen, was zu täglichen Kalorienfehlern von 150 bis 400 Kalorien je nach Mahlzenkomplexität führt. Zum Kontext: Ein typisches Kaloriendefizit für Gewichtsverlust beträgt 500 Kalorien pro Tag, was bedeutet, dass allein die Fehler bei der Foto-Protokollierung 30-80% eines geplanten Defizits eliminieren könnten. Die Kombination von Foto-Protokollierung mit Portionsverifizierung — entweder durch Abwiegen von Lebensmitteln oder durch Sprachkorrekturen, wie sie Nutrola anbietet — verbessert die Genauigkeit erheblich.