Nous avons analysé 10 millions de photos d'aliments : les 20 aliments les plus mal identifiés par l'IA

Les données derrière la reconnaissance alimentaire par IA

La reconnaissance alimentaire par IA a transformé le suivi nutritionnel. Au lieu de chercher dans des bases de données et d'estimer les tailles de portions, vous prenez une photo et laissez la vision par ordinateur faire le travail. La fonctionnalité Snap & Track de Nutrola traite des millions d'images d'aliments chaque mois, et dans plus de 50 pays, les utilisateurs s'en servent comme méthode principale de suivi.

Mais la reconnaissance alimentaire par IA n'est pas parfaite. Certains aliments trompent systématiquement même les modèles de vision par ordinateur les plus avancés. Pour comprendre où la technologie excelle et où elle rencontre des difficultés, nous avons analysé 10 millions de photos d'aliments traitées par le système Snap & Track de Nutrola entre janvier 2025 et janvier 2026. Nous avons comparé les identifications de l'IA aux corrections des utilisateurs, aux vérifications manuelles et aux évaluations de nutritionnistes pour calculer les taux de précision par aliment et identifier les schémas systématiques d'erreurs d'identification.

Voici ce que nous avons découvert.

Méthodologie

Notre analyse a porté sur 10 247 831 photos d'aliments soumises par les utilisateurs de Nutrola dans 53 pays. Pour chaque photo, nous avons suivi :

• Identification initiale par l'IA : Le ou les aliments identifiés par l'IA avec son score de confiance top-1
• Taux de correction par l'utilisateur : La fréquence à laquelle l'utilisateur a modifié l'identification de l'IA pour un autre aliment
• Vérification par des nutritionnistes : Un échantillon aléatoire de 50 000 images a été examiné par des nutritionnistes qualifiés pour établir une précision de référence indépendante des corrections des utilisateurs
• Précision top-1 : Si l'identification la plus fiable de l'IA était correcte
• Précision top-3 : Si l'aliment correct figurait parmi les trois prédictions les plus fiables de l'IA

Dans l'ensemble, le système Snap & Track de Nutrola a atteint une précision top-1 de 87,3 % et une précision top-3 de 94,1 % sur l'ensemble des catégories alimentaires. Ces chiffres sont cohérents avec les benchmarks publiés pour les modèles de reconnaissance alimentaire de pointe, qui rapportent généralement une précision top-1 de 80 à 90 % sur des jeux de données standards comme Food-101 et ISIA Food-500.

Cependant, la précision varie considérablement selon le type d'aliment. Certaines catégories dépassent 95 % de précision top-1, tandis que d'autres descendent en dessous de 60 %.

Les 20 aliments les plus mal identifiés

Classement complet

Rang	Aliment	Précision top-1	Précision top-3	Confusion la plus fréquente	Erreur calorique en cas de mauvaise identification
1	Couscous	52,1 %	71,4 %	Quinoa, boulgour, riz	+/- 15-40 kcal par portion
2	Yaourt grec (nature)	55,8 %	78,2 %	Crème fraîche, labneh, yaourt classique	+/- 30-80 kcal par portion
3	Riz de chou-fleur	57,3 %	74,6 %	Riz blanc, couscous	+110-150 kcal par portion
4	Soupe miso	58,9 %	76,1 %	Autres soupes à base de bouillon, dashi	+/- 20-60 kcal par portion
5	Variétés de pains plats	59,4 %	73,8 %	Naan vs roti vs pita vs tortilla	+/- 50-150 kcal par pièce
6	Açai bowl	61,2 %	79,5 %	Smoothie bowl, bol de fruits rouges	+/- 100-200 kcal par bol
7	Bacon de dinde	62,0 %	80,1 %	Bacon de porc	+40-70 kcal par portion
8	Tempeh	63,4 %	77,9 %	Tofu (ferme), seitan	+/- 30-80 kcal par portion
9	Nouilles de courgette	64,1 %	81,3 %	Pâtes classiques, vermicelles de verre	+150-200 kcal par portion
10	Baba ghanoush	64,8 %	79,7 %	Houmous	+30-60 kcal par portion
11	Filet de poisson blanc	65,2 %	82,4 %	Blanc de poulet, autres espèces de poisson blanc	+/- 20-50 kcal par portion
12	Pancakes protéinés	66,1 %	83,0 %	Pancakes classiques	+80-150 kcal par portion
13	Lait d'avoine	67,3 %	84,2 %	Lait classique, lait d'amande, lait de soja	+/- 30-80 kcal par tasse
14	Légumes-feuilles foncés (cuits)	67,9 %	85,1 %	Épinards vs chou kale vs chou cavalier vs bette à carde	+/- 5-15 kcal par portion
15	Desserts sans sucre	68,4 %	80,6 %	Versions classiques du même dessert	+100-250 kcal par portion
16	Bols de céréales	69,1 %	83,7 %	Mauvaise identification du type de céréale de base	+/- 40-100 kcal par portion
17	Viande végétale	69,8 %	84,9 %	Équivalent en viande classique	+/- 30-80 kcal par portion
18	Raviolis et dumplings	70,2 %	85,6 %	Wonton vs gyoza vs pierogi vs momo	+/- 20-60 kcal par pièce
19	Plats de curry variés	70,5 %	82,3 %	Confusion entre les types et bases de curry	+/- 50-150 kcal par portion
20	Overnight oats	71,0 %	86,2 %	Porridge classique, pudding de chia	+/- 50-120 kcal par portion

Pourquoi ces aliments trompent l'IA : cinq schémas

Schéma 1 : Jumeaux visuels aux profils caloriques différents

La source la plus courante d'erreur d'identification concerne les aliments qui se ressemblent presque à l'identique mais présentent des profils nutritionnels significativement différents. Le couscous et le quinoa, notre aliment le plus mal identifié, sont visuellement quasi impossibles à distinguer sur une photo, surtout lorsqu'ils sont mélangés avec des légumes ou de la sauce. Pourtant, le quinoa contient environ 20 % de calories en plus et nettement plus de protéines par portion que le couscous.

De même, le riz de chou-fleur et le riz blanc partagent des caractéristiques visuelles quasi identiques sur les photos, mais la différence calorique est énorme : environ 25 kcal par tasse pour le riz de chou-fleur contre plus de 200 kcal pour le riz blanc. Lorsque l'IA identifie à tort le riz de chou-fleur comme du riz blanc, le suivi calorique peut être gonflé de 150 calories ou plus pour un simple accompagnement.

Le yaourt grec, la crème fraîche et le labneh forment un autre groupe de jumeaux visuels. Tous trois sont blancs, crémeux et généralement servis dans des bols. Le yaourt grec entier contient environ 130 kcal par tasse, tandis que la crème fraîche en contient environ 445 kcal par tasse. Une erreur d'identification ici peut considérablement fausser le calcul de l'apport quotidien d'un utilisateur.

Schéma 2 : Variations régionales d'aliments similaires

Les pains plats se classent au cinquième rang de notre liste car cette catégorie englobe des dizaines d'aliments visuellement similaires mais nutritionnellement distincts à travers les cultures. Une tortilla standard en farine de blé (environ 120 kcal) ressemble à un naan (environ 260 kcal) sur les photos, surtout lorsqu'il est partiellement plié ou roulé. Le roti (environ 100 kcal) et le paratha (environ 260 kcal, en raison du feuilletage au beurre/huile) peuvent être indiscernables, alors que l'un contient plus du double de calories.

Les raviolis et dumplings (classés 18e) présentent le même défi. Les gyoza japonais, les jiaozi chinois, les pierogi polonais, les momo népalais et les khinkali géorgiens partagent un format similaire (enveloppe de pâte avec farce) mais diffèrent considérablement en taille, épaisseur de la pâte, composition de la farce et méthode de préparation (vapeur, friture ou eau bouillante).

L'avantage de Nutrola ici réside dans sa couverture de plus de 50 pays. Le modèle d'IA est entraîné sur des images alimentaires de toutes les grandes traditions culinaires, ce qui lui confère un vocabulaire visuel plus large que les modèles entraînés principalement sur la photographie alimentaire occidentale. Néanmoins, les distinctions au sein d'une même catégorie restent un défi.

Schéma 3 : Aliments de substitution qui imitent les originaux

L'essor des substituts alimentaires a créé une nouvelle catégorie de défis de reconnaissance. Le bacon de dinde imite le bacon de porc. Les burgers végétaux imitent les burgers de boeuf. Les nouilles de courgette imitent les pâtes. Les pancakes protéinés imitent les pancakes classiques. Les desserts sans sucre imitent leurs équivalents sucrés.

Ces substituts sont intentionnellement conçus pour ressembler aux aliments qu'ils remplacent. C'est précisément l'objectif du point de vue de la satisfaction du consommateur, mais cela crée un problème fondamental pour les systèmes de reconnaissance visuelle. Les implications caloriques peuvent être substantielles : les pancakes classiques contiennent en moyenne 175 kcal chacun, tandis que les pancakes protéinés en contiennent généralement 90 à 110 kcal. Les nouilles de courgette contiennent environ 20 kcal par tasse contre 220 kcal pour des spaghettis cuits.

Dans notre jeu de données, les aliments de substitution avaient une précision top-1 moyenne de 66,7 %, contre 89,2 % pour leurs équivalents non substitués. C'est un domaine où les signaux contextuels (préférences alimentaires de l'utilisateur, habitudes de suivi passées) peuvent aider, et l'IA de Nutrola intègre ces signaux pour améliorer ses prédictions.

Schéma 4 : Aliments liquides et semi-liquides

Les soupes, les smoothie bowls et les boissons sont systématiquement plus difficiles à identifier par l'IA que les aliments solides. La soupe miso (classée 4e) est un liquide clair avec des morceaux visibles de tofu et d'algues qui peut être confondu avec d'autres bouillons asiatiques. Les açai bowls (classés 6e) partagent des caractéristiques visuelles avec d'autres bols de smoothie aux fruits rouges mais varient considérablement en contenu calorique selon le mélange de base et les garnitures.

Le défi avec les aliments liquides est que les informations nutritionnelles essentielles sont littéralement invisibles. Deux tasses de liquide qui semblent identiques sur une photo peuvent contenir de 10 kcal (café noir) à 400 kcal (un smoothie riche en calories). Nutrola répond à ce problème en posant des questions complémentaires lorsque des aliments liquides sont détectés : « Est-ce une version classique ou allégée ? » « Quelle est la marque ? »

Schéma 5 : Plats composés aux ingrédients cachés

Les plats de curry (classés 19e) et les bols de céréales (classés 16e) représentent un défi plus large : les plats à plusieurs composants où des ingrédients nutritionnellement significatifs sont cachés à la vue. Un curry vert thaïlandais peut être préparé avec du lait de coco (ajoutant plus de 200 kcal par portion) ou un bouillon plus léger. Le contenu calorique d'un bol de céréales dépend fortement du fait que la base soit du quinoa, du riz blanc, du riz complet ou de l'épeautre, qui peut être recouvert par les garnitures.

Les plats composés représentent environ 35 % de tous les repas enregistrés par les utilisateurs de Nutrola mais constituent 52 % des erreurs significatives d'estimation calorique (définies comme des erreurs dépassant 15 % du contenu calorique réel du plat).

Comment Nutrola a amélioré la précision

Entraînement itératif du modèle

Chaque correction d'utilisateur dans Nutrola alimente le pipeline d'entraînement du modèle d'IA. Lorsqu'un utilisateur change « quinoa » en « couscous », cette correction, accompagnée de l'image originale, est ajoutée au jeu de données d'entraînement. Sur la période de 12 mois de notre analyse, ce processus d'apprentissage continu a amélioré la précision top-1 globale de 82,6 % à 87,3 %, soit un gain de 4,7 points de pourcentage.

Trimestre	Précision top-1	Précision top-3	Erreur calorique moyenne
T1 2025	82,6 %	90,3 %	47 kcal
T2 2025	84,1 %	91,8 %	41 kcal
T3 2025	85,9 %	93,2 %	36 kcal
T4 2025	86,8 %	93,9 %	33 kcal
T1 2026 (partiel)	87,3 %	94,1 %	31 kcal

Signaux contextuels

L'IA de Nutrola n'identifie pas les aliments de manière isolée. Elle intègre des signaux contextuels pour améliorer la précision :

• Profil alimentaire de l'utilisateur : Si un utilisateur a indiqué qu'il suit un régime végétal, le modèle augmente les scores de confiance pour les alternatives végétales (tofu plutôt que poulet, lait d'avoine plutôt que lait de vache, burger végétal plutôt que boeuf).
• Horaire du repas : Les images du petit-déjeuner sont plus susceptibles de contenir des aliments de petit-déjeuner. Cela semble évident, mais cela améliore significativement la précision pour les aliments ambigus comme les overnight oats par rapport au pudding de chia.
• Localisation géographique : Une photo prise à Tokyo a plus de chances d'être de la soupe miso que du minestrone. Nutrola est utilisé dans plus de 50 pays et utilise les données de localisation générale (avec l'autorisation de l'utilisateur) pour ajuster les probabilités d'identification des aliments.
• Habitudes de suivi passées : Si un utilisateur enregistre régulièrement du riz de chou-fleur, le modèle apprend que cet utilisateur est plus susceptible de manger du riz de chou-fleur que du riz blanc lorsque l'entrée visuelle est ambiguë.

Reconnaissance multi-images

En 2025, Nutrola a introduit la possibilité de prendre plusieurs photos du même repas sous différents angles. Pour les plats complexes et les aliments ambigus, un second angle peut lever l'incertitude d'identification. Lors des tests, la reconnaissance multi-angle a amélioré la précision top-1 pour les 20 aliments les plus mal identifiés de 8,2 points de pourcentage.

Seuils de confiance et sollicitations utilisateur

Lorsque le score de confiance de l'IA descend en dessous de 75 %, Nutrola présente à l'utilisateur les trois meilleurs candidats au lieu d'enregistrer automatiquement le résultat le plus probable. Les utilisateurs peuvent appuyer sur la bonne identification ou saisir le nom de l'aliment. Cette approche transparente permet de détecter et de corriger les identifications peu fiables avant qu'elles n'affectent la précision du suivi calorique.

L'impact calorique des erreurs d'identification

Toutes les erreurs d'identification ne se valent pas. Confondre le chou kale avec les épinards (classé 14e) a un impact calorique de 5 à 15 kcal par portion, ce qui est nutritionnellement insignifiant. Confondre le riz de chou-fleur avec le riz blanc (classé 3e) ou les nouilles de courgette avec les pâtes (classé 9e) peut introduire des erreurs de 150 à 200 kcal, suffisantes pour affecter significativement un budget calorique quotidien.

Nous avons calculé l'impact calorique pondéré des erreurs d'identification dans notre jeu de données :

Plage d'erreur calorique	% de toutes les erreurs d'identification	Impact pratique
Moins de 25 kcal	38,2 %	Négligeable
25-75 kcal	29,6 %	Mineur
75-150 kcal	19,7 %	Modéré, notable sur la durée
150-250 kcal	9,1 %	Significatif, peut affecter les objectifs quotidiens
Plus de 250 kcal	3,4 %	Majeur, équivalent à un petit repas

L'erreur calorique médiane sur l'ensemble des erreurs d'identification était de 42 kcal, ce qui se situe dans la marge d'erreur pour la plupart des usages de suivi nutritionnel. Cependant, la queue de la distribution (les 12,5 % d'erreurs d'identification qui introduisent des erreurs de plus de 150 kcal) est le domaine où la reconnaissance alimentaire par IA a le plus de marge de progression.

Ce que les utilisateurs peuvent faire pour améliorer la précision de l'IA

1. Prenez des photos claires et bien éclairées. L'IA fonctionne mieux avec un bon éclairage et une vue claire du plat par le dessus. Les photos prises dans des restaurants sombres et les angles extrêmes réduisent la précision de 6 points de pourcentage en moyenne.

2. Séparez les composants lorsque c'est possible. Si votre repas comporte des éléments distincts (protéine, céréale, légumes), les disposer avec une séparation visible aide l'IA à identifier chaque élément individuellement plutôt que de traiter l'assiette comme un plat unique composé.

3. Utilisez la fonction de correction. Chaque correction que vous effectuez améliore l'IA pour vous et pour l'ensemble de la communauté Nutrola. Les utilisateurs qui corrigent les erreurs d'identification au cours des deux premières semaines d'utilisation constatent des taux de précision à long terme supérieurs de 11 % car le modèle apprend leurs habitudes alimentaires spécifiques.

4. Précisez les substituts. Si vous consommez régulièrement des aliments de substitution (riz de chou-fleur, viande végétale, options sans sucre), indiquez-le dans vos préférences alimentaires Nutrola. L'IA accordera un poids plus important à ces alternatives dans ses prédictions.

5. Essayez les photos multi-angles. Pour les plats complexes, une seconde photo sous un angle différent peut lever l'ambiguïté. C'est particulièrement utile pour les bols, les soupes et les plats composés où les ingrédients clés peuvent être cachés sous les garnitures.

Perspectives d'avenir

La précision de la reconnaissance alimentaire par IA s'est considérablement améliorée au cours des trois dernières années, et la trajectoire ne montre aucun signe de ralentissement. Le modèle Snap & Track de Nutrola traite plus de photos d'aliments par mois que la plupart des jeux de données académiques publiés n'en contiennent au total, et chaque interaction rend le système plus intelligent.

Notre objectif pour la fin de 2026 est une précision top-1 de 90 % sur l'ensemble des catégories alimentaires et de 75 % pour les 20 aliments actuellement les plus mal identifiés. Grâce aux améliorations continues du modèle, à l'expansion des données d'entraînement issues de notre base d'utilisateurs croissante dans plus de 50 pays, et à des fonctionnalités comme la reconnaissance multi-angle et les signaux contextuels, nous pensons que ces objectifs sont atteignables.

L'objectif n'est pas de remplacer entièrement le jugement humain. Il est de rendre le suivi alimentaire si rapide et si précis que la contrainte du suivi nutritionnel disparaisse effectivement. Nous n'en sommes pas encore là, mais 10 millions de photos plus tard, nous sommes mesurément plus proches qu'il y a un an.