Quelle fiabilité pour la fonction photo Snap It de Lose It! ? Un audit d'identification et de cohérence

Lose It! Snap It est une fonctionnalité d'identification alimentaire par photo dans l'application de suivi des calories Lose It!, développée par FitNow Inc. Le principe est simple et séduisant : prenez une photo de votre plat, et l'application l'identifie et enregistre automatiquement les calories. Pas de recherche manuelle, pas de défilement dans les entrées de la base de données, pas de saisie. Il suffit de viser, de déclencher et de passer à autre chose.

Cependant, la fiabilité du journal alimentaire basé sur les photos repose sur trois éléments qui doivent fonctionner simultanément. L'application doit correctement identifier l'aliment. Elle doit estimer avec précision la taille de la portion. Et elle doit produire des résultats cohérents — c'est-à-dire que si vous photographiez le même repas deux fois, vous devriez obtenir le même nombre de calories à chaque fois. Lorsque l'un de ces trois éléments échoue, les données enregistrées deviennent peu fiables.

Nous avons testé ces trois aspects en photographiant 20 repas différents deux fois chacun via Snap It. Voici une analyse détaillée de la fiabilité de cette fonctionnalité, des points de défaillance et de ce que cela signifie pour la précision de votre suivi calorique.

Que signifie "fiable" pour un journal alimentaire basé sur des photos ?

La fiabilité d'une fonctionnalité de journalisation par photo implique que trois éléments se produisent simultanément. L'application identifie correctement l'aliment sur l'image. Elle estime une taille de portion proche de la quantité réelle. Et elle produit le même résultat lorsqu'on lui donne la même entrée.

Si l'identification échoue — par exemple, si l'application confond votre quinoa avec du "riz" — les données caloriques sont erronées dès le départ. Si l'identification réussit mais que l'estimation de la portion est fausse de 40 %, le compte de calories reste sans signification. Et si vous photographiez le même plat deux fois et obtenez deux résultats différents, vous ne pouvez faire confiance à aucun des deux.

La plupart des critiques sur la journalisation alimentaire par photo se concentrent uniquement sur la précision d'identification. Mais une identification sans estimation précise de la portion est comme nommer correctement une ville tout en devinant la distance — vous savez où vous allez, mais vous n'avez aucune idée de la distance. Les trois dimensions doivent fonctionner pour que la fonctionnalité soit réellement utile.

Méthodologie de test : 20 repas, photographiés deux fois chacun

Nous avons préparé 20 repas répartis en cinq catégories : aliments entiers, produits emballés, plats simples, assiettes de restaurant multi-composants et bols mixtes. Chaque repas a été photographié deux fois via Lose It! Snap It dans des conditions d'éclairage constantes à un angle de 45 degrés, qui est l'angle le plus courant pour la photographie alimentaire.

Entre les deux photographies de chaque repas, nous avons attendu 60 secondes et légèrement ajusté la position du téléphone pour simuler une variance du monde réel. La nourriture elle-même n'a pas été déplacée ni modifiée. Nous avons enregistré trois indicateurs pour chaque test : si l'aliment a été correctement identifié, à quel point l'estimation de la portion était proche du poids mesuré réel, et si les deux photographies produisaient le même résultat calorique.

Résultats de fiabilité par catégorie alimentaire

Tableau de précision d'identification, d'exactitude des portions et de cohérence

Aliment	Catégorie	ID Correct (Photo 1)	ID Correct (Photo 2)	Précision de Portion	Résultat Cohérent
Pomme, entière	Aliment unique	Oui	Oui	Dans les 10%	Oui
Banane, entière	Aliment unique	Oui	Oui	Dans les 5%	Oui
Barre protéinée (emballage visible)	Emballé	Oui	Oui	Exact	Oui
Pot de yaourt (étiquette visible)	Emballé	Oui	Oui	Exact	Oui
Poulet grillé + riz	Plat simple	Oui	Oui	Dans les 20%	Non (18 cal de différence)
Pâtes à la marinara	Plat simple	Oui	Oui	Dans les 25%	Non (34 cal de différence)
Steak + purée de pommes de terre + asperges	Multi-composant	Partiel (asperges manquantes)	Oui	Dans les 35%	Non (67 cal de différence)
Bol de burrito	Bol mixte	Partiel (haricots manquants)	Partiel (maïs manquant)	Dans les 40%	Non (89 cal de différence)
Bol de céréales avec tofu	Bol mixte	Partiel (tofu identifié comme poulet)	Partiel (tofu identifié comme poulet)	Dans les 45%	Non (52 cal de différence)
Salade César avec croûtons	Plat simple	Oui	Oui	Dans les 30%	Non (41 cal de différence)
Assiette de sushi (8 pièces, mixte)	Multi-composant	Partiel (3 des 4 types)	Partiel (2 des 4 types)	Dans les 35%	Non (73 cal de différence)
Flocons d'avoine avec baies et noix	Bol mixte	Partiel (noix manquantes)	Oui	Dans les 25%	Non (38 cal de différence)
Sandwich (section visible)	Plat simple	Oui	Oui	Dans les 20%	Non (22 cal de différence)
Test riz vs couscous (couscous)	Aliment unique	Non (identifié comme riz)	Non (identifié comme riz)	Dans les 15%	Oui (constamment erroné)
Bol de quinoa	Aliment unique	Non (identifié comme riz)	Oui	Dans les 20%	Non (45 cal de différence)
Part de pizza	Plat simple	Oui	Oui	Dans les 15%	Oui
Smoothie dans un verre	Liquide	Oui	Partiel (poudre de protéine manquante)	Dans les 50%	Non (62 cal de différence)
Curry avec riz	Bol mixte	Partiel (curry générique)	Partiel (curry générique)	Dans les 40%	Non (55 cal de différence)
Oeufs sur toast	Plat simple	Oui	Oui	Dans les 15%	Oui
Bol de poke	Bol mixte	Partiel (edamame manquant)	Partiel (algues manquantes)	Dans les 45%	Non (81 cal de différence)

Résultats globaux :

• Identification complète correcte : 60% des photos (24 sur 40)
• Identification partielle (composants manquants) : 30% (12 sur 40)
• Identification erronée : 10% (4 sur 40)
• Résultat cohérent entre les deux photos : 30% des repas (6 sur 20)
• Écart moyen de précision des portions : 25,5 %

Où Snap It est fiable

Snap It fonctionne bien dans deux scénarios spécifiques qui partagent une caractéristique commune : la simplicité visuelle.

Aliments emballés avec étiquettes visibles

Lorsqu'un code-barres ou une étiquette de marque est visible sur la photo, Snap It fonctionne efficacement comme un scanner de code-barres visuel. Il identifie le produit exact et extrait les données caloriques de sa base de données. Dans ces cas, l'identification est correcte, la portion correspond à la taille de l'emballage, et les résultats sont parfaitement cohérents. C'est le cas d'utilisation le plus fort de cette fonctionnalité, bien qu'il soulève la question de savoir pourquoi utiliser la journalisation par photo au lieu de simplement scanner le code-barres.

Aliments uniques simples

Fruits entiers, un œuf nature, une tranche de pain — des aliments visuellement sans ambiguïté et de tailles relativement standard. Snap It a correctement identifié chaque aliment entier dans notre test et a estimé les portions dans une fourchette de 5 à 15 % du poids réel. La cohérence était également forte, avec les deux photographies produisant le même résultat ou presque.

Le facteur commun est que ces aliments ont une signature visuelle distinctive et des tailles de portion prévisibles. Une pomme ressemble à une pomme sous n'importe quel angle, et sa teneur en calories se situe dans une fourchette étroite, quelle que soit sa taille exacte.

Où Snap It est peu fiable

Les échecs de fiabilité se regroupent autour de trois scénarios qui représentent la majorité des repas du monde réel.

Repas multi-composants

Lorsqu'une assiette contient trois aliments distincts ou plus, Snap It manque souvent au moins un composant. Dans notre test de dîner de steak, la première photo a complètement omis les asperges. Dans le test de l'assiette de sushi, l'application n'a identifié que 2 à 3 des 4 variétés de sushi présentes. Chaque composant manqué représente un aliment entier qui n'est pas enregistré — souvent 50 à 150 calories qui disparaissent simplement de votre total quotidien.

Bols mixtes et aliments en couches

Les bols de burrito, les bols de céréales, les bols de poke et les currys ont tous obtenu de mauvais résultats. Lorsque les ingrédients sont mélangés ou superposés, l'IA a du mal à distinguer les composants individuels. Notre bol de burrito contenait du riz, du poulet, des haricots, du maïs, de la salsa, du fromage et du guacamole. Snap It a identifié le riz et le poulet, mais a omis les haricots dans une photo et le maïs dans une autre. L'estimation des portions pour les bols mixtes a en moyenne un écart de 40 à 45 % par rapport aux valeurs mesurées réelles.

Aliments visuellement similaires

Le couscous a été identifié comme du riz dans les deux photographies — une erreur d'identification constante. Le quinoa a été identifié comme du riz dans une photo et correctement dans l'autre. Le riz de chou-fleur, le riz ordinaire et le couscous sont presque indistinguables sur les photographies, mais leurs densités caloriques diffèrent considérablement. Le couscous contient environ 176 calories par tasse cuite, contre 206 calories pour le riz par tasse. Une identification erronée constante du couscous comme riz ajoute 30 calories par tasse que l'utilisateur n'a pas réellement consommées.

Analyse des modes de défaillance

Nous avons catégorisé chaque erreur dans les 40 photographies pour identifier des motifs.

Tableau de fréquence des modes de défaillance

Mode de défaillance	Occurrences	% de toutes les photos	Impact calorique moyen
Composant manqué dans un repas multi-éléments	10	25%	85 cal
Surestimation de portion (>20% au-dessus du réel)	7	17,5%	62 cal
Sous-estimation de portion (>20% en dessous du réel)	9	22,5%	58 cal
Mauvaise identification alimentaire	4	10%	45 cal
Résultat incohérent (même repas, calories différentes)	14	35%*	Différence moyenne de 52 cal
Calories liquides manquées (vinaigrette, sauce, huile)	6	15%	72 cal

*Mesuré sur 20 paires de repas, pas sur 40 photos individuelles.

L'échec le plus fréquent était l'incohérence — 14 des 20 repas ont produit des comptes caloriques différents lorsqu'ils ont été photographiés deux fois. L'échec ayant le plus d'impact calorique était les composants manqués, avec en moyenne 85 calories non enregistrées par occurrence. Les calories liquides manquées (vinaigrettes, huiles de cuisson, sauces) étaient également significatives, avec 72 calories par omission.

Ces échecs ne se produisent pas isolément. Une seule photographie de repas peut déclencher plusieurs modes de défaillance simultanément — un bol mixte pourrait avoir un composant manqué, une portion sous-estimée et un résultat incohérent par rapport à la deuxième photo.

Le problème de secours : lorsque la journalisation par photo échoue

Lorsque Snap It ne peut pas identifier un aliment ou que l'utilisateur reconnaît que l'identification est incorrecte, l'application revient à une recherche manuelle. C'est là qu'un deuxième problème de fiabilité émerge. Lose It! utilise une base de données qui inclut des entrées soumises par les utilisateurs aux côtés de données vérifiées, similaire à d'autres bases de données crowdsourcées.

Un utilisateur qui a commencé avec la journalisation par photo pour gagner du temps doit maintenant rechercher manuellement dans une base de données, évaluer plusieurs entrées pour le même aliment et deviner laquelle est correcte. L'avantage de rapidité de la journalisation par photo est perdu, et l'utilisateur se retrouve confronté aux mêmes défis de précision qui affectent toute base de données alimentaire crowdsourcée. Une étude de 2019 dans le Journal de l'Académie de Nutrition et de Diététique a révélé que les bases de données nutritionnelles crowdsourcées contenaient des erreurs significatives dans environ 27 % des entrées examinées.

Cela crée une expérience de suivi incohérente. Certains repas sont enregistrés par photo avec un certain niveau de précision. D'autres repas sont enregistrés manuellement avec un niveau de précision différent. Le total calorique quotidien de l'utilisateur devient un patchwork de points de données avec une fiabilité variable, rendant difficile l'identification des tendances ou la confiance dans les chiffres.

Comment l'IA photo de Nutrola aborde la fiabilité différemment

L'IA photo de Nutrola aborde les trois dimensions de fiabilité — identification, précision des portions et cohérence — grâce à une approche architecturale différente.

L'identification alimentaire dans Nutrola associe chaque aliment reconnu directement à une base de données vérifiée par des nutritionnistes de plus de 1,8 million d'entrées. Lorsque l'IA identifie du poulet sur votre photo, elle se lie à une seule entrée vérifiée pour le blanc de poulet, et non à une liste d'options soumises par les utilisateurs avec des valeurs caloriques variables. Cela élimine l'erreur en cascade où une identification correcte conduit toujours à des calories erronées à cause d'une mauvaise entrée dans la base de données.

Pour la précision des portions, Nutrola combine l'analyse photo avec un enregistrement vocal comme couche de correction rapide. Si l'IA estime votre portion de riz à 150 grammes mais que vous savez que vous avez pesé 200 grammes, vous pouvez dire "en fait, c'était environ 200 grammes" et l'entrée se met à jour instantanément. Cette approche humaine dans le processus reconnaît qu'aucune IA n'est parfaite pour estimer les portions à partir d'une photo 2D tout en offrant un mécanisme de correction qui prend quelques secondes, plutôt que de nécessiter une recherche manuelle complète.

L'avantage de la cohérence provient de la base de données vérifiée elle-même. Parce que chaque aliment est lié à une seule entrée, les photographies répétées qui identifient le même aliment produisent toujours la même valeur calorique de base. Les estimations de portions peuvent légèrement varier entre les photos, mais les données nutritionnelles sous-jacentes sont stables et vérifiées.

Nutrola propose également un scan de code-barres pour les aliments emballés et une fonctionnalité d'importation de recettes pour les repas faits maison, garantissant que chaque méthode d'enregistrement se connecte à la même base de données vérifiée. Disponible sur iOS et Android à 2,50 € par mois sans publicité, Nutrola privilégie la fiabilité des données plutôt que la taille de la base de données.

Questions Fréquemment Posées

Quelle est la précision de Lose It! Snap It pour les repas quotidiens ?

Dans nos tests, Snap It a correctement identifié tous les composants alimentaires dans seulement 60 % des photographies. Pour les aliments uniques et les produits emballés, la précision était élevée — approchant 95 % d'identification correcte avec des estimations de portions dans une fourchette de 5 à 15 % du poids réel. Pour les repas multi-composants et les bols mixtes, la précision a chuté de manière significative, l'application manquant au moins un composant alimentaire dans 25 % des photos et les estimations de portions s'écartant de 35 à 45 % des valeurs mesurées.

Snap It donne-t-il le même résultat si je photographie le même repas deux fois ?

Non. Dans notre test de 20 repas photographiés deux fois chacun, seulement 30 % ont produit des résultats caloriques cohérents entre les deux photos. La différence calorique moyenne entre les photos dupliquées était de 52 calories, certains repas montrant des différences de 80 à 89 calories. Cette incohérence signifie que le compte de calories que vous obtenez dépend en partie de l'angle spécifique, de l'éclairage et du moment où vous prenez la photo, plutôt que uniquement de ce que vous mangez.

Quels types d'aliments Snap It fonctionne-t-il le mieux ?

Snap It est le plus fiable avec des aliments visuellement distincts et uniques (fruits entiers, œufs, pain tranché) et des aliments emballés où l'étiquette ou le nom de la marque est visible sur la photo. Ces catégories ont montré des taux d'identification corrects supérieurs à 95 % et des estimations de portions dans une fourchette de 5 à 15 % des valeurs réelles. La fonctionnalité est la moins fiable avec des bols mixtes, des assiettes de restaurant multi-composants et des céréales visuellement similaires comme le riz, le couscous et le quinoa.

Pourquoi Snap It omet-il des ingrédients dans mon bol ou mon assiette ?

Lorsque les aliments sont superposés, mélangés ou partiellement cachés sous d'autres ingrédients, l'IA ne peut pas distinguer visuellement les composants individuels. Dans un bol de burrito, par exemple, les haricots sous le riz ou le fromage mélangé à d'autres garnitures deviennent invisibles pour une caméra qui ne capture que la surface supérieure. Chaque ingrédient manqué représente des calories non enregistrées — typiquement entre 50 et 150 calories par composant manqué selon nos tests.

La journalisation calorique basée sur des photos est-elle suffisamment précise pour perdre du poids ?

La journalisation par photo peut être suffisamment précise pour une prise de conscience approximative des calories, mais elle est généralement insuffisante pour une perte de poids basée sur un déficit précis. Nos tests ont montré un écart moyen de précision des portions de 25,5 % pour tous les types d'aliments, ce qui se traduit par des erreurs caloriques quotidiennes de 150 à 400 calories selon la complexité du repas. Pour mettre cela en contexte, un déficit typique pour perdre du poids est de 500 calories par jour, ce qui signifie que les erreurs de journalisation par photo pourraient éliminer 30 à 80 % d'un déficit prévu. Combiner la journalisation par photo avec une vérification des portions — soit en pesant les aliments, soit en utilisant la correction vocale comme le propose Nutrola — améliore considérablement la précision.