AI 사진 칼로리 추정, 믿을 수 있을까? 앱과 식사 유형별 정확도 데이터

AI 기반 사진 칼로리 추정이 불과 5년 만에 공상 과학에서 일반적인 기능으로 자리 잡았습니다. 음식을 향해 스마트폰을 들이대고 버튼을 누르면 앱이 칼로리를 알려줍니다. 하지만 그 숫자를 얼마나 믿어야 할까요? 그 답은 사용하는 앱, 먹는 음식, AI가 확인된 영양 데이터에 식별을 매핑하는지 여부에 따라 달라집니다.

다음은 주요 앱과 식사 유형별로 실제 정확도 데이터가 보여주는 내용입니다.

AI 사진 칼로리 추정 방식

모든 사진 기반 칼로리 추정 앱은 동일한 세 가지 단계의 파이프라인을 따릅니다. 이 단계를 이해하면 오류가 발생하는 지점을 파악할 수 있습니다.

1단계: 객체 감지. AI는 접시 위의 음식을 식별합니다. 이미지를 여러 영역으로 나누고 각 영역을 특정 음식 항목으로 분류합니다. 치킨, 밥, 브로콜리가 있는 접시는 세 가지 개별 분류를 받습니다.

2단계: 양 추정. AI는 각 음식의 양을 추정합니다. 이 단계가 가장 큰 도전 과제가 됩니다. 3D 음식의 2D 사진은 깊이 정보를 잃게 됩니다. AI는 치킨 조각이 얼마나 두꺼운지, 밥이 담긴 그릇이 얼마나 깊은지, 보이는 음식 아래에 얼마나 많은 소스가 숨겨져 있는지 볼 수 없습니다.

3단계: 데이터베이스 매칭. 식별된 음식과 추정된 양은 영양 데이터베이스와 매칭되어 칼로리와 매크로를 계산합니다. 이 단계는 종종 간과되지만 매우 중요합니다. AI가 "구운 연어, 약 150그램"을 정확하게 식별하더라도, 칼로리 출력은 매핑된 데이터베이스 항목의 정확성에 전적으로 의존합니다.

각 단계에서 잠재적인 오류가 발생할 수 있습니다. 최종 추정의 정확도는 각 단계의 정확도의 곱입니다.

앱 및 식사 유형별 정확도

우리는 네 가지 주요 AI 사진 칼로리 추정 앱을 세 가지 식사 복잡도 범주에서 평가했습니다. 각 앱은 30개의 식사(카테고리당 10개)로 테스트되었으며, AI 추정치는 USDA 기준 데이터를 사용하여 무게를 재고 수동으로 계산한 칼로리 값과 비교되었습니다.

앱	간단한 식사	복잡한 식사	레스토랑 식사	전체
Nutrola	90-95%	75-85%	70-80%	80-87%
Cal AI	85-92%	65-78%	60-72%	70-81%
Foodvisor	83-90%	63-75%	58-70%	68-78%
SnapCalorie	80-88%	60-73%	55-68%	65-76%

간단한 식사는 명확하게 보이는 음식이 있는 단일 항목 접시를 포함합니다: 구운 치킨 가슴살과 찐 야채, 베리가 들어간 오트밀 한 그릇, 토핑이 보이는 일반 샐러드.

복잡한 식사는 겹치거나 혼합된 재료가 있는 다중 구성 요리를 포함합니다: 볶음 요리, 소스와 토핑이 있는 파스타, 속이 가득 찬 부리또, 층이 있는 그릇.

레스토랑 식사는 소스, 장식, 비표준화된 양이 포함된 앉아서 먹는 레스토랑의 접시 요리를 포함합니다.

간단한 식사와 복잡한 식사 간의 정확도 차이는 모든 앱에서 일관되게 나타납니다. 이는 소프트웨어 품질 문제와는 무관합니다. 2D 이미지에서 3D 음식의 부피를 추정하는 데는 근본적인 한계가 있습니다.

근본적인 한계: 3D 음식의 2D 사진

어떤 AI도 사진 기반 추정의 핵심에 있는 물리학 문제를 극복할 수 없습니다. 사진은 표면적을 포착하지만 부피는 포착하지 않습니다. 이는 모든 앱이 공유하는 특정 맹점을 만듭니다.

숨겨진 층. 위에서 촬영한 부리또 그릇은 토핑의 상단 층만 보여줍니다. 그 아래의 밥, 콩, 단백질은 부분적으로 또는 완전히 숨겨져 있습니다. AI는 볼 수 없는 것만 추정할 수 있습니다.

깊이와 두께. 두 개의 치킨 가슴살은 위에서 보면 동일하게 보일 수 있지만, 하나가 두 배 두껍다면 무게가 50% 차이날 수 있습니다. 얕은 그릇과 깊은 그릇의 수프는 사진에서 비슷하게 보이지만, 실제로는 매우 다른 부피를 포함하고 있습니다.

소스와 기름. 음식에 흡수된 조리 기름, 샐러드에 섞인 드레싱, 단백질 아래에 있는 소스는 대부분 보이지 않습니다. 버터에 구운 치킨 가슴살은 건조하게 조리한 것과 거의 동일하게 보이지만, 칼로리 차이는 100칼로리 이상입니다.

밀도 변동. 꽉 찬 밥 한 컵은 느슨하게 담은 밥 한 컵보다 칼로리가 훨씬 더 많습니다. 사진은 밀도를 구별할 수 없습니다.

2023년 Nutrients에 발표된 연구에서는 AI 음식 인식 시스템을 테스트했으며, 양 추정이 총 칼로리 추정 부정확성의 60-70%를 차지하는 가장 큰 오류 원인으로 나타났습니다. 음식 식별 정확도는 일반 음식의 경우 85-95%로 상대적으로 높았지만, 양 추정 단계에서 전체 결과가 크게 저하되었습니다.

AI 사진 추정이 신뢰할 수 있는 경우

제한에도 불구하고 AI 사진 칼로리 추정이 신뢰할 수 있는 경우가 있습니다.

명확한 경계가 있는 단일 항목 식사. 접시 위의 구운 치킨 가슴살, 오트밀 한 그릇, 통 사과. 음식의 형태가 정의되어 있고 숨겨진 구성 요소가 없을 때, AI 추정치는 실제 값의 10% 이내로 일관되게 정확합니다.

조명이 좋은, 위에서 촬영한 사진. 조명은 정확도에 큰 영향을 미칩니다. 2024년 Food Chemistry의 연구에 따르면, 조명이 좋지 않은 환경에서 AI 음식 인식 정확도가 12-18% 떨어진다고 합니다. 위에서 촬영한 각도는 가장 일관된 표면적 표현을 제공합니다.

균일한 밀도의 음식. 빵 한 조각, 과일 한 개, 삶은 계란 한 개. 밀도가 전체 부피에 걸쳐 일관된 음식은 AI가 추정하기 더 쉬운데, 표면적이 질량과 더 신뢰성 있게 연관되기 때문입니다.

검증된 반복 식사. 매주 세 번 같은 점심을 사진으로 찍고 AI 추정치를 한 번 음식 저울로 확인했다면, 이후 동일한 식사에 대해서는 AI를 신뢰할 수 있습니다.

시나리오	예상 정확도	권장 사항
단일 항목, 좋은 조명	90-95%	추정치를 신뢰하세요
간단한 접시 식사, 2-3개 항목	85-90%	약간의 조정으로 신뢰 가능
다중 항목 그릇 또는 접시	70-80%	주요 항목은 저울로 확인
혼합 요리 (볶음, 캐서롤)	60-75%	대략적인 추정치로만 사용
어두운 조명 또는 부분 접시	55-70%	재촬영하거나 수동으로 기록

AI 사진 추정을 신뢰하지 말아야 할 경우

특정 시나리오는 모든 앱에서 신뢰할 수 없는 추정을 일관되게 생성합니다.

어두운 조명 또는 인공 조명. 낮은 조명은 이미지 대비를 줄이고 음식 식별을 어렵게 만듭니다. 색이 있는 레스토랑 조명은 음식의 색을 변경하여 잘못된 식별로 이어질 수 있습니다.

혼합 요리와 캐서롤. 여러 재료가 하나의 덩어리로 결합되면 AI가 각 구성 요소를 신뢰성 있게 분리하고 추정할 수 없습니다. 캐서롤, 카레 또는 스튜는 카메라에게 본질적으로 블랙박스입니다.

소스가 많이 들어간 음식. 소스는 아래의 음식을 덮고 자체 칼로리를 추가합니다. 마리나라 소스가 있는 파스타 접시는 소스가 2큰술인지 반 컵인지에 따라 비슷하게 보입니다. 칼로리 차이는 100-200칼리리가 될 수 있습니다.

부분 접시 및 먹은 음식. 이미 먹기 시작했다면 AI가 작업할 수 있는 시각적 데이터가 줄어듭니다. 물린 자국, 빠진 조각, 재배치된 음식은 정확도를 크게 줄입니다.

튀긴 음식. 튀김 과정에서 기름이 흡수되면 사진에서는 보이지 않는 상당한 칼로리가 추가됩니다. Journal of Food Engineering에 발표된 연구에 따르면, 튀김 치킨 한 조각은 튀김 과정에서 자신의 무게의 15-30%의 기름을 흡수합니다. AI는 치킨을 보지만 흡수된 기름을 측정할 수 없습니다.

불투명한 용기에 담긴 음식. 컵에 담긴 스무디, 좁은 입구의 그릇에 담긴 수프, 부리또나 랩처럼 포장된 음식은 AI가 실제 음식 내용을 볼 수 없게 만듭니다.

AI 뒤에 있는 데이터베이스가 중요한 이유

AI 사진 칼로리 정확도에 대한 대부분의 논의는 이미지 인식 및 양 추정 단계에 집중됩니다. 그러나 데이터베이스 매칭 단계도 똑같이 중요하며 종종 간과됩니다.

그 이유는 다음과 같습니다. AI가 당신의 식사를 "구운 연어, 약 170그램"으로 완벽하게 식별한다고 가정해 보세요. 만약 그 식별이 검증되지 않은 데이터베이스 항목에 매핑되어 구운 연어가 100그램당 150칼로리라고 잘못 기재되어 있다면, 당신의 추정치는 354칼로리가 아닌 255칼로리가 됩니다. 이는 전적으로 데이터베이스에 의해 도입된 28%의 오류입니다.

여기서 앱 간의 차이가 가장 두드러집니다. 음식을 올바르게 식별하지만 오류가 있는 크라우드소싱 데이터베이스에 매핑되는 AI는 약간 덜 정밀한 양 추정이지만 검증된 데이터베이스를 가진 AI보다 더 나쁜 최종 추정을 생성합니다.

정확도 구성 요소	최종 추정에 미치는 영향	오류 발생 원인
음식 식별	높음	비정상적인 음식, 혼합 요리, 조명 불량
양 추정	매우 높음	깊이, 밀도, 숨겨진 층
데이터베이스 정확도	높음	검증되지 않은 항목, 오래된 데이터, 잘못된 서빙 크기

세 가지 구성 요소 모두 정확해야 최종 칼로리 추정이 신뢰할 수 있습니다. 사슬은 가장 약한 고리만큼 강합니다.

Nutrola의 접근 방식 차별점

Nutrola의 AI 사진 추정은 다른 앱과 동일한 기본 컴퓨터 비전 파이프라인을 사용하지만, 한 가지 중요한 점에서 다릅니다: 모든 음식 식별이 180만 개 이상의 항목으로 구성된 영양사 검증 데이터베이스에 매핑됩니다.

이는 AI의 양 추정에 약간의 변동이 있더라도, 이는 2D에서 3D로의 추정에서 불가피한 것이며, 1그램당 영양 데이터는 정확하다는 것을 의미합니다. Nutrola의 AI가 실제 170그램 대신 160그램의 치킨 가슴살을 추정하더라도, 10그램 차이일 뿐입니다. 그러나 칼로리 밀도(100그램당 165kcal)는 검증된 출처에서 나온 것이므로 정확합니다.

Nutrola는 또한 음성 기록 및 바코드 스캔을 보조 입력 방법으로 지원합니다. 재료의 양을 정확히 아는 경우, 예를 들어 집에서 요리한 식사에서 재료를 무게로 재었을 때, 음성 기록("200그램 치킨 가슴살, 한 컵 현미")은 검증된 데이터에 직접 매핑되어 추정 없이 진행됩니다. AI 사진 기능은 레스토랑 식사나 다른 사람이 준비한 식사와 같이 무게를 재기 어려운 식사에서 가장 잘 작동합니다.

€2.50의 월 요금으로 모든 티어에서 광고 없이 제공되는 Nutrola는 AI 사진 추정의 실제 정확성을 의미 있게 높이는 검증된 데이터 레이어를 제공합니다.

가장 정확한 AI 사진 추정을 얻는 방법

어떤 앱을 사용하든, 다음의 방법들이 AI 사진 칼로리 추정의 정확도를 높입니다.

먹기 시작하기 전에 사진을 찍으세요. 완전한 접시는 AI에 최대한 많은 시각적 데이터를 제공합니다.

자연광이나 밝은 위쪽 조명을 사용하세요. 그림자, 색이 있는 조명, 역광을 피하세요.

사진은 정면에서 찍으세요. 90도 위쪽 각도는 가장 일관된 표면적 표현을 제공하며, 대부분의 AI 모델이 훈련받은 방식입니다.

가능한 경우 접시에서 음식을 분리하세요. 치킨이 밥 위에 놓여 있다면, AI는 밥을 정확하게 보거나 추정할 수 없습니다.

새롭거나 비정상적인 식사는 음식 저울로 확인하세요. 익숙한 식사에 대해서는 편리함을 위해 AI를 사용하고, 새로운 것을 만났을 때는 저울로 확인하세요.

소스, 드레싱, 기름은 별도로 기록하세요. AI가 샐러드를 식별하더라도, 정확성을 높이기 위해 드레싱을 별도의 항목으로 수동 추가하세요.

결론

AI 사진 칼로리 추정은 실제로 유용한 도구이지만, 정밀한 기기는 아닙니다. 간단하고 조명이 좋은 단일 항목 식사에 대해서는 실제 값의 10% 이내로 추정치를 신뢰할 수 있습니다. 복잡한 혼합 요리나 레스토랑 식사에 대해서는 대략적인 가이드로 취급하고 정확성이 중요한 경우 확인하세요.

앱 간의 가장 큰 차별점은 AI 비전 기술 자체가 아니라 매핑되는 데이터베이스입니다. 음식을 올바르게 식별하지만 검증되지 않은 데이터에 매핑되는 앱은 자신 있게 잘못된 답변을 제공합니다. 검증된 데이터베이스는 좋은 AI 식별을 좋은 칼로리 추정으로 바꿉니다.

자주 묻는 질문

음식 사진에서 AI 칼로리 추정의 정확도는 얼마나 되나요?

정확도는 식사의 복잡도에 따라 다릅니다. 간단한 단일 항목 식사를 잘 조명된 환경에서 촬영하면, 주요 앱들이 85-95%의 정확도를 달성합니다. 복잡한 여러 구성 요소가 있는 식사나 혼합 요리, 레스토랑 접시의 경우 정확도는 55-80%로 떨어집니다. 세 가지 주요 오류 원인은 음식 잘못 식별, 2D 이미지에서의 양 추정, AI가 매핑하는 부정확한 데이터베이스 항목입니다.

가장 정확한 사진 AI를 가진 칼로리 추적 앱은 무엇인가요?

비교 테스트에서 Nutrola는 간단한 식사, 복잡한 식사, 레스토랑 식사에서 80-87%의 전체 정확도를 달성했습니다. 이 이점은 주로 AI 식별을 180만 개 이상의 항목으로 구성된 영양사 검증 데이터베이스에 매핑하는 데서 비롯됩니다. Cal AI(70-81%), Foodvisor(68-78%), SnapCalorie(65-76%)와 같은 다른 앱들은 유사한 AI 비전 기술을 사용하지만, 덜 철저하게 검증된 데이터베이스에 매핑됩니다.

AI가 사진으로 레스토랑 식사의 칼로리를 얼마나 정확하게 추정할 수 있나요?

AI는 사진에서 레스토랑 식사의 칼로리를 대략적으로 추정할 수 있으며, 일반적으로 실제 값의 20-40% 이내입니다. 레스토랑 식사는 비표준화된 양, 숨겨진 조리 기름, 소스, 2D 사진에서의 깊이 추정 문제로 인해 특히 도전적입니다. 레스토랑 식사에 대해서는 AI 사진 추정이 추측보다 더 신뢰할 수 있지만, 주요 체인의 표준화된 메뉴 칼로리 게시물보다 덜 신뢰할 수 있습니다.

왜 서로 다른 앱이 동일한 사진에 대해 다른 칼로리 수치를 제공하나요?

서로 다른 앱은 서로 다른 AI 모델, 서로 다른 양 추정 알고리즘, 그리고 가장 중요한 것은 서로 다른 영양 데이터베이스를 사용합니다. 두 앱이 동일한 음식을 올바르게 식별하더라도, 서로 다른 데이터베이스 항목에 매핑되어 서로 다른 칼로리 값을 가질 수 있습니다. 검증된 데이터베이스를 사용하는 앱은 크라우드소싱 데이터로 인해 발생하는 변동성을 없애기 때문에 더 일관되고 정확한 결과를 제공합니다.

AI 사진 추정 대신 음식 저울을 사용하는 것이 좋나요?

음식 저울은 재료를 통제하는 가정식에서 AI 사진 추정보다 더 정확합니다. 저울과 Nutrola와 같은 검증된 영양 데이터베이스를 함께 사용하면 가능한 최고의 정확도를 얻을 수 있습니다. AI 사진 추정은 레스토랑 식사, 다른 사람이 준비한 식사, 빠르게 기록해야 할 때와 같이 저울을 사용하는 것이 비현실적인 상황에서 가장 가치가 있습니다. 가장 좋은 접근 방식은 두 가지를 모두 사용하는 것입니다: 집에서는 저울을 사용하고 외식할 때는 AI 사진 추정을 사용하는 것입니다.