מה זה Snap & Track? מדריך מקיף למעקב קלוריות מבוסס תמונה

חיפוש ידני במאגר עבור כל מרכיב בארוחת הצהריים שלך, הערכת גודל המנות והזנת כל פריט אחד אחד היה שיטת המעקב אחרי קלוריות במשך יותר מעשור. זה עובד, אבל זה איטי, משעמם, ואחת הסיבות העיקריות לכך שאנשים מפסיקים לרשום את מה שהם אוכלים בתוך שבועיים.

מעקב קלוריות מבוסס תמונה מציע גישה שונה לחלוטין. במקום להקליד ולחפש, אתה פשוט מצלם תמונה אחת של הארוחה שלך, והבינה המלאכותית מטפלת בשאר: מזהה את המזון בצלחת שלך, מעריכה את גודל המנות ומחזירה פירוט תזונתי מלא בתוך שניות.

היישום של Nutrola לטכנולוגיה הזו נקרא Snap & Track. מדריך זה מסביר בדיוק מהו מעקב קלוריות מבוסס תמונה, כיצד הטכנולוגיה הבסיסית פועלת, מה היא עושה היטב, היכן היא עדיין נתקלת באתגרים, וכיצד היא משווה לשיטות רישום אחרות.

מהו מעקב קלוריות מבוסס תמונה?

מעקב קלוריות מבוסס תמונה הוא שיטה לרישום מזון שמשתמשת במצלמת סמארטפון ובבינה מלאכותית כדי להעריך את התוכן התזונתי של ארוחה מתמונה אחת. במקום לדרוש מהמשתמש לחפש ידנית במאגר מזון, המערכת מנתחת את התמונה כדי לזהות פריטי מזון בודדים, להעריך את הכמויות שלהם ולהשיג נתונים תזונתיים מתאימים.

ההבטחה המרכזית היא מהירות ופשטות. תהליך שלרוב לוקח 60 עד 120 שניות לכל ארוחה עם הזנה ידנית יכול להתקצר לפחות מ-10 שניות עם מערכת מבוססת תמונה. עבור משתמשים שאוכלים שלוש עד חמש פעמים ביום, החיסכון בזמן הזה מצטבר לחוויה שונה באופן משמעותי, מה שהופך את המעקב לטווח ארוך לברי קיימא.

היסטוריה קצרה

הרעיון של צילום מזון לניתוח תזונתי מתוארך למחקר אקדמי בשנים המוקדמות של 2010, כאשר מודלים של ראיית מחשב הראו לראשונה יכולת לסווג תמונות מזון עם דיוק סביר. המערכות המוקדמות דרשו תאורה מבוקרת, זוויות ספציפיות, וחפצים ייחודיים (כגון מטבע המונח ליד הצלחת לצורך קנה מידה). הדיוק היה מוגבל, והטכנולוגיה נותרה confined למעבדות מחקר.

ה breakthrough הגיע עם ההתבגרות של למידת עומק, במיוחד רשתות עצביות קונבולוציוניות (CNNs), בין 2017 ל-2022. כאשר המודלים הללו אומנו על מערכי נתונים גדולים יותר ויותר של תמונות מזון, הדיוק בסיווג השתפר מ-50% ליותר מ-90% עבור מזונות נפוצים. עד 2024, אפליקציות לצרכנים החלו להציע מעקב מבוסס תמונה כמאפיין מרכזי ולא כתוספת ניסיונית.

כיצד Snap & Track פועל: שלב אחר שלב

הבנת הצינור המלא מתמונה לנתוני תזונה עוזרת לקבוע ציפיות ריאליות לגבי מה שהטכנולוגיה יכולה ולא יכולה לעשות.

שלב 1: צילום התמונה

המשתמש פותח את האפליקציה של Nutrola ומצלם תמונה של הארוחה שלו באמצעות ממשק המצלמה המובנה. המערכת פועלת בצורה הטובה ביותר עם צילום מלמעלה או בזווית של 45 מעלות שמראה בבירור את כל הפריטים על הצלחת. תאורה טובה ומעט הפרעות (כגון ידיים, כלי אוכל שמכסים את המזון או צללים קיצוניים) משפרים את התוצאות.

התמונה נלכדת ברזולוציה סטנדרטית של סמארטפון. אין צורך בציוד מיוחד, חפצים ייחודיים או צעדי כיול.

שלב 2: זיהוי המזון

לאחר שהצילום נעשה, סדרה של מודלים של בינה מלאכותית מנתחת את התמונה ברצף.

זיהוי אובייקטים מזהה תחומים שונים של מזון בתמונה. אם הצלחת מכילה עוף צלוי, אורז וסלט צד, המודל מצייר תיבות סביב כל פריט מזון נפרד. זו בעיית סיווג רב-תיוג, כלומר המערכת צריכה לזהות שהתמונה מכילה מספר מזונות נפרדים ולא להתייחס לכל הצלחת כפריט אחד.

סיווג המזון מעניק תווית לכל אזור מזון שנמצא. המודל שואב מתוך טקסונומיה של אלפי פריטי מזון, תואם תכונות ויזואליות כמו צבע, מרקם, צורה והקשר לקטגוריות מזון ידועות. המערכת גם מתחשבת בדפוסי התרחשות משותפת. לדוגמה, אם היא מזהה מה שנראה כמו טורטיה לצד שעועית, אורז וסלסה, היא עשויה להסיק שמדובר בקערת בוריטו במקום לסווג כל רכיב בנפרד.

שלב 3: הערכת גודל המנה

זיהוי מהו המזון הנוכחי הוא רק חצי מהבעיה. המערכת צריכה גם להעריך כמה מכל מזון יש על הצלחת. זה מתבצע באמצעות שילוב של טכניקות:

• קנה מידה יחסי. המודל משתמש בצלחת, קערה או מיכל כחפץ ייחודי עם גודל סטנדרטי כדי להעריך את נפח פריטי המזון ביחס אליו.
• הערכת עומק. מודלים מתקדמים מסיקים מבנה תלת-ממדי מתמונה דו-ממדית, מעריכים את הגובה או העובי של פריטי מזון כמו סטייק או ערימת אורז.
• הנחות על גודל המנות. המודל אומן על מאות אלפי תמונות עם משקלים ידועים של מנות, מה שמאפשר לו להחיל הנחות סטטיסטיות. לדוגמה, חזה עוף אחד בהקשר של ארוחה ביתית בדרך כלל נמצא בטווח של 120 עד 200 גרם.

שלב 4: השגת נתוני תזונה

עם זיהוי פריטי המזון והערכות המנות, המערכת מקשרת כל פריט לכניסתו המתאימה במאגר תזונה מאושר. Nutrola משתמשת במאגר נתונים שנבחר בקפידה ולא במאגר נתונים המנוהל על ידי הציבור, מה שמפחית את הסיכון לכניסות שגויות או כפולות.

המערכת מחזירה פירוט תזונתי מלא עבור כל פריט מזון שנמצא ולארוחה כולה:

רכיב תזונתי	לכל פריט	לכל הארוחה
קלוריות (קק"ל)	מסופק	מסוכם
חלבון (גרם)	מסופק	מסוכם
פחמימות (גרם)	מסופק	מסוכם
שומן (גרם)	מסופק	מסוכם
סיבים (גרם)	מסופק	מסוכם
מיקרו-נוטריינטים מרכזיים	מסופק	מסוכם

שלב 5: סקירה ואישור המשתמש

המשתמש מוצג עם התוצאות ויכול לסקור, להתאים או לתקן כל פריט לפני אישור רישום הכניסה. שלב זה שבו מעורב אדם הוא קריטי. אם המערכת מזהה בטעות אורז חום כאורז לבן, או מעריכה 150 גרם עוף כאשר הכמות האמיתית קרובה ל-200 גרם, המשתמש יכול לבצע תיקון מהיר. עם הזמן, תיקונים אלה גם מסייעים לשפר את הדיוק של המערכת דרך משוב.

הטכנולוגיה מאחורי זיהוי המזון מבוסס תמונה

מספר שכבות של בינה מלאכותית ולמידת מכונה פועלות יחד כדי להפוך את מעקב הקלוריות המבוסס על תמונה לאפשרי.

רשתות עצביות קונבולוציוניות (CNNs)

הבסיס של רוב מערכות זיהוי המזון הוא הרשת העצבית הקונבולוציונית, סוג של מודלים של למידת עומק שנועדו במיוחד לניתוח תמונות. CNNs מעבירות תמונות דרך מספר שכבות של מסננים שמזהים תכונות הולכות ומתרקמות: קצוות ומרקמים בשכבות המוקדמות, צורות ודפוסים בשכבות האמצעיות, ותכונות ספציפיות למזון בשכבות העמוקות יותר.

מערכות זיהוי מזון מודרניות משתמשות בדרך כלל באדריכליות כמו ResNet, EfficientNet או Vision Transformers (ViT) שהוכשרו מראש על מיליוני תמונות כלליות ולאחר מכן מותאמות על מערכי נתונים ספציפיים למזון.

סיווג רב-תיוג

בניגוד לסיווג תמונות סטנדרטי (כאשר לתמונה מוענקת תווית אחת), זיהוי מזון דורש סיווג רב-תיוג. תמונה אחת עשויה להכיל חמישה, עשרה או יותר פריטי מזון שונים. המודל צריך לזהות ולסווג כל אחד מהם בנפרד תוך הבנת הקשרים המרחביים ביניהם.

למידת העברה והתאמת תחום

אימון מודל זיהוי מזון מאפס ידרוש מערך נתונים גדול מדי עם תוויות. במקום זאת, מערכות מודרניות משתמשות בלמידת העברה: מתחילות עם מודל שהוכשר מראש על מערך נתונים גדול של תמונות כלליות (כמו ImageNet) ולאחר מכן מתאימות אותו על תמונות ספציפיות למזון. גישה זו מאפשרת למודל לנצל הבנה ויזואלית כללית (קצוות, מרקמים, צורות) תוך התמקדות בתכונות הקשורות למזון.

נתוני אימון

האיכות והמגוון של נתוני האימון הם כנראה יותר חשובים מאדריכלות המודל. מודלים יעילים לזיהוי מזון מאומנים על מערכי נתונים המכילים:

• מאות אלפי עד מיליוני תמונות מזון מתויגות
• מטבחים שונים, סגנונות בישול ופורמטים של הצגה
• תנאי תאורה מגוונים, זוויות ורקעים
• תמונות מארוחות במסעדות ובישול ביתי
• הערכות משקל מנות לצורך הערכת נפח

דיוק: מה מראה המחקר

דיוק במעקב קלוריות מבוסס תמונה ניתן למדוד בשני ממדים: דיוק זיהוי המזון (האם המערכת זיהתה נכון מהו המזון?) ודיוק הערכת הקלוריות (האם היא העריכה את הכמות הנכונה?).

דיוק זיהוי המזון

מודלים מודרניים לזיהוי מזון משיגים דיוק top-1 (המזון הנכון הוא הניחוש הראשון של המודל) של 85 עד 95 אחוז על מערכי נתונים בוחנים עבור מזונות נפוצים בתמונות מוארות היטב ומוצגות בבירור. דיוק top-5 (המזון הנכון נמצא בין חמשת הניחושים הראשונים של המודל) בדרך כלל עולה על 95 אחוז.

עם זאת, דיוק הבוחן לא תמיד מתורגם ישירות לביצועים בעולם האמיתי. גורמים שמפחיתים דיוק בפועל כוללים:

גורם	השפעה על הדיוק
תאורה לקויה או צללים	הפחתה מתונה
זוויות לא רגילות (קרוב מדי, זווית צד)	הפחתה מתונה
מנות מעורבות או שכבות (קאסרולות, תבשילים)	הפחתה משמעותית
מזונות לא נפוצים או אזוריים	הפחתה משמעותית
מזונות מכוסים ברטבים או תוספות	הפחתה מתונה עד משמעותית
פריטים חופפים	הפחתה מתונה

דיוק הערכת הקלוריות

אפילו כאשר זיהוי המזון נכון, הערכת הקלוריות מביאה לטעויות נוספות דרך הערכת גודל המנה. מחקרים שפורסמו בין 2023 ל-2025 מצאו שהערכת קלוריות מבוססת תמונה בדרך כלל נופלת בטווח של 15 עד 25 אחוז מהתוכן הקלורי האמיתי עבור ארוחות סטנדרטיות. זה דומה או טוב יותר מהדיוק של דיווח עצמי ידני, שמחקרים הראו באופן עקבי שהוא מעריך את צריכת הקלוריות ב-20 עד 50 אחוז פחות.

סקירה שיטתית מ-2024 ב-Journal of the Academy of Nutrition and Dietetics מצאה שהמעקב בעזרת בינה מלאכותית צמצם את השגיאה הממוצעת בהערכה ב-12 נקודות אחוז בהשוואה להערכה ידנית ללא כל כלים.

מזונות שהוא מטפל בהם היטב מול מזונות שהוא מתקשה בהם

לא כל המזונות קלים באותה מידה לניתוח על ידי מערכות בינה מלאכותית. הבנת ההבדלים הללו מסייעת למשתמשים להפיק את המרב ממעקב מבוסס תמונה.

מזונות עם דיוק זיהוי גבוה

• פריטים שלמים ובולטים. בננה, תפוח, ביצה קשה, פרוסת לחם. אלה בעלי צורות ומרקמים עקביים וניתנים לזיהוי.
• ארוחות עם רכיבים מופרדים. חזה עוף צלוי לצד ברוקולי מאודה ואורז על צלחת. כל פריט ברור ובעל הפרדה מרחבית.
• מאכלים נפוצים ממערב ומזרח אסיה. סושי, פיצה, המבורגרים, מנות פסטה, סלטים. אלה מיוצגים רבות במערכי נתוני האימון.
• מזונות ארוזים עם צורות סטנדרטיות. חטיף גרנולה, גביע יוגורט, קופסת טונה. המיכל מספק קנה מידה שימושי.

מזונות שמאתגרים את המערכת

• מנות מעורבות וקאסרולות. לזניה, תבשיל או קארי שבו המרכיבים מעורבים יחד מקשה על המודל לזהות רכיבים בודדים ואת הפרופורציות שלהם.
• רטבים, תיבול ושומנים מוסתרים. שמן בשימוש בבישול, חמאה שנמסה לתוך ירקות, או רוטב קרמי שנשפך על סלט יכולים להוסיף 100 עד 300 קלוריות שאינן נראות לעין.
• מטבחים אזוריים ולא נפוצים. מזונות שאינם מיוצגים במערכי נתוני האימון, כמו מאכלים מסוימים מאפריקה, מרכז אסיה או מנות אינדיג'ניות, עשויים להיות בעלי שיעורי זיהוי נמוכים יותר.
• משקאות. כוס מיץ תפוזים וכוס סמוזי מנגו יכולות להיראות כמעט זהות למרות שיש להן ערכי קלוריות שונים. משקאות כהים כמו קפה עם שמנת לעומת קפה שחור מציבים גם הם אתגרים.
• מזונות עם צפיפות משתנה. שתי קערות של שיבולת שועל עשויות להיראות דומות אך להבדיל משמעותית בתוכן הקלורי בהתאם ליחס של שיבולת שועל למים.

טיפים לתוצאות טובות יותר במעקב קלוריות מבוסס תמונה

משתמשים יכולים לשפר משמעותית את הדיוק של מעקב קלוריות מבוסס תמונה על ידי ביצוע מספר הנחיות מעשיות.

1. צלם מלמעלה או בזווית של 45 מעלות. צילומים מלמעלה מספקים את התצוגה הברורה ביותר של כל הפריטים על הצלחת ואת הפרספקטיבה הטובה ביותר להערכת המנות.
2. הבטח תאורה טובה ואחידה. אור יום טבעי מספק את התוצאות הטובות ביותר. הימנע מצללים קשים, תאורה אחורית או סביבות חשוכות מאוד.
3. הפרד מזונות כאשר אפשרי. אם אתה מציב את הארוחה שלך, שמירה על רכיבים ברורים (ולא לערום הכל יחד) משפרת גם את הדיוק בזיהוי וגם בהערכה.
4. רשום רטבים, תיבול ושמנים בנפרד. אלה המקור הנפוץ ביותר לקלוריות מוסתרות. הוסף אותם כהזנות ידניות לאחר ניתוח התמונה כדי להבטיח שהם נתפסים.
5. סקור ותיקן. תמיד קח כמה שניות לסקור את התוצאות של הבינה המלאכותית לפני האישור. תיקון פריט מזוהה בטעות לוקח חמש שניות; התעלמות מכך מביאה לטעויות מצטברות במשך ימים ושבועות.
6. צלם לפני האכילה. צילום התמונה לפני שאתה מתחיל לאכול מבטיח שהמנה המלאה נראית. צלחת חצי אכולה קשה יותר לניתוח מדויק.
7. השתמש בצלחת או קערה סטנדרטית. המערכת משתמשת במיכל כקנה מידה. מיכלים לא רגילים (כמו מגש הגשה גדול מאוד או צלחת מנות קטנה) יכולים לעוות את הערכות המנות.

מעקב מבוסס תמונה מול רישום ידני מול סריקת ברקודים

כל שיטת רישום מזון יש לה יתרונות וחסרונות ייחודיים. הטבלה למטה מספקת השוואה ישירה.

תכונה	מבוסס תמונה (Snap & Track)	חיפוש במאגר ידני	סריקת ברקודים
מהירות לכל כניסה	5-10 שניות	60-120 שניות	10-15 שניות
דיוק עבור מזונות ארוזים	טוב	טוב (אם הפריט הנכון נבחר)	מצוין (התאמה מדויקת)
דיוק עבור ארוחות ביתיות	טוב	מתון (תלוי בהערכה)	לא רלוונטי
דיוק עבור ארוחות במסעדות	טוב	גרוע עד מתון	לא רלוונטי
מטפל במנות מעורבות	מתון	טוב (אם המשתמש יודע את המרכיבים)	לא רלוונטי
תופס שומנים/שמנים מוסתרים	גרוע	מתון (אם המשתמש זוכר)	לא רלוונטי
עקומת למידה	נמוכה מאוד	מתונה	נמוכה
מאמץ משתמש	מינימלי	גבוה	נמוך (רק ארוזים)
הקפיצה לטווח ארוך	גבוהה	נמוכה עד מתונה	מתונה
עובד ללא אריזות	כן	כן	לא

מתי להשתמש בכל שיטה

הגישה היעילה ביותר היא להשתמש בכל שלוש השיטות בהתאם למצב:

• Snap & Track עבור רוב הארוחות, במיוחד צלחות ביתיות ודינמיקה במסעדות שבהן אתה יכול לראות את המזון.
• סריקת ברקודים עבור מזונות ארוזים, חטיפים ומשקאות עם ברקוד, מכיוון שזה מספק את הנתונים התזונתיים המדויקים ביותר.
• הזנה ידנית עבור מרכיבים ספציפיים כמו שמן בישול, חמאה או רטבים שאינם נראים בתמונות, ולמזונות שהבינה המלאכותית אינה מזהה.

Nutrola תומכת בכל שלוש השיטות בתוך ממשק אחד, מה שמאפשר למשתמשים לשלב ביניהן לפי הצורך עבור כל ארוחה.

פרטיות: כיצד מטופלים נתוני התמונות

פרטיות היא דאגה לגיטימית כאשר אפליקציה מבקשת לצלם את המזון שלך. אפליקציות שונות מטפלות בנתוני התמונות בדרכים שונות, והמשתמשים צריכים להבין את הסיכונים.

עיבוד בענן מול עיבוד במכשיר

רוב מערכות המעקב אחרי קלוריות מבוססות תמונה מעבדות תמונות בענן. התמונה מועלה לשרת מרוחק שבו המודל של הבינה המלאכותית מנתח אותה, והתוצאות נשלחות חזרה למכשיר. גישה זו מאפשרת שימוש במודלים גדולים ומדויקים יותר שיהיה יקר מדי להריץ על סמארטפון.

עיבוד במכשיר שומר את התמונה על הטלפון של המשתמש, ומריץ מודל קטן יותר מקומית. זה מציע ערבויות פרטיות חזקות יותר מכיוון שהתמונה לא עוזבת את המכשיר, אבל זה עשוי להקריב חלק מהדיוק כי מודלים במכשירים בדרך כלל קטנים ופחות מסוגלים מאלו מבוססי ענן.

הגישה של Nutrola

Nutrola מעבדת תמונות מזון באמצעות מודלים של בינה מלאכותית מבוססי ענן כדי להבטיח את הדיוק הגבוה ביותר האפשרי. התמונות מועברות דרך חיבורים מוצפנים (TLS 1.3), מעובדות לניתוח תזונתי, ואינן נשמרות באופן קבוע על השרתים של Nutrola לאחר שהניתוח הושלם. התמונות אינן משמשות לפרסום, נמכרות לצדדים שלישיים או משותפות מחוץ לצינור ניתוח התזונה.

משתמשים יכולים לסקור את מדיניות הפרטיות המלאה של Nutrola למידע מפורט על טיפול בנתונים, תקופות שמירה וזכויותיהם לגבי נתונים אישיים.

שיקולי פרטיות מרכזיים

דאגה	מה לחפש
הצפנת נתונים	TLS/SSL במהלך ההעברה
שמירת תמונות	האם התמונות נמחקות לאחר הניתוח
שיתוף עם צדדים שלישיים	האם התמונות משותפות עם מפרסמים או סוכנויות נתונים
שימוש בנתוני אימון	האם התמונות שלך משמשות לאימון מודלים של בינה מלאכותית
זכויות מחיקת נתונים	אפשרות לבקש מחיקת כל הנתונים המאוחסנים

העתיד של מעקב קלוריות מבוסס תמונה

טכנולוגיית זיהוי המזון מבוססת התמונה משתפרת במהירות. מספר התפתחויות צפויות לשפר באופן משמעותי את הדיוק והיכולת בטווח הקצר.

הערכה ממספר זוויות וסרטונים. במקום להסתמך על תמונה אחת, מערכות עתידיות עשויות להשתמש בקטעי וידאו קצרים או בזוויות מרובות כדי לבנות הבנה תלת-ממדית של הארוחה, מה שיביא לשיפור דרמטי בהערכת גודל המנה.

חיישני עומק. סמארטפונים מצוידים בחיישני עומק LiDAR או חיישני עומק באור מסודר (כבר קיימים בכמה דגמים דגלים) יכולים לספק מידע מדויק על עומק, מה שמאפשר למערכת לחשב את נפח המזון במקום להעריך אותו מתמונה שטוחה.

מודלים מותאמים אישית. ככל שמשתמשים רושמים ומתקנים ארוחות לאורך זמן, המערכת יכולה ללמוד את העדפות המזון הספציפיות שלהם, גדלי המנות הטיפוסיים וסגנונות הבישול, וליצור מודל מותאם אישית שמשפר את הדיוק עבור הדיאטה הספציפית שלהם.

הרחבת כיסוי המטבחים. מאמצים מתמשכים לגוון את מערכי נתוני האימון משפרים את הדיוק בזיהוי עבור מטבחים שאינם מיוצגים, מה שהופך את הטכנולוגיה ליותר שוויונית ושימושית עבור בסיס משתמשים גלובלי.

אינטגרציה עם נתוני ניידים. שילוב של רישום מזון מבוסס תמונה עם נתונים ממכשירי כושר, מדדי גלוקוז רציפים ומכשירים ניידים אחרים יאפשר ניתוח תזונתי הוליסטי ומדויק יותר.

שאלות נפוצות

עד כמה מדויק מעקב קלוריות מבוסס תמונה בהשוואה לרישום ידני?

מעקב קלוריות מבוסס תמונה מעריך בדרך כלל את תוכן הקלוריות בטווח של 15 עד 25 אחוז מהערך האמיתי עבור ארוחות סטנדרטיות. דיווח עצמי ידני ללא כל כלים הראה במחקרים קליניים שהוא מעריך את צריכת הקלוריות ב-20 עד 50 אחוז פחות בממוצע. כאשר משתמשים סוקרים ומתקנים הערכות שנוצרו על ידי הבינה המלאכותית, מעקב מבוסס תמונה בדרך כלל מספק דיוק שווה או טוב יותר מאשר רישום ידני, עם פחות זמן ומאמץ נדרש. השילוב של הערכת בינה מלאכותית יחד עם סקירה אנושית נוטה להניב תוצאות טובות יותר מאשר כל גישה בנפרד.

האם Snap & Track יכול לזהות מזונות מכל מטבח?

Snap & Track פועל בצורה הטובה ביותר עם מטבחים שמיוצגים היטב בנתוני האימון שלו, הכוללים את רוב המנות המערביות, המזרח אסייתיות, הדרום אסייתיות והלטיניות. דיוק הזיהוי עבור מטבחים אזוריים פחות מתועדים עשוי להיות נמוך יותר, אם כי זהו תחום של שיפור פעיל. אם המערכת אינה מזהה מנה מסוימת, המשתמשים יכולים תמיד לחזור להזנה ידנית או לחפש במאגר הנתונים ישירות. Nutrola ממשיכה להרחיב את נתוני האימון של תמונות המזון כדי לשפר את הכיסוי הגלובלי של המטבחים.

האם Snap & Track עובד עם מנות מעורבות כמו מרקים, תבשילים וקאסרולות?

מנות מעורבות הן אחת הקטגוריות המאתגרות יותר לזיהוי מבוסס תמונה מכיוון שהמרכיבים מעורבים יחד ואינם ברורים. Snap & Track יכול לזהות רבות מהמנות המעורבות הנפוצות (כגון צ'ילי, ראמן או קארי) כפריטים שלמים ולספק נתוני תזונה מוערכים על בסיס מתכונים סטנדרטיים. עבור מנות מעורבות ביתיות עם מרכיבים לא סטנדרטיים, המשתמשים יקבלו דיוק טוב יותר על ידי רישום המרכיבים בנפרד או שימוש בתכונת בוני המתכונים כדי ליצור כניסה מותאמת אישית.

האם התמונות שלי נשמרות או משותפות עם צדדים שלישיים?

Nutrola מעבירה תמונות מזון דרך חיבורים מוצפנים לניתוח בינה מלאכותית בענן. התמונות אינן נשמרות באופן קבוע על השרתים של Nutrola לאחר שהניתוח הושלם, והן אינן משותפות עם צדדים שלישיים, אינן משמשות לפרסום, ואינן נמכרות לסוכנויות נתונים. למשתמשים יש שליטה מלאה על הנתונים שלהם ויכולים לבקש מחיקת כל מידע מאוחסן בכל עת דרך הגדרות הפרטיות של האפליקציה.

האם אני צריך מצלמה מיוחדת או ציוד כדי להשתמש במעקב קלוריות מבוסס תמונה?

לא נדרש ציוד מיוחד. כל מצלמת סמארטפון מודרנית (מ-2018 ואילך) מספקת איכות תמונה מספקת לזיהוי מזון מדויק. מצלמות ברזולוציה גבוהה יותר ותאורה טובה ישפרו את התוצאות, אך המערכת מיועדת לפעול היטב עם חומרה סטנדרטית של סמארטפונים. אין צורך בחפצים ייחודיים, צעדי כיול או אביזרים חיצוניים.

האם עלי להשתמש ב-Snap & Track עבור כל ארוחה, או שיש זמנים שבהם שיטות אחרות טובות יותר?

הגישה המדויקת ביותר היא להשתמש בשיטה הנכונה לכל מצב. Snap & Track אידיאלי עבור ארוחות מנות, דינמיקה במסעדות וכל מצב שבו המזון נראה. סריקת ברקודים מדויקת יותר עבור מזונות ארוזים עם ברקוד, מכיוון שהיא משיגה נתוני יצרן מדויקים. הזנה ידנית היא הטובה ביותר עבור מרכיבים שאינם נראים בתמונות, כמו שמני בישול, חמאה או תוספי תזונה. השימוש בכל שלוש השיטות לפי הצורך, ולא להסתמך אך ורק על אחת מהן, מספק את יומן התזונה היומי המדויק ביותר.