Dokładność śledzenia kalorii przez AI według kuchni: Przetestowaliśmy 500 dań z 20 kuchni

Większość modeli rozpoznawania jedzenia przez AI była szkolona głównie na potrawach zachodnich. Oznacza to, że sałatka z grillowanym kurczakiem z delikatesów w Los Angeles i pizza pepperoni z Nowego Jorku są rozpoznawane z niemal idealną dokładnością, podczas gdy miska etiopskiego doro wat czy talerz filipińskiego sisig mogą pozostawić algorytm w niepewności. Chcieliśmy dokładnie zbadać, jak duża jest ta luka w dokładności, dlatego przeprowadziliśmy kontrolowany test: 500 prawdziwych dań, 20 kuchni, każde danie zważone i porównane z wartościami obliczonymi przez dietetyka. Oto, co odkryliśmy.

Metodologia: Jak przetestowaliśmy 500 dań

Zaprojektowaliśmy to badanie, aby jak najbliżej odwzorować warunki rzeczywiste. Oto, jak to działało:

• 500 dań łącznie, 25 na kuchnię, pozyskanych z restauracji i domowych kuchni.
• 20 kuchni wybranych, aby reprezentować szeroki zakres geograficzny i kulinarny.
• Każde danie zostało sfotografowane w standardowych warunkach — naturalne oświetlenie, pojedynczy talerz, kąty 45 stopni i z góry — przy użyciu aparatu smartfona (bez studia).
• Każde danie zostało również zważone na skalibrowanej wadze kuchennej, a jego składniki zostały rozłożone przez zarejestrowanego dietetyka w celu uzyskania referencyjnej wartości kalorycznej.
• Zdjęcia zostały przesłane do AI Nutrola's Snap & Track w celu oszacowania kalorii.
• Porównaliśmy oszacowanie AI z referencją dietetyka i zmierzyliśmy: średnią odchylenie kalorii (w procentach), wskaźnik identyfikacji jedzenia (czy AI poprawnie nazwało danie lub jego główne składniki) oraz procent dań, które mieściły się w granicach 10% i 15% wartości referencyjnej.

To nie jest badanie laboratoryjne i nie twierdzimy, że osiągnęliśmy precyzję kliniczną. Jednak 500 dań to wystarczająca ilość danych, aby ujawnić wyraźne wzorce w tym, gdzie rozpoznawanie jedzenia przez AI osiąga sukcesy, a gdzie zawodzi.

20 testowanych kuchni

Wybraliśmy kuchnie na podstawie trzech kryteriów: globalnej popularności, różnorodności metod gotowania oraz reprezentacji niedostatecznie uwzględnionych kategorii żywności w danych treningowych AI.

1. Amerykańska
2. Włoska
3. Meksykańska
4. Chińska
5. Japońska
6. Koreańska
7. Indyjska
8. Tajska
9. Wietnamska
10. Bliskowschodnia / Libańska
11. Turecka
12. Grecka
13. Etiopska
14. Nigeryjska
15. Brazylijska
16. Francuska
17. Niemiecka
18. Hiszpańska
19. Filipińska
20. Karaibska

Każda kuchnia była reprezentowana przez 25 dań wybranych, aby objąć zakres tej kuchni — przystawki, dania główne, dodatki i jedzenie uliczne. Celowo uwzględniliśmy zarówno "fotogeniczne" dania (tace sushi, pojedyncze tacos), jak i te trudniejsze (curry, gulasze, zapiekanki).

Pełne wyniki: Wszystkie 20 kuchni uporządkowane według dokładności

Oto wyniki, uporządkowane od najbardziej dokładnych do najmniej dokładnych według średniego odchylenia kalorii:

Miejsce	Kuchnia	Testowane dania	Średnie odchylenie kalorii	Wskaźnik identyfikacji jedzenia	W granicach 10%	W granicach 15%
1	Japońska	25	5.8%	96%	84%	96%
2	Amerykańska	25	6.2%	98%	80%	92%
3	Włoska	25	6.5%	96%	80%	92%
4	Koreańska	25	7.1%	92%	76%	88%
5	Niemiecka	25	7.4%	92%	72%	88%
6	Grecka	25	7.9%	88%	68%	84%
7	Francuska	25	8.3%	88%	64%	84%
8	Hiszpańska	25	8.6%	88%	64%	80%
9	Meksykańska	25	9.1%	84%	60%	80%
10	Wietnamska	25	9.4%	84%	60%	76%
11	Brazylijska	25	9.8%	80%	56%	76%
12	Turecka	25	10.2%	80%	52%	72%
13	Chińska	25	10.7%	80%	48%	72%
14	Bliskowschodnia	25	11.3%	76%	48%	68%
15	Filipińska	25	12.1%	72%	44%	64%
16	Karaibska	25	12.8%	68%	40%	60%
17	Nigeryjska	25	13.4%	64%	36%	56%
18	Tajska	25	13.9%	68%	36%	56%
19	Indyjska	25	14.6%	64%	32%	52%
20	Etiopska	25	15.8%	56%	28%	48%

Średnia ogólna dla wszystkich 500 dań: 9.8% odchylenia kalorii, 78% wskaźnik identyfikacji jedzenia, 56% w granicach 10%, 74% w granicach 15%.

5 najbardziej dokładnych kuchni (i dlaczego)

1. Japońska (średnie odchylenie 5.8%)

Kuchnia japońska jest prawdopodobnie najbardziej przyjazną dla AI kuchnią na świecie. Rolki sushi, plastry sashimi, kawałki tempury i pudełka bento prezentują jedzenie jako wizualnie wyraźne, oddzielone elementy. Ryż zazwyczaj podawany jest w wyraźnie określonej porcji. AI może liczyć kawałki, oszacować rozmiary i dopasować je do dobrze zapełnionej bazy treningowej. Kultura kulinarna Japonii sprzyja również standaryzowanej prezentacji — California roll w jednej restauracji wygląda prawie identycznie jak California roll w innej.

Najlepsze wyniki: Nigiri sushi (3.2% odchylenie), edamame (2.9%), onigiri (4.1%) Najgorsze wyniki: Ramen (11.4% — kalorie bulionu są trudne do oszacowania), okonomiyaki (9.8%)

2. Amerykańska (średnie odchylenie 6.2%)

Jedzenie amerykańskie korzysta z dwóch głównych zalet: dużej reprezentacji w danych treningowych AI oraz wysokiego odsetka produktów pakowanych, standaryzowanych lub pochodzących z sieci restauracji. Big Mac wygląda tak samo wszędzie. Hot dog ma przewidywalne wymiary. Sałatki zazwyczaj składają się z rozpoznawalnych, oddzielnych składników. Nawet amerykańskie gotowanie domowe — burgery, grillowany kurczak, pieczone ziemniaki — składa się z wizualnie wyraźnych komponentów.

Najlepsze wyniki: Hamburgery (3.8%), grillowana pierś z kurczaka (4.1%), sałatka Cezar (5.2%) Najgorsze wyniki: Zapiekanki (12.3%), nachos z dodatkami (10.9%)

3. Włoska (średnie odchylenie 6.5%)

Kuchnia włoska osiąga wysokie wyniki z podobnych powodów co japońska — wiele dań ma standaryzowaną, wizualnie rozpoznawalną formę. Pizza margherita, talerz spaghetti, sałatka caprese i miska risotto to wszystko wizualnie wyraźne dania, które są mocno reprezentowane w zbiorach zdjęć jedzenia. Kształty makaronu są rozpoznawalne, a dodatki zazwyczaj leżą na wierzchu dań, a nie są wymieszane.

Najlepsze wyniki: Pizza margherita (3.5%), sałatka caprese (4.0%), bruschetta (4.8%) Najgorsze wyniki: Lasagna (11.2% — warstwowe dania ukrywają ser i mięso), carbonara (9.6% — zawartość śmietany i jajek różni się)

4. Koreańska (średnie odchylenie 7.1%)

Kuchnia koreańska zaskoczyła nas, zajmując czwarte miejsce. Kluczowym czynnikiem jest to, że koreańskie posiłki zazwyczaj podawane są w postaci wielu małych dań (banchan) obok dania głównego, co ułatwia rozpoznawanie poszczególnych elementów. Bibimbap prezentuje składniki w wizualnie oddzielonych sekcjach na ryżu. Kimbap jest krojony na rozpoznawalne kawałki. Kimchi i piklowane dodatki są wizualnie wyraźne.

Najlepsze wyniki: Kimbap (4.2%), bibimbap (5.8%), kimchi (3.1%) Najgorsze wyniki: Jjigae/gulasze (12.7%), tteokbokki z sosem (10.1%)

5. Niemiecka (średnie odchylenie 7.4%)

Kuchnia niemiecka charakteryzuje się dużymi, wizualnie wyraźnymi elementami — kiełbasami, sznyclami, preclami, kluskami ziemniaczanymi — które są łatwe do zidentyfikowania i wymiarowania przez AI. Talerze zazwyczaj składają się z oddzielnych komponentów, a nie mieszanych dań. Rodzaje kiełbas są wizualnie rozróżnialne, a produkty piekarnicze mają standardowe kształty i rozmiary.

Najlepsze wyniki: Bratwurst (4.5%), precel (4.9%), sznycel (6.2%) Najgorsze wyniki: Eintopf/gulasze (11.8%), sałatka ziemniaczana z różnymi dressingami (9.4%)

5 najmniej dokładnych kuchni (i dlaczego)

20. Etiopska (średnie odchylenie 15.8%)

Kuchnia etiopska była najtrudniejsza dla AI w każdym aspekcie. Kluczowy problem: dania oparte na injera prezentują wiele gulaszy (wat) i potraw warzywnych podawanych razem na jednym dużym płaskim chlebie, często nakładających się i mieszanych. AI ma trudności z określeniem, gdzie kończy się jedno danie, a zaczyna drugie. Doro wat, misir wat i kitfo są wizualnie podobne — ciemne, sosowe dania z niewieloma wyróżniającymi się cechami powierzchni. Zawartość masła (niter kibbeh) i oleju jest niewidoczna pod sosem.

Niski wskaźnik identyfikacji jedzenia (56%) odzwierciedla rzeczywistą lukę w danych treningowych. Kuchnia etiopska wciąż jest niedostatecznie reprezentowana w globalnych zbiorach zdjęć jedzenia.

19. Indyjska (średnie odchylenie 14.6%)

Kuchnia indyjska stawia przed AI szereg wyzwań. Curry są optycznie nieprzezroczyste — zdjęcie nie może ujawnić, ile ghee, śmietany czy mleka kokosowego znajduje się w maślanej kurczaku. Dal może mieć od 150 do 400 kalorii na porcję w zależności od użytych olejów (tadka). Sosy wyglądają podobnie w różnych daniach: korma, tikka masala i rogan josh mogą wyglądać niemal identycznie na zdjęciach, podczas gdy różnią się o setki kalorii.

Chleb to kolejna zmienna. Zwykła roti ma około 100 kalorii; naan z masłem z restauracji może przekraczać 300. Wyglądają podobnie na zdjęciach, ale różnica kaloryczna jest ogromna.

Czynnik ghee: Wiele indyjskich dań kończy się obfitym polewaniem ghee, które jest mieszane i staje się niewidoczne. Nasze wartości referencyjne dietetyków pokazały, że ghee i olej stanowią 25-40% całkowych kalorii w wielu daniach — kalorie, których AI po prostu nie może dostrzec.

18. Tajska (średnie odchylenie 13.9%)

Kuchnia tajska ma wiele tych samych wyzwań co indyjska: curry na bazie mleka kokosowego z ukrytymi tłuszczami, smażone potrawy z różną ilością oleju i sosy, które maskują składniki. Zielone curry może mieć od 300 do 600 kalorii na miskę w zależności od proporcji mleka kokosowego. Kaloryczność pad thai waha się dramatycznie w zależności od pasty tamaryndowej, orzechów i oleju — składników, które są rozłożone w potrawie, a nie widoczne na wierzchu.

Sos rybny i cukier, dwa podstawowe przyprawy tajskie, dodają kalorii, które są całkowicie niewidoczne na zdjęciu.

17. Nigeryjska (średnie odchylenie 13.4%)

Jedzenie nigeryjskie stawia przed AI dwa wyzwania: ograniczoną reprezentację w danych treningowych oraz kaloryczne metody gotowania. Jollof rice wchłania oleje podczas gotowania, które nie są widoczne na powierzchni. Zupa egusi jest przygotowywana z mielonych nasion melona i oleju palmowego, które są składnikami wysokokalorycznymi, zlewającymi się z potrawą. Pounded yam (fufu) to kaloryczny skrobia, która wygląda zwodniczo lekko.

AI miało trudności z rozróżnieniem różnych nigeryjskich zup — ogbono, egusi i okra wyglądały podobnie na zdjęciach, ale miały znacznie różne profile kaloryczne z powodu różnic w oleju palmowym i zawartości nasion.

16. Karaibska (średnie odchylenie 12.8%)

Kuchnia karaibska łączy wiele z najtrudniejszych elementów: duszone mięsa z ukrytymi tłuszczami (ogoniasty, curry z kozy), ryż na bazie mleka kokosowego, smażone platanos z różnym wchłanianiem oleju oraz dania jednogarnkowe, takie jak pelau. AI dobrze radziło sobie z kurczakiem jerk (widoczne ślady grilla, rozpoznawalna forma), ale źle z daniami duszonymi i curry, gdzie sos zasłaniał białko.

Problem ukrytych kalorii: Które kuchnie najbardziej oszukują AI

Jednym z najważniejszych ustaleń z tego testu jest to, co nazywamy "luką ukrytych kalorii" — różnica między tym, co AI może zobaczyć, a tym, co faktycznie znajduje się w daniu. Mierzyliśmy to, analizując, które kuchnie miały największą lukę między oszacowaniem AI a rzeczywistą wartością kaloryczną, szczególnie z powodu niewidocznych tłuszczów i olejów.

Kuchnia	Średnie ukryte kalorie tłuszczu (na danie)	% całkowitych kalorii z ukrytych tłuszczów	Niedoszacowanie AI z powodu ukrytych tłuszczów
Indyjska	187 kcal	34%	-22%
Etiopska	165 kcal	31%	-20%
Tajska	152 kcal	29%	-18%
Nigeryjska	148 kcal	28%	-17%
Chińska	134 kcal	24%	-14%
Bliskowschodnia	128 kcal	23%	-13%
Karaibska	124 kcal	22%	-12%
Filipińska	118 kcal	21%	-11%
Turecka	112 kcal	20%	-10%
Brazylijska	98 kcal	17%	-8%

Wzór jest jasny: kuchnie, które w dużej mierze polegają na olejach do gotowania, ghee, mleku kokosowym i sosach na bazie orzechów, systematycznie oszukują śledzące kalorie AI, powodując niedoszacowanie. To nie jest wada unikalna dla Nutrola — to fundamentalne ograniczenie oszacowania kalorii opartego na zdjęciach. Kamera nie może zobaczyć rozpuszczonego tłuszczu.

Praktyczna implikacja: Jeśli regularnie spożywasz potrawy z górnej połowy tej tabeli, powinieneś oczekiwać, że oszacowania AI będą zaniżone i rozważyć dodanie ręcznej korekty o 10-20% do dań z dużą ilością sosu i gulaszy.

Jak Nutrola poprawia dokładność dla niedostatecznie reprezentowanych kuchni

Nie publikujemy tych danych, aby usprawiedliwiać słabe wyniki — publikujemy je, ponieważ przejrzystość napędza poprawę. Oto, co aktywnie robimy:

Rozszerzanie danych treningowych dla niedostatecznie reprezentowanych kuchni

Nasza pipeline do treningu obrazów była historycznie ukierunkowana na jedzenie z Ameryki Północnej i Europy. Aktywnie współpracujemy z fotografami kulinarnymi i bazami przepisów w Azji Południowej, Afryce Zachodniej, Afryce Wschodniej, Azji Południowo-Wschodniej i na Karaibach, aby dramatycznie rozszerzyć nasz zbiór treningowy dla kuchni, które uzyskały poniżej 80% w identyfikacji jedzenia.

Partnerstwa z regionalnymi bazami danych żywności

Oszacowanie kalorii jest tak dobre, jak dane żywieniowe, które za nim stoją. Budujemy partnerstwa z instytucjami badawczymi zajmującymi się żywieniem w Indiach, Nigerii, Etiopii i Tajlandii, aby zintegrować dane żywieniowe specyficzne dla regionu. "Butter chicken" przygotowane w Delhi ma inny profil kaloryczny niż wersja z brytyjskiego takeawaya, a nasza baza danych musi to odzwierciedlać.

Specyficzne dla kuchni poprawki AI

Gdy AI Nutrola wykrywa kategorię kuchni (np. indyjska, tajska, etiopska), stosuje teraz specyficzne dla kuchni czynniki korekcyjne. Jeśli system identyfikuje curry, automatycznie dostosowuje w górę na podstawie prawdopodobnych ukrytych tłuszczów. To nie jest idealne rozwiązanie, ale nasze wewnętrzne testy pokazują, że zmniejsza średnie odchylenie dla jedzenia indyjskiego z 14.6% do 11.2%, a dla tajskiego z 13.9% do 10.8%.

Pętle informacji zwrotnej od użytkowników

Za każdym razem, gdy użytkownik Nutrola ręcznie koryguje oszacowanie AI, ta korekta wraca do naszego modelu. Kuchnie z bardziej aktywnymi bazami użytkowników poprawiają się szybciej. Prowadzimy również ukierunkowane kampanie, aby rekrutować użytkowników z niedostatecznie reprezentowanych regionów kuchni, aby pomóc w szkoleniu modelu.

Wskazówki dla użytkowników śledzących międzynarodowe jedzenie

Na podstawie tych danych oto praktyczne strategie, aby uzyskać jak najdokładniejsze wyniki podczas śledzenia kuchni nie-zachodnich:

1. Dodaj "bufor ukrytego oleju" dla kuchni z dużą ilością sosu

Jeśli jesz jedzenie indyjskie, tajskie, etiopskie, nigeryjskie lub chińskie, dodaj 10-15% do oszacowania AI dla każdego dania, które zawiera widoczny sos lub gulasz. Ta pojedyncza korekta zamyka większość luki w dokładności.

2. Fotografuj poszczególne składniki, gdy to możliwe

Zamiast fotografować cały etiopski talerz do dzielenia się, sfotografuj każde wat oddzielnie, jeśli to możliwe. Zamiast robić zdjęcie pełnego thali, uchwyć każdą miskę z osobna. AI radzi sobie znacznie lepiej, gdy może izolować poszczególne dania.

3. Skorzystaj z funkcji ręcznej korekty

Nutrola pozwala na dostosowanie oszacowań AI w górę lub w dół po zeskanowaniu. Użyj tego dla dań, które jesz regularnie — gdy już wiesz, że zielone curry w twojej lokalnej tajskiej restauracji jest o około 15% wyższe niż myśli AI, możesz zastosować tę korektę za każdym razem.

4. Sprawdzaj z znanymi przepisami

Jeśli gotujesz międzynarodowe jedzenie w domu, zaloguj przepis raz z dokładnymi miarami (w tym wszystkimi olejami i ghee). Zapisz go jako niestandardowy posiłek w Nutrola. Od tego momentu możesz go logować natychmiast z potwierdzoną dokładnością, zamiast polegać na oszacowaniu ze zdjęcia.

5. Uważaj na "kaloryczne podobieństwa"

Niektóre dania wyglądają niemal identycznie na zdjęciach, ale różnią się dramatycznie kaloriami. Naan vs. roti. Curry na bazie mleka kokosowego vs. curry na bazie pomidorów. Smażony plantan vs. gotowany plantan. Gdy AI przedstawia swoje oszacowanie, sprawdź, czy zidentyfikowało właściwą metodę przygotowania.

6. Śledź napoje osobno

Wiele międzynarodowych kuchni zawiera kaloryczne napoje — mango lassi, tajska herbata mrożona, horchata, nigeryjski zobo — które AI może przeoczyć, jeśli są na krawędzi kadru. Fotografuj napoje osobno, aby uzyskać najlepsze wyniki.

Co to oznacza dla przyszłości śledzenia jedzenia przez AI

Ten test ujawnia, jak daleko doszło śledzenie kalorii przez AI i jak daleko jeszcze ma do pokonania. Dla kuchni z wizualnie wyraźnymi, dobrze udokumentowanymi potrawami — japońskiej, amerykańskiej, włoskiej, koreańskiej — śledzenie jedzenia przez AI jest już niezwykle dokładne, działając w granicach 6-7% od manualnej oceny dietetyka. To wystarczająco dobre, aby być naprawdę użytecznym w codziennym śledzeniu.

Dla kuchni z ukrytymi tłuszczami, nakładającymi się daniami i ograniczonymi danymi treningowymi — indyjskiej, etiopskiej, tajskiej, nigeryjskiej — istnieje znacząca luka w dokładności, o której użytkownicy powinni być świadomi. Luka nie jest na tyle duża, aby śledzenie AI było bezużyteczne dla tych kuchni, ale jest wystarczająco duża, aby mieć znaczenie, jeśli próbujesz utrzymać precyzyjny deficyt kaloryczny.

Dobrą wiadomością jest to, że ten problem można rozwiązać. To zasadniczo problem danych, a nie algorytmu. W miarę jak zbiory danych treningowych się rozszerzają, a regionalne bazy danych żywieniowych poprawiają się, dokładność dla niedostatecznie reprezentowanych kuchni zbiegnie się z najlepszymi wykonawcami. Naszym celem w Nutrola jest zamknąć tę lukę do poniżej 8% średniego odchylenia dla wszystkich 20 kuchni do końca 2026 roku.

W międzyczasie połączenie oszacowania AI, świadomości użytkowników i ręcznej korekty pozwala osiągnąć poziom dokładności, który jest więcej niż wystarczający do znaczącego śledzenia odżywiania — niezależnie od tego, jaką kuchnię jesz.

Funkcja Snap & Track Nutrola jest dostępna w wszystkich planach, zaczynając od zaledwie 2.50 EUR miesięcznie, bez reklam i z pełnym dostępem do naszego ciągle ulepszającego się silnika rozpoznawania jedzenia AI. Im bardziej różnorodne dania fotografują nasi użytkownicy, tym mądrzejszy staje się system dla wszystkich.

---

Uwaga metodologiczna: Test został przeprowadzony wewnętrznie przez zespół Nutrola w marcu 2026 roku. Referencyjne wartości kaloryczne zostały obliczone przez dwóch zarejestrowanych dietetyków pracujących niezależnie, a różnice zostały rozwiązane w drodze konsensusu. Wszystkie oszacowania AI zostały wygenerowane przy użyciu funkcji Snap & Track w Nutrola v3.2. Planujemy powtórzyć ten test co kwartał i publikować zaktualizowane wyniki.