AI कैलोरी ट्रैकिंग सटीकता: हमने 20 व्यंजनों में 500 डिशेज का परीक्षण किया

अधिकांश AI खाद्य पहचान मॉडल मुख्य रूप से पश्चिमी खाद्य पदार्थों पर प्रशिक्षित किए गए हैं। इसका मतलब है कि लॉस एंजेलेस के एक डेली से ग्रिल्ड चिकन सलाद और न्यूयॉर्क से पेपरोनी पिज्जा को लगभग सही सटीकता के साथ पहचाना जाता है, जबकि इथियोपियाई डोरो वॉट या फिलिपिनो सिसिग जैसे व्यंजन AI को उलझन में डाल सकते हैं। हम जानना चाहते थे कि यह सटीकता का अंतर कितना बड़ा है, इसलिए हमने एक नियंत्रित परीक्षण किया: 500 वास्तविक डिशेज, 20 व्यंजन, हर प्लेट का वजन किया गया और पोषण विशेषज्ञ द्वारा गणना किए गए मानों के खिलाफ क्रॉस-रेफरेंस किया गया। यहाँ हमने क्या पाया।

कार्यप्रणाली: हमने 500 डिशेज का परीक्षण कैसे किया

हमने इस अध्ययन को यथासंभव वास्तविक दुनिया की परिस्थितियों के करीब डिजाइन किया। यहाँ यह कैसे काम किया:

• कुल 500 डिशेज, प्रत्येक व्यंजन से 25, रेस्तरां और घरेलू रसोई से प्राप्त।
• 20 व्यंजन चुने गए जो भौगोलिक और पाक विविधता का प्रतिनिधित्व करते हैं।
• प्रत्येक डिश को मानक परिस्थितियों में फोटो खींचा गया — प्राकृतिक प्रकाश, एकल प्लेट, शीर्ष-से-नीचे और 45-डिग्री कोण — स्मार्टफोन कैमरे का उपयोग करके (कोई स्टूडियो सेटअप नहीं)।
• प्रत्येक डिश का एक कैलिब्रेटेड किचन स्केल पर वजन किया गया और इसके घटकों को एक पंजीकृत आहार विशेषज्ञ द्वारा तोड़ा गया ताकि एक संदर्भ कैलोरी गणना प्राप्त की जा सके।
• तस्वीरें Nutrola के Snap & Track AI को कैलोरी अनुमान के लिए प्रस्तुत की गईं।
• हमने AI के अनुमान की तुलना आहार विशेषज्ञ के संदर्भ से की और मापा: औसत कैलोरी विचलन (प्रतिशत के रूप में), खाद्य पहचान दर (क्या AI ने डिश या इसके प्राथमिक घटकों का सही नाम बताया), और उन डिशेज का प्रतिशत जो संदर्भ मान के 10% और 15% के भीतर थीं।

यह कोई प्रयोगशाला अध्ययन नहीं है और हम नैदानिक-ग्रेड सटीकता का दावा नहीं कर रहे हैं। लेकिन 500 डिशेज पर्याप्त डेटा हैं जो यह स्पष्ट करने के लिए पैटर्न प्रकट करते हैं कि AI खाद्य पहचान कहाँ उत्कृष्ट है और कहाँ यह असफल होता है।

परीक्षण किए गए 20 व्यंजन

हमने व्यंजनों का चयन तीन मानदंडों के आधार पर किया: वैश्विक लोकप्रियता, पकाने की विधियों की विविधता, और AI प्रशिक्षण डेटा में कम प्रतिनिधित्व वाले खाद्य श्रेणियों का प्रतिनिधित्व।

1. अमेरिकी
2. इटालियन
3. मैक्सिकन
4. चीनी
5. जापानी
6. कोरियाई
7. भारतीय
8. थाई
9. वियतनामी
10. मध्य पूर्वी / लेबनानी
11. तुर्की
12. ग्रीक
13. इथियोपियाई
14. नाइजीरियाई
15. ब्राज़ीलियाई
16. फ्रेंच
17. जर्मन
18. स्पेनिश
19. फिलिपिनो
20. कैरेबियन

प्रत्येक व्यंजन का प्रतिनिधित्व 25 डिशेज द्वारा किया गया जो उस व्यंजन की विविधता को दर्शाते हैं — ऐपेटाइज़र, मुख्य पाठ्यक्रम, साइड डिश और स्ट्रीट फूड। हमने जानबूझकर "फोटोजेनिक" डिशेज (सुशी प्लेट, व्यक्तिगत टैको) और चुनौतीपूर्ण डिशेज (करी, स्ट्यू, कैसरोल) दोनों को शामिल किया।

पूर्ण परिणाम: सभी 20 व्यंजन सटीकता के अनुसार रैंक किए गए

यहाँ परिणाम हैं, औसत कैलोरी विचलन के अनुसार सबसे सटीक से सबसे कम सटीक तक रैंक किए गए:

रैंक	व्यंजन	परीक्षण की गई डिशेज	औसत कैलोरी विचलन	खाद्य पहचान दर	10% के भीतर	15% के भीतर
1	जापानी	25	5.8%	96%	84%	96%
2	अमेरिकी	25	6.2%	98%	80%	92%
3	इटालियन	25	6.5%	96%	80%	92%
4	कोरियाई	25	7.1%	92%	76%	88%
5	जर्मन	25	7.4%	92%	72%	88%
6	ग्रीक	25	7.9%	88%	68%	84%
7	फ्रेंच	25	8.3%	88%	64%	84%
8	स्पेनिश	25	8.6%	88%	64%	80%
9	मैक्सिकन	25	9.1%	84%	60%	80%
10	वियतनामी	25	9.4%	84%	60%	76%
11	ब्राज़ीलियाई	25	9.8%	80%	56%	76%
12	तुर्की	25	10.2%	80%	52%	72%
13	चीनी	25	10.7%	80%	48%	72%
14	मध्य पूर्वी	25	11.3%	76%	48%	68%
15	फिलिपिनो	25	12.1%	72%	44%	64%
16	कैरेबियन	25	12.8%	68%	40%	60%
17	नाइजीरियाई	25	13.4%	64%	36%	56%
18	थाई	25	13.9%	68%	36%	56%
19	भारतीय	25	14.6%	64%	32%	52%
20	इथियोपियाई	25	15.8%	56%	28%	48%

सभी 500 डिशेज का औसत: 9.8% कैलोरी विचलन, 78% खाद्य पहचान दर, 56% 10% के भीतर, 74% 15% के भीतर।

सबसे सटीक 5 व्यंजन (और क्यों)

1. जापानी (5.8% औसत विचलन)

जापानी भोजन शायद दुनिया का सबसे AI-फ्रेंडली व्यंजन है। सुशी रोल, साशिमी स्लाइस, टेम्पुरा पीस, और बेंटो बॉक्स खाद्य पदार्थों को दृश्य रूप से अलग, व्यक्तिगत रूप से अलग आइटम के रूप में प्रस्तुत करते हैं। चावल आमतौर पर स्पष्ट रूप से परिभाषित भाग के रूप में परोसा जाता है। AI टुकड़ों की गिनती कर सकता है, आकार का अनुमान लगा सकता है, और उन्हें एक अच्छी तरह से भरे हुए प्रशिक्षण डेटाबेस के खिलाफ मिलान कर सकता है। जापान की खाद्य संस्कृति भी मानकीकृत प्रस्तुति को पसंद करती है — एक रेस्तरां में कैलिफोर्निया रोल दूसरे रेस्तरां में लगभग समान दिखता है।

सर्वश्रेष्ठ प्रदर्शन करने वाले: निगिरी सुशी (3.2% विचलन), एडामामे (2.9%), ओनिगिरी (4.1%) कमजोर प्रदर्शन करने वाले: रामेन (11.4% — शोरबा कैलोरी का अनुमान लगाना कठिन है), ओकोनोमियाकी (9.8%)

2. अमेरिकी (6.2% औसत विचलन)

अमेरिकी भोजन दो प्रमुख लाभों से लाभान्वित होता है: AI प्रशिक्षण डेटा में भारी प्रतिनिधित्व और पैक किए गए, मानकीकृत, या चेन-रेस्तरां आइटम का उच्च अनुपात। एक बिग मैक हर जगह एक जैसा दिखता है। एक हॉट डॉग के आकार का अनुमान लगाना आसान है। सलाद आमतौर पर पहचाने जाने योग्य, अलग-अलग घटकों से बने होते हैं। यहां तक कि अमेरिकी घर का खाना — बर्गर, ग्रिल्ड चिकन, बेक्ड आलू — दृश्य रूप से अलग घटकों से बना होता है।

सर्वश्रेष्ठ प्रदर्शन करने वाले: हैमबर्गर (3.8%), ग्रिल्ड चिकन ब्रेस्ट (4.1%), सीज़र सलाद (5.2%) कमजोर प्रदर्शन करने वाले: कैसरोल (12.3%), लोडेड नाचोज़ (10.9%)

3. इटालियन (6.5% औसत विचलन)

इटालियन व्यंजन जापानी के समान कारणों से उच्च स्कोर करता है — कई डिशेज की मानकीकृत, दृश्य रूप से पहचानने योग्य रूप होती है। एक मारgherita पिज्जा, एक प्लेट स्पेगेटी, एक कैप्रेसे सलाद, और एक कटोरी रिसोट्टो सभी दृश्य रूप से अलग होते हैं और खाद्य छवि डेटासेट में भारी प्रतिनिधित्व करते हैं। पास्ता के आकार पहचाने जा सकते हैं, और टॉपिंग आमतौर पर डिश के ऊपर होती हैं न कि मिश्रित।

सर्वश्रेष्ठ प्रदर्शन करने वाले: मारgherita पिज्जा (3.5%), कैप्रेसे सलाद (4.0%), ब्रुशेटा (4.8%) कमजोर प्रदर्शन करने वाले: लासग्ना (11.2% — लेयर्ड डिशेज पनीर और मांस को छिपाती हैं), कार्बोनारा (9.6% — क्रीम और अंडे की मात्रा भिन्न होती है)

4. कोरियाई (7.1% औसत विचलन)

कोरियाई भोजन चौथे स्थान पर आकर हमें आश्चर्यचकित कर दिया। मुख्य कारण: कोरियाई भोजन आमतौर पर कई छोटे व्यंजनों (बांचान) के रूप में परोसा जाता है, जो मुख्य के साथ होते हैं, जिससे व्यक्तिगत आइटम पहचानना आसान होता है। बिबिम्बाप चावल पर सामग्री को दृश्य रूप से अलग-अलग भागों में प्रस्तुत करता है। किम्बाप को पहचानने योग्य गोल टुकड़ों में काटा जाता है। किमची और अचार के साइड दृश्य रूप से अलग होते हैं।

सर्वश्रेष्ठ प्रदर्शन करने वाले: किम्बाप (4.2%), बिबिम्बाप (5.8%), किमची (3.1%) कमजोर प्रदर्शन करने वाले: ज्जिगे/स्ट्यू (12.7%), ट्टोकबोक्की विद सॉस (10.1%)

5. जर्मन (7.4% औसत विचलन)

जर्मन व्यंजन बड़े, दृश्य रूप से अलग आइटमों की विशेषता रखते हैं — सॉसेज, श्निट्ज़ेल, प्रेट्ज़ेल, आलू के डंपलिंग — जिन्हें AI पहचानना और आकार देना आसान होता है। प्लेटें आमतौर पर मिश्रित डिशेज के बजाय अलग-अलग घटकों से बनी होती हैं। सॉसेज के प्रकार एक-दूसरे से दृश्य रूप से भिन्न होते हैं, और ब्रेड उत्पादों के मानक आकार और आकार होते हैं।

सर्वश्रेष्ठ प्रदर्शन करने वाले: ब्राटवुर्स्ट (4.5%), प्रेट्ज़ेल (4.9%), श्निट्ज़ेल (6.2%) कमजोर प्रदर्शन करने वाले: आइंटॉप्फ/स्ट्यू (11.8%), कार्टोफेलसालट विभिन्न ड्रेसिंग के साथ (9.4%)

सबसे कम सटीक 5 व्यंजन (और क्यों)

20. इथियोपियाई (15.8% औसत विचलन)

इथियोपियाई व्यंजन हर मेट्रिक में AI के लिए सबसे चुनौतीपूर्ण था। मुख्य समस्या: इन्जेरा-आधारित भोजन में कई स्ट्यू (वात) और सब्जी डिशेज एक बड़े सपाट रोटी पर एक साथ परोसी जाती हैं, जो अक्सर ओवरलैप और मिश्रित होती हैं। AI यह निर्धारित करने में संघर्ष करता है कि एक डिश कहाँ समाप्त होती है और दूसरी कहाँ शुरू होती है। डोरो वॉट, मिसिर वॉट, और किट्फो दृश्य रूप से समान होते हैं — गहरे, सॉस-भरे व्यंजन जिनमें कुछ पहचानने योग्य सतह विशेषताएँ होती हैं। मक्खन (निटर किब्बे) और तेल की मात्रा सॉस के नीचे अदृश्य होती है।

कम खाद्य पहचान दर (56%) प्रशिक्षण डेटा में वास्तविक अंतर को दर्शाती है। इथियोपियाई भोजन वैश्विक खाद्य छवि डेटासेट में अभी भी कम प्रतिनिधित्व में है।

19. भारतीय (14.6% औसत विचलन)

भारतीय भोजन AI चुनौतियों का एक आदर्श तूफान प्रस्तुत करता है। करी ऑप्टिकली अपारदर्शी होती है — एक फोटो यह नहीं बता सकती कि बटर चिकन में कितना घी, क्रीम, या नारियल का दूध है। दाल का कैलोरी मान तापीय (तड़का) तेलों के आधार पर 150 से 400 कैलोरी प्रति सर्विंग तक भिन्न हो सकता है। ग्रेवीज़ डिशेज में समान दिखती हैं: एक कोरमा, एक टिक्का मसाला, और एक रोगन जोश फोटो में लगभग समान दिखाई दे सकते हैं जबकि कैलोरी में सैकड़ों का अंतर होता है।

ब्रेड एक और चर है। एक साधारण रोटी लगभग 100 कैलोरी है; एक रेस्तरां से बटर नान 300 से अधिक हो सकता है। वे फोटो में समान दिखते हैं लेकिन कैलोरी का अंतर विशाल है।

घी का कारक: कई भारतीय व्यंजन घी की एक उदार मात्रा के साथ समाप्त होते हैं जो मिलाया जाता है और अदृश्य हो जाता है। हमारे आहार विशेषज्ञ के संदर्भ मानों ने दिखाया कि घी और तेल कई व्यंजनों में कुल कैलोरी का 25-40% योगदान करते हैं — कैलोरी जो AI देख नहीं सकता।

18. थाई (13.9% औसत विचलन)

थाई भोजन कई समान चुनौतियों का सामना करता है जैसे भारतीय भोजन: नारियल के दूध-आधारित करी जिसमें छिपी हुई वसा होती है, विभिन्न तेल की मात्रा के साथ स्टर-फ्राई, और सॉस जो सामग्री को छिपाते हैं। एक हरी करी का कैलोरी मान 300 से 600 कैलोरी प्रति कटोरी तक भिन्न हो सकता है, जो नारियल के दूध के अनुपात पर निर्भर करता है। पैड थाई का कैलोरी मान तामरिंड पेस्ट, मूंगफली, और तेल के आधार पर नाटकीय रूप से बदलता है — सामग्री जो ऊपर की बजाय पूरे में वितरित होती है।

मछली का सॉस और चीनी, दो प्रमुख थाई मसाले, कैलोरी जोड़ते हैं जो फोटो में पूरी तरह से अदृश्य होते हैं।

17. नाइजीरियाई (13.4% औसत विचलन)

नाइजीरियाई भोजन दो चुनौतियों का सामना करता है: प्रशिक्षण डेटा में सीमित प्रतिनिधित्व और कैलोरी-घने पकाने की विधियाँ। जोलोफ चावल पकाने के दौरान तेल को अवशोषित करता है जो सतह पर दिखाई नहीं देता। एगुसी सूप पिसे हुए तरबूज के बीज और पाम तेल से बनाया जाता है, दोनों उच्च-कैलोरी सामग्री जो डिश में मिल जाती हैं। पाउंडेड याम (फूफू) एक कैलोरी-घना स्टार्च है जो धोखा देने वाला हल्का दिखता है।

AI नाइजीरियाई सूप के बीच भेद करने में संघर्ष करता है — ओग्बोनो, एगुसी, और भिंडी का सूप फोटो में समान दिखते हैं लेकिन पाम तेल और बीज की सामग्री में भिन्नता के कारण कैलोरी प्रोफाइल में महत्वपूर्ण अंतर होता है।

16. कैरेबियन (12.8% औसत विचलन)

कैरेबियन भोजन कई सबसे कठिन तत्वों को जोड़ता है: स्ट्यूड मांस जिसमें छिपी हुई वसा होती है (ऑक्सटेल, करी बकरी), नारियल के दूध-आधारित चावल, तले हुए प्लांटेन जिनमें विभिन्न तेल का अवशोषण होता है, और एक-पॉट डिशेज जैसे पेलेउ। AI ने जर्क चिकन पर अच्छा प्रदर्शन किया (दृश्य ग्रिल मार्क्स, पहचानने योग्य रूप) लेकिन ब्राउन स्ट्यू डिशेज और करी तैयारियों पर खराब प्रदर्शन किया जहाँ सॉस प्रोटीन को अस्पष्ट करता है।

छिपी हुई कैलोरी समस्या: कौन से व्यंजन AI को सबसे अधिक धोखा देते हैं

इस परीक्षण से एक महत्वपूर्ण निष्कर्ष जो हम "छिपी हुई कैलोरी गैप" कहते हैं — वह अंतर जो AI देख सकता है और वास्तव में डिश में क्या है। हमने यह मापा कि कौन से व्यंजनों में AI के अनुमान और वास्तविक कैलोरी गणना के बीच सबसे बड़ा अंतर था, विशेष रूप से अदृश्य वसा और तेलों द्वारा संचालित।

व्यंजन	औसत छिपी हुई वसा कैलोरी (प्रति डिश)	छिपी हुई वसा से कुल कैलोरी का %	छिपी हुई वसा के कारण AI की कमी
भारतीय	187 kcal	34%	-22%
इथियोपियाई	165 kcal	31%	-20%
थाई	152 kcal	29%	-18%
नाइजीरियाई	148 kcal	28%	-17%
चीनी	134 kcal	24%	-14%
मध्य पूर्वी	128 kcal	23%	-13%
कैरेबियन	124 kcal	22%	-12%
फिलिपिनो	118 kcal	21%	-11%
तुर्की	112 kcal	20%	-10%
ब्राज़ीलियाई	98 kcal	17%	-8%

पैटर्न स्पष्ट है: वे व्यंजन जो भारी मात्रा में खाना पकाने के तेल, घी, नारियल के दूध, और नट-आधारित सॉस पर निर्भर करते हैं, व्यवस्थित रूप से AI कैलोरी ट्रैकर्स को कम करके आंकने के लिए धोखा देते हैं। यह Nutrola की एक विशिष्ट कमी नहीं है — यह फोटो-आधारित कैलोरी अनुमान की एक मौलिक सीमा है। एक कैमरा घुलनशील वसा को नहीं देख सकता।

व्यावहारिक निहितार्थ: यदि आप इस तालिका के शीर्ष आधे में व्यंजनों का नियमित रूप से सेवन करते हैं, तो आपको AI के अनुमानों को कम मानने की उम्मीद करनी चाहिए और सॉस-भारी और स्ट्यू-आधारित डिशेज के लिए 10-20% का मैनुअल सुधार जोड़ने पर विचार करना चाहिए।

Nutrola कैसे सटीकता में सुधार कर रहा है underserved cuisines के लिए

हम यह डेटा खराब प्रदर्शन को सही ठहराने के लिए प्रकाशित नहीं कर रहे हैं — हम इसे इसलिए प्रकाशित कर रहे हैं क्योंकि पारदर्शिता सुधार को बढ़ावा देती है। यहाँ हम सक्रिय रूप से क्या कर रहे हैं:

कम प्रतिनिधित्व वाले व्यंजनों के लिए प्रशिक्षण डेटा का विस्तार

हमारी छवि प्रशिक्षण पाइपलाइन ऐतिहासिक रूप से उत्तर अमेरिकी और यूरोपीय खाद्य पदार्थों की ओर झुकी हुई है। हम दक्षिण एशिया, पश्चिम अफ्रीका, पूर्वी अफ्रीका, दक्षिण-पूर्व एशिया, और कैरेबियन में खाद्य फोटोग्राफरों और नुस्खा डेटाबेस के साथ सक्रिय रूप से साझेदारी कर रहे हैं ताकि उन व्यंजनों के लिए हमारे प्रशिक्षण सेट को नाटकीय रूप से बढ़ाया जा सके जिन्होंने खाद्य पहचान में 80% से कम स्कोर किया।

क्षेत्रीय खाद्य डेटाबेस साझेदारियाँ

कैलोरी अनुमान उतना ही अच्छा है जितना इसके पीछे का पोषण डेटा। हम भारत, नाइजीरिया, इथियोपिया, और थाईलैंड में पोषण अनुसंधान संस्थानों के साथ साझेदारी बना रहे हैं ताकि क्षेत्र-विशिष्ट पोषण डेटा को एकीकृत किया जा सके। दिल्ली में बनाया गया "बटर चिकन" ब्रिटिश टेकअवे संस्करण की तुलना में अलग कैलोरी प्रोफाइल रखता है, और हमारे डेटाबेस को इसे दर्शाने की आवश्यकता है।

व्यंजन-विशिष्ट AI प्रॉम्प्ट

जब Nutrola का AI एक व्यंजन श्रेणी का पता लगाता है (जैसे, भारतीय, थाई, इथियोपियाई), तो यह अब व्यंजन-विशिष्ट सुधार कारकों को लागू करता है। यदि सिस्टम एक करी की पहचान करता है, तो यह संभावित छिपी हुई वसा के लिए स्वचालित रूप से ऊपर की ओर समायोजन करता है। यह एक सही समाधान नहीं है, लेकिन हमारे आंतरिक परीक्षण से पता चलता है कि यह भारतीय भोजन के लिए औसत विचलन को 14.6% से 11.2% और थाई भोजन के लिए 13.9% से 10.8% तक कम करता है।

उपयोगकर्ता फीडबैक लूप

हर बार जब Nutrola उपयोगकर्ता AI अनुमान को मैन्युअल रूप से सुधारता है, तो वह सुधार हमारे मॉडल में वापस फीड होता है। जिन व्यंजनों के साथ अधिक सक्रिय उपयोगकर्ता आधार होते हैं, वे तेजी से सुधार करते हैं। हम कम प्रतिनिधित्व वाले व्यंजन क्षेत्रों से उपयोगकर्ताओं को भर्ती करने के लिए लक्षित अभियान भी चला रहे हैं ताकि मॉडल को प्रशिक्षित करने में मदद मिल सके।

अंतरराष्ट्रीय भोजन ट्रैक करते समय उपयोगकर्ताओं के लिए सुझाव

इस डेटा के आधार पर, यहाँ कुछ व्यावहारिक रणनीतियाँ हैं जो गैर-पश्चिमी व्यंजनों को ट्रैक करते समय सबसे सटीक परिणाम प्राप्त करने के लिए हैं:

1. सॉस-भारी व्यंजनों के लिए "छिपे हुए तेल" का बफर जोड़ें

यदि आप भारतीय, थाई, इथियोपियाई, नाइजीरियाई, या चीनी भोजन खा रहे हैं, तो किसी भी डिश के लिए AI अनुमान में 10-15% जोड़ें जिसमें कोई दृश्य सॉस या ग्रेवी हो। यह एकल समायोजन अधिकांश सटीकता गैप को बंद कर देता है।

2. जब संभव हो, व्यक्तिगत घटकों की फोटो लें

पूरे इथियोपियाई शेयरिंग प्लेट की फोटो लेने के बजाय, यदि आप कर सकते हैं तो प्रत्येक वाट की अलग-अलग फोटो लें। एक पूर्ण थाली की बजाय, प्रत्येक कटोरे की अलग से तस्वीर लें। AI तब काफी बेहतर प्रदर्शन करता है जब यह व्यक्तिगत डिशेज को अलग कर सकता है।

3. मैनुअल समायोजन फीचर का उपयोग करें

Nutrola आपको स्कैन करने के बाद AI अनुमानों को ऊपर या नीचे समायोजित करने की अनुमति देता है। इसका उपयोग उन डिशेज के लिए करें जो आप नियमित रूप से खाते हैं — एक बार जब आप जानते हैं कि आपके स्थानीय थाई रेस्तरां की हरी करी AI से अनुमानित कैलोरी से लगभग 15% अधिक होती है, तो आप हर बार उस सुधार को लागू कर सकते हैं।

4. ज्ञात नुस्खों के साथ क्रॉस-रेफरेंस करें

यदि आप घर पर अंतरराष्ट्रीय भोजन बनाते हैं, तो एक बार सटीक माप के साथ नुस्खा लॉग करें (सभी तेल और घी सहित)। इसे Nutrola में एक कस्टम भोजन के रूप में सहेजें। इसके बाद, आप इसे तुरंत सत्यापित सटीकता के साथ लॉग कर सकते हैं बजाय इसके कि फोटो अनुमान पर निर्भर रहें।

5. "कैलोरी लुक-एलाइक" पर ध्यान दें

कुछ डिशेज फोटो में लगभग समान दिखती हैं लेकिन कैलोरी में नाटकीय रूप से भिन्न होती हैं। नान बनाम रोटी। नारियल करी बनाम टमाटर-आधारित करी। तले हुए प्लांटेन बनाम उबले हुए प्लांटेन। जब AI अपना अनुमान प्रस्तुत करता है, तो यह दोबारा जांचें कि उसने सही तैयारी विधि की पहचान की है।

6. पेय को अलग से ट्रैक करें

कई अंतरराष्ट्रीय व्यंजन कैलोरी-घने पेय शामिल करते हैं — आम लस्सी, थाई आइस्ड टी, होर्चाटा, नाइजीरियाई ज़ोबो — जिन्हें AI यदि वे फ्रेम के किनारे पर हैं तो चूक सकता है। सर्वोत्तम परिणामों के लिए पेय की अलग से फोटो लें।

AI खाद्य ट्रैकिंग के भविष्य के लिए इसका क्या मतलब है

यह परीक्षण यह दर्शाता है कि AI कैलोरी ट्रैकिंग कितनी दूर आ चुकी है और अभी भी कितनी दूर जाना है। उन व्यंजनों के लिए जिनमें दृश्य रूप से अलग, अच्छी तरह से प्रलेखित खाद्य पदार्थ होते हैं — जापानी, अमेरिकी, इटालियन, कोरियाई — AI फोटो ट्रैकिंग पहले से हीRemarkably accurate है, जो आहार विशेषज्ञ के मैनुअल आकलन के 6-7% के भीतर प्रदर्शन करता है। यह दैनिक ट्रैकिंग के लिए वास्तव में उपयोगी होने के लिए पर्याप्त अच्छा है।

उन व्यंजनों के लिए जिनमें छिपी हुई वसा, ओवरलैपिंग डिशेज, और सीमित प्रशिक्षण डेटा होता है — भारतीय, इथियोपियाई, थाई, नाइजीरियाई — एक महत्वपूर्ण सटीकता गैप है जिसके बारे में उपयोगकर्ताओं को जागरूक होना चाहिए। यह गैप इतना बड़ा नहीं है कि इन व्यंजनों के लिए AI ट्रैकिंग बेकार हो जाए, लेकिन यह इतना बड़ा है कि यदि आप सटीक कैलोरी घाटे को बनाए रखने की कोशिश कर रहे हैं तो यह मायने रखता है।

अच्छी खबर यह है कि यह समस्या हल करने योग्य है। यह मौलिक रूप से एक डेटा समस्या है, न कि एक एल्गोरिदमिक। जैसे-जैसे प्रशिक्षण डेटासेट का विस्तार होता है और क्षेत्रीय पोषण डेटाबेस में सुधार होता है, underserved cuisines के लिए सटीकता शीर्ष प्रदर्शनकर्ताओं के साथ मेल खा जाएगी। Nutrola का लक्ष्य 2026 के अंत तक सभी 20 व्यंजनों के लिए औसत विचलन को 8% से कम करना है।

इस बीच, AI अनुमान, उपयोगकर्ता जागरूकता, और मैनुअल सुधार का संयोजन आपको सटीकता के एक स्तर पर ले जाता है जो अर्थपूर्ण पोषण ट्रैकिंग के लिए पर्याप्त से अधिक है — चाहे आप जो भी व्यंजन खा रहे हों।

Nutrola का Snap & Track फीचर सभी योजनाओं पर उपलब्ध है, जिसकी कीमत केवल 2.50 EUR प्रति माह है, बिना किसी विज्ञापन के और हमारे लगातार सुधार हो रहे AI खाद्य पहचान इंजन तक पूर्ण पहुँच के साथ। हमारे उपयोगकर्ताओं द्वारा फोटो खींची गई अधिक विविध डिशेज, प्रणाली को सभी के लिए अधिक स्मार्ट बनाती हैं।

---

कार्यप्रणाली नोट: यह परीक्षण मार्च 2026 में Nutrola टीम द्वारा आंतरिक रूप से किया गया था। संदर्भ कैलोरी मानों की गणना दो पंजीकृत आहार विशेषज्ञों द्वारा स्वतंत्र रूप से की गई, जिनके बीच के भिन्नताओं को सहमति से हल किया गया। सभी AI अनुमान Nutrola v3.2 में Snap & Track फीचर का उपयोग करके उत्पन्न किए गए थे। हम इस परीक्षण को त्रैमासिक रूप से दोहराने और अद्यतन परिणाम प्रकाशित करने की योजना बना रहे हैं।