料理別AIカロリー追跡精度：20種類の料理から500品をテストしました

ほとんどのAI食材認識モデルは、西洋の食材を中心に訓練されています。 そのため、ロサンゼルスのデリで提供されるグリルチキンサラダやニューヨークのペパロニピザはほぼ完璧に認識される一方で、エチオピアのドロワットやフィリピンのシシグはアルゴリズムが戸惑うことがあります。私たちは、この精度のギャップがどれほど大きいのかを知りたくなり、500品の実際の料理を使ったコントロールテストを実施しました。すべての料理は計量され、栄養士によって計算された値と照合されました。その結果をお伝えします。

方法論：500品のテスト方法

この研究は、実際の条件にできるだけ近づけるように設計しました。以下がその詳細です：

• 合計500品、各料理25品、レストランや家庭のキッチンから調達。
• 20種類の料理を選定し、広範な地理的および料理的な範囲を代表。
• 各料理は標準条件下で撮影 — 自然光、単一の皿、上からと45度の角度で — スマートフォンカメラを使用（スタジオセットアップなし）。
• 各料理はキャリブレーションされたキッチンスケールで計量され、登録栄養士によって成分が分解され、基準カロリー数が算出されました。
• 写真はNutrolaのSnap & Track AIに提出され、カロリーの推定が行われました。
• AIの推定値と栄養士の基準値を比較し、平均カロリー偏差（パーセンテージ）、食品識別率（AIが料理名や主要成分を正しく識別したか）、基準値の10%および15%以内に収まった料理の割合を測定しました。

これは実験室での研究ではなく、臨床グレードの精度を主張するものではありません。しかし、500品のデータは、AI食材認識が得意な分野と苦手な分野の明確なパターンを示すには十分です。

テストした20種類の料理

私たちは、以下の三つの基準に基づいて料理を選定しました：世界的な人気、調理方法の多様性、AI訓練データにおける過小評価された食品カテゴリの代表性。

1. アメリカ料理
2. イタリア料理
3. メキシコ料理
4. 中華料理
5. 日本料理
6. 韓国料理
7. インド料理
8. タイ料理
9. ベトナム料理
10. 中東料理 / レバノン料理
11. トルコ料理
12. ギリシャ料理
13. エチオピア料理
14. ナイジェリア料理
15. ブラジル料理
16. フランス料理
17. ドイツ料理
18. スペイン料理
19. フィリピン料理
20. カリブ料理

各料理は、その料理の範囲を網羅する25品で構成されており、前菜、主菜、副菜、ストリートフードが含まれています。「フォトジェニック」な料理（寿司盛り合わせ、個別のタコス）と挑戦的な料理（カレー、シチュー、キャセロール）の両方を意図的に含めました。

完全な結果：精度による20種類の料理のランク付け

以下は、平均カロリー偏差が最も少ないものから多いものへとランク付けした結果です：

ランク	料理	テストした料理数	平均カロリー偏差	食品識別率	10%以内	15%以内
1	日本料理	25	5.8%	96%	84%	96%
2	アメリカ料理	25	6.2%	98%	80%	92%
3	イタリア料理	25	6.5%	96%	80%	92%
4	韓国料理	25	7.1%	92%	76%	88%
5	ドイツ料理	25	7.4%	92%	72%	88%
6	ギリシャ料理	25	7.9%	88%	68%	84%
7	フランス料理	25	8.3%	88%	64%	84%
8	スペイン料理	25	8.6%	88%	64%	80%
9	メキシコ料理	25	9.1%	84%	60%	80%
10	ベトナム料理	25	9.4%	84%	60%	76%
11	ブラジル料理	25	9.8%	80%	56%	76%
12	トルコ料理	25	10.2%	80%	52%	72%
13	中華料理	25	10.7%	80%	48%	72%
14	中東料理	25	11.3%	76%	48%	68%
15	フィリピン料理	25	12.1%	72%	44%	64%
16	カリブ料理	25	12.8%	68%	40%	60%
17	ナイジェリア料理	25	13.4%	64%	36%	56%
18	タイ料理	25	13.9%	68%	36%	56%
19	インド料理	25	14.6%	64%	32%	52%
20	エチオピア料理	25	15.8%	56%	28%	48%

全体の平均（500品全体）： 9.8%のカロリー偏差、78%の食品識別率、10%以内56%、15%以内74%。

最も精度の高い料理トップ5（その理由）

1. 日本料理（平均偏差5.8%）

日本料理は、世界で最もAIに優しい料理といえるでしょう。寿司ロール、刺身、天ぷら、弁当は、視覚的に明確で個別に分けられたアイテムとして提供されます。ご飯は通常、明確に定義されたポーションで提供されます。AIは個数を数え、サイズを推定し、充実したトレーニングデータベースと照合することができます。日本の食文化は標準化されたプレゼンテーションを好むため、あるレストランのカリフォルニアロールは、別のレストランのものとほぼ同じように見えます。

最も良いパフォーマンスを示した料理: にぎり寿司（偏差3.2%）、枝豆（2.9%）、おにぎり（4.1%） 最もパフォーマンスが低かった料理: ラーメン（11.4% — スープのカロリー推定が難しい）、お好み焼き（9.8%）

2. アメリカ料理（平均偏差6.2%）

アメリカ料理は、AIトレーニングデータに多く含まれていることと、パッケージ化された標準化された料理やチェーンレストランのアイテムが多いことという2つの大きな利点があります。ビッグマックはどこでも同じように見えます。ホットドッグは予測可能なサイズです。サラダは認識しやすい、分けられた成分で構成されています。アメリカの家庭料理 — ハンバーガー、グリルチキン、焼きポテト — も視覚的に明確なコンポーネントから成り立っています。

最も良いパフォーマンスを示した料理: ハンバーガー（偏差3.8%）、グリルチキン（4.1%）、シーザーサラダ（5.2%） 最もパフォーマンスが低かった料理: キャセロール（12.3%）、ローデッドナチョス（10.9%）

3. イタリア料理（平均偏差6.5%）

イタリア料理は、日本料理と同様の理由で高い評価を得ています — 多くの料理が標準化され、視覚的に認識しやすい形を持っています。マルゲリータピザ、スパゲッティ、カプレーゼサラダ、リゾットのボウルはすべて視覚的に明確で、食品画像データセットに多く含まれています。パスタの形状は識別可能で、トッピングは通常、料理の上に乗せられています。

最も良いパフォーマンスを示した料理: マルゲリータピザ（偏差3.5%）、カプレーゼサラダ（4.0%）、ブルスケッタ（4.8%） 最もパフォーマンスが低かった料理: ラザニア（11.2% — 層状の料理はチーズや肉を隠す）、カルボナーラ（9.6% — 生クリームと卵の含有量が異なる）

4. 韓国料理（平均偏差7.1%）

韓国料理は、4位にランクインしたことに驚きました。主な要因は、韓国の食事が通常、メイン料理とともに複数の小皿（バンチャン）で提供されるため、個々のアイテムの認識が容易であることです。ビビンバは、ご飯の上に視覚的に分けられた成分を提供します。キンパは識別可能な円形にスライスされます。キムチや漬物は視覚的に明確です。

最も良いパフォーマンスを示した料理: キンパ（偏差4.2%）、ビビンバ（5.8%）、キムチ（3.1%） 最もパフォーマンスが低かった料理: チゲ/シチュー（12.7%）、ソース付きトッポッキ（10.1%）

5. ドイツ料理（平均偏差7.4%）

ドイツ料理は、大きく視覚的に明確なアイテム — ソーセージ、シュニッツェル、プレッツェル、ポテトダンプリング — を特徴としており、AIが識別しやすいです。皿は通常、混ぜられた料理ではなく、別々のコンポーネントで構成されています。ソーセージの種類は視覚的に区別可能で、パン製品は標準的な形状とサイズを持っています。

最も良いパフォーマンスを示した料理: ブラートヴルスト（偏差4.5%）、プレッツェル（4.9%）、シュニッツェル（6.2%） 最もパフォーマンスが低かった料理: アイントフプ/シチュー（11.8%）、ドレッシングが異なるポテトサラダ（9.4%）

最も精度の低い料理トップ5（その理由）

20. エチオピア料理（平均偏差15.8%）

エチオピア料理は、すべての指標においてAIにとって最も難しいものでした。主な問題は、インジェラを基にした料理が複数のシチュー（ワット）や野菜料理を一つの大きな平たいパンの上に提供し、しばしば重なり合って混ざっているため、AIがどの料理がどこで終わるのかを判断するのが難しいことです。ドロワット、ミシルワット、キトフォは視覚的に似ており、濃いソースの料理で、特徴的な表面の特徴が少ないです。バター（ニタキベ）や油の含有量は、ソースの下に隠れています。

低い食品識別率（56%）は、トレーニングデータのギャップを反映しています。エチオピア料理は、依然として世界の食品画像データセットで過小評価されています。

19. インド料理（平均偏差14.6%）

インド料理は、AIにとっての課題が重なった完璧な嵐を呈しています。カレーは視覚的に不透明で、写真ではバターチキンにどれだけのギー、クリーム、ココナッツミルクが含まれているかを示すことができません。ダルは、テンプル（タルカ）オイルによって150から400カロリーまで幅があります。グレービーは料理によって似ているため、コルマ、ティッカマサラ、ロガンジョシュは、写真ではほぼ同じに見える一方で、カロリーが数百も異なることがあります。

パンもまた変数です。プレーンロティは約100カロリーですが、レストランのバターナンは300カロリーを超えることがあります。写真では似て見えますが、カロリーの違いは巨大です。

ギーの要因: 多くのインド料理は、たっぷりのギーを注いで仕上げられ、それが混ぜ込まれるため、目に見えなくなります。私たちの栄養士の基準値は、ギーや油が多くの料理の総カロリーの25-40%を占めることを示しました — AIが見えないカロリーです。

18. タイ料理（平均偏差13.9%）

タイ料理は、インド料理と同様の多くの課題を抱えています：隠れた脂肪分を持つココナッツミルクベースのカレー、油の量が変動する炒め物、そして成分を隠すソースです。グリーンカレーは、ココナッツミルクの比率によって300から600カロリーまで幅があります。パッタイのカロリーは、タマリンドペースト、ピーナッツ、油に基づいて大きく変動します — 成分は全体に分散しているため、上に見えることはありません。

魚醤や砂糖は、タイ料理の基本的な調味料であり、写真では完全に見えないカロリーを追加します。

17. ナイジェリア料理（平均偏差13.4%）

ナイジェリア料理は、トレーニングデータの限られた代表性とカロリー密度の高い調理方法という2つの課題に直面しています。ジョロフライスは、調理中に油を吸収し、表面には見えません。エグシスープは、グラウンドメロンシードとパームオイルで作られ、どちらも高カロリーの成分で、料理に溶け込んでいます。ポンドヤム（フフ）は、見た目は軽そうですが、カロリー密度の高いデンプンです。

AIは、異なるナイジェリアのスープ — オグボノ、エグシ、オクラスープ — を区別するのに苦労しました。写真では似て見えますが、パームオイルや種の含有量の違いによってカロリーのプロファイルは大きく異なります。

16. カリブ料理（平均偏差12.8%）

カリブ料理は、隠れた脂肪を持つ煮込み肉（オックステール、カレー山羊）、ココナッツミルクベースのご飯、油の吸収が変動する揚げプランテイン、そして一つの鍋で作る料理（ペラウ）など、最も厄介な要素を組み合わせています。AIは、グリルマークが見えるジャークチキンにはうまく対応しましたが、ソースがタンパク質を隠すブラウンシチュー料理やカレー料理には苦戦しました。

隠れたカロリー問題：どの料理がAIを最も惑わせるか

このテストからの最も重要な発見の一つは、「隠れたカロリーギャップ」と呼んでいるものです — AIが見えるものと実際に料理に含まれているものの違いです。これは、AIの推定値と実際のカロリー数の間のギャップを測定することで評価しました。特に、目に見えない脂肪や油によって引き起こされるものです。

料理	平均隠れた脂肪カロリー（1皿あたり）	隠れた脂肪からの総カロリーの割合	隠れた脂肪によるAIの過小評価
インド料理	187 kcal	34%	-22%
エチオピア料理	165 kcal	31%	-20%
タイ料理	152 kcal	29%	-18%
ナイジェリア料理	148 kcal	28%	-17%
中華料理	134 kcal	24%	-14%
中東料理	128 kcal	23%	-13%
カリブ料理	124 kcal	22%	-12%
フィリピン料理	118 kcal	21%	-11%
トルコ料理	112 kcal	20%	-10%
ブラジル料理	98 kcal	17%	-8%

パターンは明確です：調理油、ギー、ココナッツミルク、ナッツベースのソースに大きく依存する料理は、AIカロリートラッカーを騙して過小評価させる傾向があります。これはNutrolaに特有の欠陥ではなく、写真ベースのカロリー推定の根本的な限界です。カメラは溶けた脂肪を見ることができません。

実用的な意味: 上記の表の上半分にある料理を定期的に食べる場合、AIの推定値が低くなることを期待し、ソースが豊富な料理やシチュー料理には10-20%の手動修正を加えることを検討すべきです。

Nutrolaが過小評価された料理の精度を向上させる方法

私たちは、このデータを発表してパフォーマンスの悪さを弁解するつもりはありません — 透明性が改善を促進するからです。私たちが現在取り組んでいることは以下の通りです：

過小評価された料理のためのトレーニングデータの拡充

私たちの画像トレーニングパイプラインは、歴史的に北米やヨーロッパの食品に偏っていました。南アジア、西アフリカ、東アフリカ、東南アジア、カリブの料理に関する食品写真家やレシピデータベースと積極的に提携し、80%未満の食品識別率を示す料理のトレーニングセットを大幅に拡充しています。

地域の食品データベースとのパートナーシップ

カロリー推定は、それを支える栄養データの質に依存します。インド、ナイジェリア、エチオピア、タイの栄養研究機関と提携し、地域特有の栄養データを統合しています。デリーで作られた「バターチキン」は、イギリスのテイクアウト版とは異なるカロリープロファイルを持っており、私たちのデータベースはそれを反映する必要があります。

料理特有のAIプロンプト

NutrolaのAIが料理カテゴリー（例：インド料理、タイ料理、エチオピア料理）を検出すると、料理特有の修正係数を適用します。システムがカレーを特定すると、隠れた脂肪の可能性を考慮して自動的に上方修正します。これは完璧な解決策ではありませんが、内部テストでは、インド料理の平均偏差を14.6%から11.2%に、タイ料理を13.9%から10.8%に減少させることが確認されています。

ユーザーフィードバックループ

NutrolaのユーザーがAIの推定値を手動で修正するたびに、その修正がモデルにフィードバックされます。アクティブなユーザーベースを持つ料理は、より早く改善されます。また、過小評価された料理地域からのユーザーを募集するためのターゲットキャンペーンも実施しています。

国際料理を追跡するユーザーへのヒント

このデータに基づいて、非西洋料理を追跡する際に最も正確な結果を得るための実用的な戦略を以下に示します：

1. ソースが豊富な料理には「隠れた油」のバッファを追加

インド料理、タイ料理、エチオピア料理、ナイジェリア料理、中国料理を食べる際は、ソースやグレービーが見える料理にはAIの推定値に10-15%を加えてください。この単一の調整で、ほとんどの精度のギャップが解消されます。

2. 可能な限り個々の成分を撮影

エチオピアのシェアプレート全体を撮影するのではなく、各ワットを別々に撮影してください。サンプルとして、全体のターリーを撮影するのではなく、各ボウルを個別にキャプチャします。AIは、個々の料理を特定する際に大幅にパフォーマンスが向上します。

3. 手動調整機能を使用

Nutrolaでは、スキャン後にAIの推定値を上下に調整できます。これは、定期的に食べる料理に使用してください — 地元のタイレストランのグリーンカレーがAIの推定よりも約15%高いことが分かれば、その修正を毎回適用できます。

4. 知っているレシピと照らし合わせる

自宅で国際料理を作る場合は、正確な測定値（すべての油やギーを含む）で一度レシピを記録してください。それをNutrolaのカスタムミールとして保存します。その時点から、写真推定に頼るのではなく、確認された精度で即座に記録できます。

5. 「カロリーの見た目が似ている」料理に注意

写真ではほぼ同じに見える料理でも、カロリーが大きく異なることがあります。ナンとロティ。ココナッツカレーとトマトベースのカレー。揚げプランテインと茹でプランテイン。AIが推定値を提示した際には、正しい調理法が識別されているか再確認してください。

6. 飲料を別々に追跡

多くの国際料理にはカロリー密度の高い飲料が含まれています — マンゴーラッシー、タイアイスティー、オルチャタ、ナイジェリアのゾボ — これらはフレームの端にあるとAIが見逃すことがあります。最良の結果を得るために、飲み物は別々に撮影してください。

AI食材追跡の未来に向けて

このテストは、AIカロリー追跡がどれほど進化したか、そしてまだどれほどの道のりが残っているかを示しています。視覚的に明確で、よく文書化された食品 — 日本料理、アメリカ料理、イタリア料理、韓国料理 — については、AI写真追跡はすでに非常に高い精度を誇り、栄養士の手動評価から6-7%以内で機能しています。これは、日常的な追跡にとって十分に役立つ精度です。

隠れた脂肪、重なり合った料理、限られたトレーニングデータを持つ料理 — インド料理、エチオピア料理、タイ料理、ナイジェリア料理 — については、ユーザーが認識すべき意味のある精度のギャップがあります。このギャップは、これらの料理に対するAI追跡を無用にするほど大きくはありませんが、正確なカロリー赤字を維持しようとする場合には重要です。

良いニュースは、この問題は解決可能であるということです。これは根本的にデータの問題であり、アルゴリズムの問題ではありません。トレーニングデータセットが拡大し、地域の栄養データベースが改善されるにつれて、過小評価された料理の精度はトップパフォーマーと収束していくでしょう。Nutrolaの目標は、2026年末までにすべての20種類の料理で平均偏差を8%未満に抑えることです。

その間、AIの推定とユーザーの認識、手動修正の組み合わせにより、どの料理を食べていても、意味のある栄養追跡に十分な精度を得ることができます。

NutrolaのSnap & Track機能は、すべてのプランで利用可能で、月額わずか2.50ユーロから始まり、広告なしで、継続的に改善されるAI食材認識エンジンへの完全アクセスが提供されます。ユーザーが多様な料理を撮影すればするほど、システムは全体として賢くなります。

---

方法論ノート：このテストは2026年3月にNutrolaチームによって内部で実施されました。基準カロリー値は、独立して作業する2人の登録栄養士によって計算され、相違点は合意によって解決されました。すべてのAI推定値は、Nutrola v3.2のSnap & Track機能を使用して生成されました。このテストは四半期ごとに繰り返し、更新結果を公開する予定です。