Cal AI पोर्शन अनुमान की विश्वसनीयता: मापी गई वजन बनाम AI अनुमान ऑडिट
हमने 20 खाद्य पदार्थों का वजन किचन के तराजू पर किया, उन्हें Cal AI के माध्यम से फोटो खींचा और ऐप के पोर्शन अनुमानों की तुलना वास्तविक मापे गए वजन से की। यहाँ बताया गया है कि Cal AI का पोर्शन अनुमान कितना सटीक और सुसंगत है।
Cal AI एक फोटो-आधारित कैलोरी ट्रैकिंग ऐप है जो कंप्यूटर विज़न का उपयोग करके खाद्य पोर्शन और कैलोरी का अनुमान लगाता है। ऐप का मुख्य वादा यह है कि आप अपने भोजन को तौलने और मापने से पूरी तरह बच सकते हैं — बस अपने प्लेट की फोटो लें, और AI बाकी का काम संभाल लेगा। यह एक आकर्षक प्रस्ताव है जो कैलोरी ट्रैकिंग के सबसे उबाऊ हिस्से को हटा देता है। लेकिन यह एक मौलिक कंप्यूटर विज़न समस्या को हल करने पर निर्भर करता है: एक द्वि-आयामी छवि से किसी वस्तु के त्रि-आयामी आकार और वजन का अनुमान लगाना।
पोषण अनुमान की विश्वसनीयता का मतलब है कि AI द्वारा अनुमानित वजन या मात्रा वास्तविक मापे गए मात्रा के करीब होनी चाहिए। इसका मतलब यह भी है कि सुसंगतता — एक ही खाद्य पदार्थ की कई बार फोटो खींचने पर हर बार समान अनुमान प्राप्त होना चाहिए। हमने दोनों आयामों का परीक्षण किया, 20 खाद्य पदार्थों का वजन एक कैलिब्रेटेड किचन स्केल पर किया, उन्हें Cal AI के माध्यम से फोटो खींचा, और परिणामों की तुलना की।
मौलिक समस्या: 2D छवि से 3D अनुमान
परीक्षण परिणामों की जांच करने से पहले, यह समझना महत्वपूर्ण है कि यह समस्या स्वाभाविक रूप से कठिन क्यों है। एक फोटो तीन आयामों को दो में समेट देती है। गहराई, ऊँचाई और मात्रा की जानकारी आंशिक रूप से खो जाती है। एक चावल का ढेर जो 3 सेंटीमीटर ऊँचा है, एक ऐसे ढेर के समान दिखता है जो 2 सेंटीमीटर ऊँचा है, यदि कैमरे का कोण अंतर को संकुचित करता है।
AI को संदर्भ संकेतों से गायब आयाम का अनुमान लगाना होता है: प्लेट का आकार, खाद्य पदार्थ द्वारा डाले गए छाया, फ्रेम में ज्ञात वस्तुओं के सापेक्ष अनुपात, और प्रशिक्षण डेटा के खिलाफ पैटर्न मिलान। इन अनुमान के प्रत्येक चरण में संभावित त्रुटि होती है। अंतर्राष्ट्रीय खाद्य विज्ञान और पोषण पत्रिका में प्रकाशित एक अध्ययन (2021) ने पाया कि यहां तक कि प्रशिक्षित आहार विशेषज्ञ भी फोटो से पोर्शन का अनुमान लगाते समय केवल 50-70% सटीकता प्राप्त करते हैं, यह सुझाव देते हुए कि दृश्य पोर्शन अनुमान स्वाभाविक रूप से असंगत है, चाहे वह मानव द्वारा किया जाए या AI द्वारा।
यह Cal AI की विशेष आलोचना नहीं है। यह किसी भी फोटो-आधारित पोर्शन अनुमान प्रणाली का मौलिक चुनौती है। प्रश्न यह है कि इस मौलिक सीमा से व्यावहारिक रूप से कितनी त्रुटि उत्पन्न होती है और क्या वह त्रुटि इतनी छोटी है कि कैलोरी डेटा उपयोगी हो सके।
परीक्षण पद्धति: स्केल-मापी गई वजन बनाम Cal AI अनुमान
हमने 20 खाद्य पदार्थों का चयन किया जो छह श्रेणियों में फैले हुए थे: समान वस्तुएं (पूर्वानुमानित आकार और आकार), अनियमित ठोस (परिवर्तनीय आकार), ढेर या माउंड वाले खाद्य पदार्थ, तरल पदार्थ, कंटेनरों में खाद्य पदार्थ, और प्लेटेड मल्टी-कंपोनेंट भोजन। प्रत्येक खाद्य पदार्थ का वजन 1 ग्राम की सटीकता के साथ कैलिब्रेटेड किचन स्केल पर किया गया।
प्रत्येक खाद्य पदार्थ को एक मानक 26-सेंटीमीटर सफेद डिनर प्लेट पर रखा गया (जब तक अन्यथा उल्लेख न किया गया हो) और Cal AI के माध्यम से 45 डिग्री के कोण से लगभग 30 सेंटीमीटर की दूरी से फोटो खींची गई। हमने Cal AI के अनुमानित पोर्शन आकार और कैलोरी की गणना की, फिर वास्तविक मापे गए मूल्यों से विचलन की गणना की।
पोर्शन अनुमान सटीकता: Cal AI अनुमान बनाम वास्तविक वजन
पूर्ण विश्वसनीयता परीक्षण परिणाम
| खाद्य पदार्थ | वास्तविक वजन | Cal AI अनुमान | वजन विचलन | विचलन % | वास्तविक कैलोरी | Cal AI कैलोरी | कैलोरी प्रभाव |
|---|---|---|---|---|---|---|---|
| ब्रेड का टुकड़ा | 38 g | 40 g | +2 g | +5.3% | 95 | 100 | +5 |
| बड़ा अंडा, उबला हुआ | 50 g | 50 g | 0 g | 0.0% | 78 | 78 | 0 |
| प्रोटीन बार (अनपैक्ड) | 60 g | 55 g | -5 g | -8.3% | 210 | 193 | -17 |
| ग्रिल्ड चिकन ब्रेस्ट | 174 g | 140 g | -34 g | -19.5% | 287 | 231 | -56 |
| ग्रिल्ड स्टेक | 225 g | 175 g | -50 g | -22.2% | 573 | 446 | -127 |
| बेक्ड सैल्मन फ़िलेट | 168 g | 145 g | -23 g | -13.7% | 349 | 302 | -47 |
| पका हुआ सफेद चावल | 210 g | 180 g | -30 g | -14.3% | 232 | 199 | -33 |
| पकी हुई पास्ता | 240 g | 195 g | -45 g | -18.8% | 374 | 304 | -70 |
| मैश किए हुए आलू | 200 g | 160 g | -40 g | -20.0% | 224 | 179 | -45 |
| मिश्रित हरी सलाद | 120 g | 95 g | -25 g | -20.8% | 19 | 15 | -4 |
| संतरे का रस गिलास में | 250 ml | 200 ml | -50 ml | -20.0% | 112 | 90 | -22 |
| दूध के साथ कॉफी मग में | 350 ml | 250 ml | -100 ml | -28.6% | 58 | 41 | -17 |
| कटोरे में सूप | 400 ml | 300 ml | -100 ml | -25.0% | 160 | 120 | -40 |
| बादाम छोटे कटोरे में | 35 g | 28 g | -7 g | -20.0% | 204 | 163 | -41 |
| ट्रेल मिक्स कटोरे में | 55 g | 42 g | -13 g | -23.6% | 264 | 201 | -63 |
| कंटेनर में योगर्ट | 170 g | 150 g | -20 g | -11.8% | 100 | 88 | -12 |
| पूरा सेब | 182 g | 170 g | -12 g | -6.6% | 95 | 89 | -6 |
| आधा एवोकाडो | 68 g | 75 g | +7 g | +10.3% | 109 | 120 | +11 |
| टोस्ट पर मूंगफली का मक्खन | 18 g (PB केवल) | 12 g | -6 g | -33.3% | 105 | 70 | -35 |
| चिकन + चावल + ब्रोकोली प्लेट | 440 g कुल | 365 g कुल | -75 g | -17.0% | 542 | 450 | -92 |
सारांश सांख्यिकी:
- औसत निरपेक्ष विचलन: 16.9%
- मध्य विचलन: 19.2%
- कम आंका गया पूर्वाग्रह: 20 में से 18 खाद्य पदार्थों का कम आंका गया
- औसत कैलोरी प्रभाव: प्रति खाद्य पदार्थ 37 कैलोरी
- 10% सटीकता के भीतर खाद्य पदार्थ: 20 में से 5 (25%)
20% विचलन वाले खाद्य पदार्थ: 20 में से 8 (40%)
परिणाम एक स्पष्ट और सुसंगत पैटर्न को प्रकट करते हैं। Cal AI ने परीक्षण किए गए 20 खाद्य पदार्थों में से 18 में पोर्शन आकार को कम आंका। औसत विचलन 16.9% था, लेकिन यह औसत विशेष श्रेणियों के लिए गंभीरता को छुपाता है। अनियमित मांस (चिकन ब्रेस्ट, स्टेक) में 19-22% कम आंका गया। ढेर वाले खाद्य पदार्थ (चावल, पास्ता, मैश किए हुए आलू) में 14-20% कम आंका गया। तरल पदार्थों में 20-29% कम आंका गया।
जहां पोर्शन अनुमान विश्वसनीय है
Cal AI के अनुमान उन खाद्य पदार्थों के लिए सबसे सटीक थे जिनके आकार और आकार मानकीकृत और पूर्वानुमानित हैं।
समान वस्तुएं
ब्रेड का एक टुकड़ा, एक उबला हुआ अंडा, और एक सेब सभी वास्तविक वजन के 5-10% के भीतर आते हैं। इन खाद्य पदार्थों के आकार स्थिर होते हैं जिन्हें AI प्रशिक्षण डेटा अच्छी तरह से पकड़ता है। ब्रेड का एक टुकड़ा लगभग हर ब्रांड के लिए समान मोटाई और आयाम रखता है। एक बड़ा अंडा एक बड़ा अंडा होता है। AI के प्रशिक्षण डेटा में इन वस्तुओं की हजारों छवियाँ शामिल हैं, और उनके पूर्वानुमानित ज्यामिति के कारण गहराई का अनुमान लगाना कम महत्वपूर्ण हो जाता है।
मानकीकृत पैक किए गए आइटम
प्रोटीन बार, भले ही अनपैक्ड हो, वास्तविक वजन के 8.3% के भीतर अनुमानित था। इसका आयताकार आकार और मानकीकृत आयाम इसे दृश्य रूप से पूर्वानुमानित बनाते हैं। नियमित ज्यामितीय आकार वाले खाद्य पदार्थों ने हमारे परीक्षण में अनियमित खाद्य पदार्थों की तुलना में लगातार बेहतर प्रदर्शन किया।
सामान्य कारक यह है कि इन खाद्य पदार्थों में आकार की विविधता कम होती है। जब आपने एक ब्रेड का टुकड़ा देखा है, तो आपने मूल रूप से सभी को देख लिया है। AI सामान्य आयामों पर निर्भर कर सकता है बजाय इसके कि संदर्भ संकेतों से आयामों का अनुमान लगाए।
जहां पोर्शन अनुमान असंगत है
अनियमित आकार: स्टेक और चिकन की समस्या
ग्रिल्ड स्टेक को 22.2% कम आंका गया, जिससे एक खाद्य पदार्थ के लिए 127 कैलोरी की त्रुटि हुई। चिकन ब्रेस्ट को 19.5% कम आंका गया, जिससे 56 कैलोरी की त्रुटि हुई। ये उन खाद्य पदार्थों में से हैं जो प्रोटीन सेवन को ट्रैक करने वाले लोगों द्वारा सबसे अधिक लॉग किए जाते हैं।
अनियमित आकार कठिन होते हैं क्योंकि मोटाई खाद्य पदार्थ में भिन्न होती है। एक चिकन ब्रेस्ट मोटे केंद्र से पतले किनारों की ओर संकुचित होता है। एक शीर्ष से नीचे या कोणीय फोटो में, AI सतह क्षेत्र को पकड़ता है लेकिन केंद्र में मोटाई को कम आंकता है। परिणामस्वरूप एक प्रणालीगत कम गिनती होती है जो कैलोरी-घने प्रोटीन को प्रभावित करती है — ठीक वही खाद्य पदार्थ जहां सटीकता सबसे महत्वपूर्ण होती है।
ढेर और माउंड वाले खाद्य पदार्थ: चावल, पास्ता, और आलू
पके हुए चावल, पास्ता, और मैश किए हुए आलू को 14-20% कम आंका गया। ये खाद्य पदार्थ महत्वपूर्ण ऊँचाई के साथ ढेर में जमा होते हैं जिसे 2D फोटो संकुचित कर देती है। एक प्लेट पर चावल की एक सर्विंग शायद शीर्ष पर 4 सेंटीमीटर ऊँची हो, लेकिन 45 डिग्री पर ली गई फोटो इसे एक बहुत पतली परत के रूप में दिखाती है।
USDA FoodData Central डेटाबेस पके हुए सफेद चावल को प्रति कप (186 g) 130 कैलोरी पर सूचीबद्ध करता है। 210-ग्राम सर्विंग पर 14.3% की कमी का अर्थ है 33 गायब कैलोरी — और अधिकांश लोग चावल को एक बड़े भोजन के एक घटक के रूप में खाते हैं। त्रुटियाँ हर ढेर वाले खाद्य पदार्थ पर बढ़ जाती हैं।
तरल पदार्थ: अदृश्य मात्रा की समस्या
तरल पदार्थ सबसे कम विश्वसनीय रूप से अनुमानित श्रेणी थी, जिसमें 20-29% का विचलन था। संतरे का रस 20% कम आंका गया। दूध के साथ कॉफी को 28.6% कम आंका गया। कटोरे में सूप को 25% कम आंका गया।
समस्या सीधी है: AI तरल की सतह देख सकता है लेकिन कंटेनर की गहराई का निर्धारण नहीं कर सकता। एक चौड़ी, उथली कटोरी और एक संकीर्ण, गहरी कटोरी फोटो में समान सतहें प्रस्तुत कर सकती हैं जबकि उनके पास बहुत अलग मात्रा हो सकती है। कंटेनर के आयामों को जाने बिना, AI का मात्रा अनुमान मौलिक रूप से एक अनुमान होता है।
कोण की समस्या: समान खाद्य पदार्थ, विभिन्न अनुमान
खाद्य पदार्थ की सटीकता परीक्षण के अलावा, हमने यह जांचा कि क्या Cal AI एक ही खाद्य पदार्थ के विभिन्न कोणों से फोटो खींचने पर सुसंगत अनुमान उत्पन्न करता है।
कोण सुसंगतता परीक्षण: ग्रिल्ड चिकन ब्रेस्ट (174 g वास्तविक)
| फोटो कोण | Cal AI अनुमान | वास्तविक से विचलन |
|---|---|---|
| 45 डिग्री (मानक) | 140 g | -19.5% |
| सीधे ऊपर (90 डिग्री) | 155 g | -10.9% |
| निम्न कोण (20 डिग्री) | 125 g | -28.2% |
| साइड कोण (10 डिग्री) | 110 g | -36.8% |
एक ही 174-ग्राम चिकन ब्रेस्ट ने कैमरे के कोण के आधार पर 110 ग्राम से 155 ग्राम के बीच अनुमान उत्पन्न किए — 45 ग्राम का अंतर। ऊपर से लिया गया कोण सबसे सटीक परिणाम उत्पन्न करता है क्योंकि यह पूरे सतह क्षेत्र को पकड़ता है, लेकिन यह भी लगभग 11% से गलत था। निम्न और साइड कोण ने पोर्शन को काफी कम आंका क्योंकि खाद्य पदार्थ की ऊँचाई और गहराई तेजी से संकुचित हो गई।
इसका मतलब है कि उपयोगकर्ता को जो कैलोरी गिनती मिलती है, वह आंशिक रूप से इस पर निर्भर करती है कि वे अपना फोन कैसे पकड़ते हैं, न कि केवल वे क्या खा रहे हैं। एक उपयोगकर्ता जो आदतन खाद्य पदार्थों की फोटो निम्न कोण से लेता है, वह लगातार कैलोरी को कम आंकता है, जबकि जो उपयोगकर्ता ऊपर से फोटो खींचता है, वह अधिक सटीकता से गिनता है।
प्लेट आकार का भ्रम: समान पोर्शन, विभिन्न प्लेटें
हमने यह परीक्षण किया कि क्या प्लेट का आकार Cal AI के पोर्शन अनुमान को प्रभावित करता है, 200 ग्राम पकी हुई पास्ता को तीन विभिन्न प्लेटों पर रखकर।
प्लेट आकार परीक्षण: 200 g पकी हुई पास्ता
| प्लेट व्यास | Cal AI अनुमान | विचलन |
|---|---|---|
| 20 cm (छोटी प्लेट) | 225 g | +12.5% |
| 26 cm (मानक प्लेट) | 195 g | -2.5% |
| 32 cm (बड़ी प्लेट) | 155 g | -22.5% |
एक ही 200 ग्राम पास्ता को छोटी प्लेट पर 225 ग्राम और बड़ी प्लेट पर 155 ग्राम के रूप में अनुमानित किया गया — प्लेट के आकार के आधार पर 70 ग्राम का अंतर। यह डेलब्यूफ भ्रम है, एक अच्छी तरह से प्रलेखित धारणा पूर्वाग्रह जहां वस्तुएं छोटे फ्रेम के चारों ओर होने पर बड़ी दिखाई देती हैं और बड़े फ्रेम के चारों ओर होने पर छोटी दिखाई देती हैं। AI ने अपने प्रशिक्षण डेटा से इस पूर्वाग्रह को सीखा है, जिसमें खाद्य फोटो शामिल हैं जहां प्लेट का आकार धारित मात्रा के साथ सहसंबंधित होता है।
जो उपयोगकर्ता बड़े रेस्तरां प्लेटों या सर्विंग बाउल से खाते हैं, उनके लिए इसका मतलब है कि Cal AI उनके पोर्शन को प्रणालीगत रूप से कम आंकता है। जो उपयोगकर्ता छोटे मिठाई प्लेटों से खाते हैं, उनके लिए ऐप अधिक अनुमानित करेगा। दोनों समूहों को यह जानने में कठिनाई होगी कि उन्होंने वास्तव में कितना खाया।
सुसंगतता परीक्षण: एक ही खाद्य पदार्थ, पांच फोटो
हमने ग्रिल्ड चिकन ब्रेस्ट के एक सर्विंग (542 वास्तविक कैलोरी) की पांच बार फोटो खींची, केवल फोन के कोण को थोड़ा समायोजित करते हुए।
पांच-फोटो सुसंगतता परीक्षण
| फोटो संख्या | Cal AI कुल कैलोरी | वास्तविक से विचलन |
|---|---|---|
| 1 | 450 | -17.0% |
| 2 | 478 | -11.8% |
| 3 | 435 | -19.7% |
| 4 | 462 | -14.8% |
| 5 | 448 | -17.3% |
एक ही भोजन की पांच तस्वीरों ने पांच अलग-अलग कैलोरी अनुमानों का उत्पादन किया, जो 435 से 478 के बीच थे — 43 कैलोरी का अंतर। औसत 455 कैलोरी थी, जो वास्तविक 542 कैलोरी से 16.1% कम थी। एक भी फोटो ने वास्तविक कैलोरी सामग्री के 10% के भीतर परिणाम उत्पन्न नहीं किया।
यह परीक्षण सटीकता और सुसंगतता की समस्याओं को एक साथ प्रदर्शित करता है। अनुमानों में लगातार कमी है (सटीकता की विफलता), और वे एक समान खाद्य पदार्थ की तस्वीरों में भिन्न होते हैं (सुसंगतता की विफलता)। एक उपयोगकर्ता जो इस भोजन को लॉग करता है, उसे यह निर्भर करता है कि उसने कौन सी पांच तस्वीरों में से कौन सी ली।
कैसे दैनिक त्रुटियाँ संचित होती हैं
हमारे परीक्षण में प्रति खाद्य पदार्थ की त्रुटियाँ औसतन 37 कैलोरी थीं। यह छोटा लगता है जब तक आप यह नहीं सोचते कि एक सामान्य दिन में तीन भोजन और नाश्ते में 10 से 15 व्यक्तिगत खाद्य पदार्थ लॉग करने होते हैं।
दैनिक संचय परिदृश्य
| भोजन | लॉग किए गए खाद्य पदार्थ | वास्तविक कैलोरी | Cal AI कुल | संचयी त्रुटि |
|---|---|---|---|---|
| नाश्ता (ओटमील, केला, मूंगफली का मक्खन) | 3 आइटम | 445 | 385 | -60 |
| दोपहर का भोजन (चिकन, चावल, सब्जियाँ) | 3 आइटम | 542 | 450 | -92 |
| नाश्ता (बादाम, योगर्ट) | 2 आइटम | 304 | 251 | -53 |
| रात का खाना (स्टेक, मैश किए हुए आलू, सलाद) | 3 आइटम | 816 | 640 | -176 |
| दैनिक कुल | 11 आइटम | 2,107 | 1,726 | -381 |
एक 381-कैलोरी दैनिक कम आंकना। यह कुल सेवन का 18.1% है — एक कमी जो अस्तित्व में नहीं है। एक उपयोगकर्ता जो वजन घटाने के लिए 500-कैलोरी दैनिक कमी की योजना बना रहा है, वास्तव में Cal AI के कम आंका जाने के पूर्वाग्रह को ध्यान में रखते हुए 119-कैलोरी की कमी में है। इस दर पर, एक योजनाबद्ध 1-पाउंड प्रति सप्ताह वजन घटाने का परिणाम 0.24 पाउंड प्रति सप्ताह हो जाता है। एक महीने की अनुशासित ट्रैकिंग एक सप्ताह के अपेक्षित परिणामों का उत्पादन करती है, और उपयोगकर्ता यह नहीं जानता कि क्यों।
अमेरिकन जर्नल ऑफ क्लिनिकल न्यूट्रिशन में प्रकाशित शोध ने लगातार दिखाया है कि खाद्य सेवन की कम रिपोर्टिंग आहार मूल्यांकन में सबसे सामान्य त्रुटि की दिशा है, और मानव-लेबल किए गए डेटा पर प्रशिक्षित AI सिस्टम इस पूर्वाग्रह को विरासत में लेते हैं।
Nutrola पोर्शन अनुमान को अलग तरीके से कैसे संभालता है
Nutrola का पोर्शन अनुमान समस्या के प्रति दृष्टिकोण यह है कि फोटो AI को एक प्रारंभिक बिंदु के रूप में देखा जाए, अंतिम उत्तर नहीं। ऐप की फोटो पहचान खाद्य पदार्थों की पहचान करती है और उन्हें 1.8 मिलियन से अधिक प्रविष्टियों के पोषण विशेषज्ञ-प्रमाणित डेटाबेस से मानचित्रित करती है, प्रति ग्राम कैलोरी मान स्थापित करती है। लेकिन Nutrola केवल AI पर पोर्शन आकार का अनुमान लगाने के लिए भरोसा नहीं करता, बल्कि यह एक वॉयस सुधार परत प्रदान करता है।
अपने भोजन की फोटो लेने के बाद, आप कह सकते हैं "वास्तव में यह लगभग 200 ग्राम चिकन था" या "चावल लगभग एक कप था।" प्रविष्टि तुरंत सत्यापित प्रति-ग्राम पोषण डेटा के आधार पर अपडेट होती है। यह सेकंड में होता है — मैनुअल खोज से तेज — और उस मौलिक सीमा को हल करता है कि कोई AI 2D छवि से 3D मात्रा का सटीक अनुमान नहीं लगा सकता।
सत्यापित डेटाबेस महत्वपूर्ण अंतर है। यहां तक कि जब पोर्शन अनुमान सही होता है, कैलोरी गिनती केवल उतनी ही विश्वसनीय होती है जितना कि यह संदर्भित पोषण डेटा। Nutrola का डेटाबेस प्रत्येक खाद्य पदार्थ के लिए एक सत्यापित प्रविष्टि रखता है, जो पोषण विशेषज्ञ द्वारा मान्य डेटा से प्राप्त होता है, बिना किसी भीड़-सोर्स किए गए डुप्लिकेट या विरोधाभासी प्रविष्टियों के। फोटो पहचान, वॉयस-सुधारित पोर्शन, और सत्यापित डेटा का संयोजन कैलोरी लॉग उत्पन्न करता है जो वास्तव में आपने जो खाया है उसे दर्शाता है, न कि जो AI ने फोटो से अनुमान लगाया।
Nutrola में पैक किए गए खाद्य पदार्थों के लिए बारकोड स्कैनिंग और घर पर बने भोजन के लिए रेसिपी आयात भी शामिल है, यह सुनिश्चित करते हुए कि हर लॉगिंग विधि में डेटा की गुणवत्ता सुसंगत है। iOS और Android पर EUR 2.50 प्रति माह में उपलब्ध, Nutrola किसी भी योजना पर बिना विज्ञापनों के डिज़ाइन किया गया है, यह सिद्धांत के चारों ओर कि गति और सटीकता एक-दूसरे के विपरीत नहीं हैं।
अक्सर पूछे जाने वाले प्रश्न
कैलोरी गिनने में Cal AI कितनी सटीक है?
हमारे 20 खाद्य पदार्थों के परीक्षण में, Cal AI के पोर्शन अनुमानों ने वास्तविक मापे गए वजन से औसतन 16.9% का विचलन किया। इसका अर्थ है प्रति व्यक्तिगत खाद्य पदार्थ औसतन 37 कैलोरी की त्रुटि। केवल 25% खाद्य पदार्थ (20 में से 5) 10% सटीकता के भीतर अनुमानित थे। ऐप ने 20 में से 18 खाद्य पदार्थों के लिए पोर्शन को कम आंका, जिससे एक पूर्ण दिन के खाने में ये प्रति-आइटम त्रुटियाँ 381-कैलोरी के कम आंकने में संचित हो गईं।
Cal AI एक ही भोजन के लिए अलग-अलग कैलोरी क्यों देता है?
Cal AI के अनुमान फोटो के कोण, रोशनी और फ्रेमिंग के आधार पर बदलते हैं क्योंकि यह 2D छवि से 3D पोर्शन आकार का अनुमान लगा रहा है। हमारे सुसंगतता परीक्षण में, एक ही भोजन की पांच तस्वीरों ने 435 से 478 के बीच कैलोरी अनुमानों का उत्पादन किया — 43 कैलोरी का अंतर। कैमरे के कोण का सबसे बड़ा प्रभाव होता है: हमारे कोण परीक्षण ने दिखाया कि एक ही चिकन ब्रेस्ट को साइड कोण से 110 ग्राम और सीधे ऊपर से 155 ग्राम के रूप में अनुमानित किया गया।
क्या Cal AI कुछ खाद्य पदार्थों के लिए अधिक सटीक है?
हाँ। Cal AI उन खाद्य पदार्थों के लिए सबसे सटीक है जिनके आकार समान और पूर्वानुमानित होते हैं: ब्रेड का टुकड़ा (5.3% विचलन), उबले हुए अंडे (0% विचलन), और पूरे फल (6.6% विचलन)। यह अनियमित आकार वाले मांस (19-22% विचलन), ढेर वाले खाद्य पदार्थ जैसे चावल और पास्ता (14-20% विचलन), और तरल पदार्थ (20-29% विचलन) के लिए सबसे कम सटीक है। यदि आपका आहार मुख्य रूप से सरल, समान खाद्य पदार्थों से बना है, तो ऐप अधिक विश्वसनीय होगा, जबकि जटिल, मल्टी-कंपोनेंट भोजन खाने पर यह कम विश्वसनीय होगा।
क्या प्लेट का आकार Cal AI के कैलोरी अनुमान को प्रभावित करता है?
हाँ। हमारे प्लेट आकार परीक्षण में, 200 ग्राम पास्ता को 20-सेंटीमीटर छोटी प्लेट पर 225 ग्राम और 32-सेंटीमीटर बड़ी प्लेट पर 155 ग्राम के रूप में अनुमानित किया गया — एक समान पोर्शन के लिए 70 ग्राम का अंतर। यह डेलब्यूफ भ्रम के कारण है, जहां चारों ओर का संदर्भ वस्तु के आकार के धारणा को बदलता है। बड़े प्लेटों या रेस्तरां के बर्तनों से खाने वाले उपयोगकर्ताओं को लगातार कम आंका गया पोर्शन दिखेगा।
क्या मैं वजन घटाने के लिए Cal AI का उपयोग कर सकता हूँ?
Cal AI मोटे तौर पर कैलोरी जागरूकता प्रदान कर सकता है, लेकिन इसकी प्रणालीगत कम आंका जाने की पूर्वाग्रह इसे सटीक कमी आधारित वजन घटाने के लिए समस्याग्रस्त बनाती है। हमारे दैनिक परिदृश्य में, एक योजनाबद्ध 500-कैलोरी की कमी को Cal AI के कम आंका जाने के बाद 119-कैलोरी की प्रभावी कमी में घटित किया गया — जो योजनाबद्ध कमी में 76% की कमी है। अधिक विश्वसनीय परिणामों के लिए, फोटो-आधारित लॉगिंग को वास्तविक खाद्य वजन के साथ मिलाएं या Nutrola जैसे ऐप का उपयोग करें जो फोटो AI को वॉयस-सुधारित पोर्शनों और सत्यापित पोषण डेटाबेस के साथ जोड़ता है।
क्या आप अपने पोषण ट्रैकिंग को बदलने के लिए तैयार हैं?
उन हजारों में शामिल हों जिन्होंने Nutrola के साथ अपनी स्वास्थ्य यात्रा को बदल दिया!
