Jak dokładny jest Cal AI? Test 20 produktów w porównaniu do wartości referencyjnych USDA

Cal AI to aplikacja do śledzenia kalorii oparta na zdjęciach, która wykorzystuje wizję komputerową do oszacowania kalorii na podstawie zdjęć jedzenia. Pomysł jest kuszący: zrób zdjęcie swojego posiłku i uzyskaj natychmiastowe oszacowanie kalorii bez przeszukiwania baz danych, skanowania kodów kreskowych czy wpisywania czegokolwiek. Żadnego ręcznego wprowadzania, żadnego wyboru jedzenia z list, żadnego ważenia porcji.

Jednak oszacowanie kalorii na podstawie zdjęć napotyka fundamentalne wyzwania techniczne, których żaden poziom zaawansowania AI nie rozwiązał w pełni. 2D zdjęcie 3D jedzenia nie jest w stanie uchwycić głębokości, gęstości, ukrytych warstw ani niewidocznych kalorii z olejów i sosów. Pytanie nie brzmi, czy Cal AI jest doskonały — nikt tego nie oczekuje — ale czy jest wystarczająco dokładny, aby dostarczyć istotnych wyników użytkownikom starającym się zarządzać swoją dietą.

Przetestowaliśmy Cal AI, stosując naszą standardową metodologię: 20 popularnych produktów, precyzyjnie zważonych, sfotografowanych w normalnych warunkach oświetleniowych w domu i porównanych z wartościami referencyjnymi USDA FoodData Central.

Jak działa Cal AI

Cal AI wykorzystuje modele wizji komputerowej do analizy zdjęć jedzenia i oszacowania zawartości kalorii. Proces składa się z trzech kroków:

1. Identyfikacja jedzenia. AI identyfikuje, jakie produkty znajdują się na zdjęciu.
2. Oszacowanie porcji. AI szacuje ilość każdego zidentyfikowanego produktu na podstawie wskazówek wizualnych, takich jak rozmiar talerza, proporcje jedzenia i nauczone odniesienia do rozmiaru.
3. Obliczenie kalorii. Oszacowane porcje są mnożone przez wartości kaloryczne na gram, aby uzyskać całkowite oszacowanie kalorii.

Nie ma żadnej zweryfikowanej bazy danych żywności, do której zdjęcie mogłoby być przypisane. Oszacowanie kalorii pochodzi z danych treningowych modelu AI i jego nauczonych skojarzeń między cechami wizualnymi jedzenia a zawartością kalorii. Nie ma skanera kodów kreskowych, nie ma rejestracji głosowej ani ręcznego przeszukiwania bazy danych — zdjęcie jest jedyną metodą wejścia.

Test dokładności 20 produktów: Cal AI vs wartości referencyjne USDA

Każdy produkt został zważony na skalibrowanej wadze kuchennej, podany w normalny sposób (nie rozłożony ani sztucznie ułożony) i sfotografowany z naturalnego kąta jedzenia w standardowym oświetleniu kuchennym. Wartości referencyjne USDA pochodzą z FoodData Central dla dokładnie zmierzonej wagi.

#	Produkt	Waga (g)	Wartość referencyjna USDA (kcal)	Oszacowanie Cal AI (kcal)	Odchylenie (kcal)	Odchylenie (%)
1	Pierś z kurczaka, grillowana	150	248	220	-28	-11.3%
2	Ryż brązowy, gotowany	200	248	275	+27	+10.9%
3	Banan, średni	118	105	110	+5	+4.8%
4	Mleko pełne (szklanka)	244	149	170	+21	+14.1%
5	Filet z łososia, pieczony	170	354	310	-44	-12.4%
6	Awokado, całe	150	240	200	-40	-16.7%
7	Jogurt grecki, naturalny (miska)	200	146	160	+14	+9.6%
8	Batat, pieczony	180	162	145	-17	-10.5%
9	Migdały, surowe (mała miska)	30	174	210	+36	+20.7%
10	Chleb pełnoziarnisty (2 kromki)	50	130	140	+10	+7.7%
11	Jajko, duże, jajecznica	61	91	105	+14	+15.4%
12	Brokuły, gotowane na parze	150	52	45	-7	-13.5%
13	Oliwa z oliwek (łyżka na talerzu)	14	119	60	-59	-49.6%
14	Masło orzechowe (na chlebie)	32	190	155	-35	-18.4%
15	Ser cheddar (w plasterkach)	40	161	140	-21	-13.0%
16	Makaron, gotowany (talerz)	200	262	290	+28	+10.7%
17	Jabłko, średnie	182	95	90	-5	-5.3%
18	Wołowina mielona, 85% chuda (kotlet)	120	272	240	-32	-11.8%
19	Owsianka, sucha (miska)	40	152	180	+28	+18.4%
20	Soczewica, gotowana (miska)	180	207	185	-22	-10.6%

Statystyki podsumowujące

• Średnie absolutne odchylenie: 22.2 kcal na produkt
• Maksymalne odchylenie: 59 kcal (oliwa z oliwek)
• Średnie procentowe odchylenie: 13.3%
• Produkty w granicach 5% wartości USDA: 2 z 20 (10%)
• Produkty w granicach 10% wartości USDA: 5 z 20 (25%)
• Produkty z zerowym odchyleniem: 0 z 20 (0%)

Odchylenia dla poszczególnych produktów są znacznie większe niż te, które obserwujemy w aplikacjach opartych na bazach danych. Oliwa z oliwek — łyżka rozlana na talerzu — została niedoszacowana o prawie 50%, co podkreśla fundamentalne wyzwanie oszacowania kalorii w płynach o dużej gęstości na podstawie zdjęcia.

Dokładność zdjęć według typu posiłku

Dokładność Cal AI znacznie różni się w zależności od tego, co fotografujesz. Rozszerzyliśmy testy poza 20 pojedynczych produktów, aby ocenić scenariusze pełnych posiłków.

Typ posiłku	Dokładność identyfikacji	Dokładność oszacowania kalorii	Typowe odchylenie
Pojedyncze całe jedzenie (jabłko, banan)	~85%	±8%	±8-12 kcal
Prosty talerz (białko + jeden dodatek)	~78%	±15%	±40-80 kcal
Złożony talerz z wieloma składnikami	~60%	±25%	±80-150 kcal
Jedzenie w restauracji	~55%	±30%	±100-200 kcal
Żywność pakowana (bez kodu kreskowego)	~75%	±18%	±30-60 kcal
Posiłki w misce (sałatki, miski z ziarnami)	~65%	±22%	±60-120 kcal
Zupy i płynne posiłki	~50%	±35%	±80-180 kcal

Wzorzec jest jasny: dokładność maleje wraz ze wzrostem złożoności posiłku. Pojedynczy banan sfotografowany w dobrym oświetleniu to stosunkowo łatwe zadanie dla wizji komputerowej. Talerz w restauracji z białkiem, węglowodanami, warzywami, sosem i dekoracją — gdzie jedzenie się nakłada, sosy zakrywają powierzchnie, a porcje są stylizowane zamiast mierzone — to niezwykle trudne wyzwanie.

Problem oszacowania porcji

Największym źródłem nieścisłości Cal AI nie jest identyfikacja jedzenia — to oszacowanie porcji. Oto dlaczego.

2D zdjęcia 3D jedzenia

Zdjęcie spłaszcza trójwymiarowe jedzenie do dwuwymiarowego obrazu. Płytki talerz i głęboka miska mogą pomieścić dramatycznie różne objętości, wyglądając podobnie z góry. Pierś z kurczaka może być gruba lub cienka, a zdjęcie z góry nie jest w stanie ich odróżnić.

Scenariusz wizualny	Co widzi Cal AI	Co rzeczywiście istnieje	Błąd
Wysoka miska ryżu	Średni okrąg białego jedzenia	350g ryżu (głęboka miska)	Niedoszacowanie o 30-40%
Cienka warstwa ryżu na talerzu	Duży okrąg białego jedzenia	150g ryżu (rozłożony płasko)	Przeszacowanie o 20-30%
Gruba pierś z kurczaka	Prostokątne białe białko	200g (grube cięcie)	Niedoszacowanie o 15-25%
Cienka pierś z kurczaka	Podobny prostokątny kształt	120g (cienkie cięcie)	Przeszacowanie o 10-20%

Żaden obecny model AI nie rozwiązuje niezawodnie tego problemu percepcji głębokości na podstawie pojedynczego zdjęcia. Niektóre podejścia wykorzystują obiekty odniesienia (na przykład umieszczając monetę obok jedzenia) lub fotografię stereoskopową, ale Cal AI korzysta z jednego, nieograniczonego zdjęcia, co ogranicza oszacowanie głębokości do nauczonych heurystyk.

Problem ukrytych kalorii

Niektóre składniki o dużej gęstości kalorycznej są niewidoczne lub prawie niewidoczne na zdjęciach:

• Olej do gotowania wchłonięty w jedzenie podczas smażenia lub pieczenia dodaje 40-120 kcal na łyżkę, ale nie zostawia widocznego śladu.
• Masło roztopione w ryżu, makaronie lub warzywach może być niewidoczne na zdjęciu.
• Sosy i dressingi ukryte pod sałatą, wymieszane z makaronem lub polane pod białkiem są częściowo lub całkowicie zakryte.
• Ser roztopiony w potrawach wizualnie łączy się z jedzeniem pod nim.
• Cukier rozpuszczony w napojach jest całkowicie niewidoczny.

W naszym teście oliwy z oliwek, łyżka (119 kcal) rozlana na talerzu została oszacowana na zaledwie 60 kcal. Gdy ta sama ilość oliwy z oliwek została użyta do smażenia kurczaka i stała się niewidoczna, Cal AI oszacował 0 dodatkowych kalorii z oleju — brak 119 kcal z jednej łyżki tłuszczu do gotowania.

To nie jest wada konkretnej implementacji Cal AI. To fundamentalne ograniczenie oszacowania kalorii na podstawie zdjęć. Każdy system oparty na zdjęciach będzie miał trudności z niewidocznymi kaloriami.

Codzienne kumulowanie błędów: Co oznacza ±160 kalorii

W ciągu pełnego dnia jedzenia oszacowania Cal AI na podstawie zdjęć produkują średnie dzienne odchylenie wynoszące około ±160 kalorii od wartości referencyjnych USDA.

• ±160 kcal/dzień przez 7 dni = ±1,120 kcal/tydzień
• Deficyt 500 kcal/dzień staje się gdzieś od 340 do 660 kcal deficytu
• Przez 30 dni skumulowany błąd osiąga ±4,800 kcal — to mniej więcej 1.4 funta tkanki tłuszczowej niepewności

W przeciwieństwie do aplikacji opartych na bazach danych, gdzie błędy są stosunkowo spójne (to samo wprowadzenie żywności zwraca tę samą ilość kalorii za każdym razem), błędy Cal AI są zmienne. Ten sam posiłek sfotografowany z innego kąta, w innym oświetleniu lub na innym talerzu może dać różne oszacowania kalorii. Ta zmienność utrudnia użytkownikom rozwijanie wyczucia dotyczącego ich spożycia.

Dla kogoś, kto śledzi jedzenie w sposób swobodny, aby zbudować ogólną świadomość swoich nawyków żywieniowych, ±160 kcal/dzień może być akceptowalne — poprawnie wskaże dzień 3,000 kalorii w porównaniu do dnia 1,500 kalorii. Dla każdego, kto dąży do konkretnego celu kalorycznego w celu zarządzania wagą, margines błędu jest na tyle szeroki, że zaciera znaczące sygnały postępu.

Gdzie Cal AI jest dokładny

Cal AI działa najlepiej w określonych, sprzyjających warunkach.

Proste, dobrze podane posiłki z jednym składnikiem. Grillowana pierś z kurczaka na białym talerzu, pojedyncze jabłko lub miska zwykłej owsianki — to scenariusze, w których AI ma silne dane treningowe, a jedzenie jest wyraźnie widoczne. Dokładność dla prostych posiłków zbliża się do ±8-10%, co jest rozsądne dla szybkiego wprowadzania danych.

Regularnie fotografowane posiłki. Jeśli regularnie jesz podobne posiłki i fotografujesz je w podobnych warunkach, błędy stają się spójne i w pewnym stopniu przewidywalne. To mniej kwestia dokładności, a bardziej precyzji — liczby mogą być błędne, ale są błędne o podobną wartość za każdym razem, co zachowuje względny sygnał.

Szybkość i wygoda. Główną wartością Cal AI nie jest dokładność — to szybkość. Zrobienie zdjęcia zajmuje 3 sekundy. Przeszukiwanie bazy danych, wybieranie odpowiedniego wpisu i wprowadzanie rozmiaru porcji zajmuje 30-60 sekund na każdy produkt. Dla użytkowników, którzy w przeciwnym razie w ogóle nie śledziliby, redukcja tarcia przez Cal AI ma rzeczywistą wartość.

Wizualne dzienniki żywności. Podejście oparte na zdjęciach tworzy wizualny zapis tego, co jadłeś, co ma korzyści behawioralne niezależnie od dokładności kalorii. Badania sugerują, że fotografia jedzenia zwiększa świadomość diety, nawet bez dokładnych danych kalorycznych.

Gdzie Cal AI ma trudności

Mieszane talerze i złożone posiłki. Każdy posiłek z więcej niż 2-3 wyraźnymi składnikami szybko traci dokładność. Jedzenie w rzeczywistości — talerz na kolację z białkiem, węglowodanami, warzywami i sosem — jest z natury złożone, a to właśnie tutaj odchylenie Cal AI wynoszące ±25-30% czyni oszacowania kalorii niewiarygodnymi.

Sosy, oleje i ukryte kalorie. Jak pokazano w wynikach testów, składniki o dużej gęstości kalorycznej, ale wizualnie subtelne, są poważnie niedoszacowane lub całkowicie pomijane. Domowy posiłek z 2 łyżkami oliwy z oliwek użyty do gotowania może być niedoszacowany o 200+ kalorii tylko z powodu niewidocznego oleju.

Słabe oświetlenie i złe warunki fotograficzne. Oświetlenie w restauracji, wieczorne oświetlenie w kuchni i jakiekolwiek środowisko, w którym jedzenie nie jest wyraźnie oświetlone, zmniejsza zarówno dokładność identyfikacji, jak i oszacowania porcji. AI potrzebuje wyraźnych danych wizualnych, aby działać.

Brak alternatywy dla nieudanej identyfikacji. Gdy Cal AI nie może zidentyfikować jedzenia — co zdarza się w przypadku około 20-45% produktów w zależności od złożoności — nie ma skanera kodów kreskowych, nie ma przeszukiwania bazy danych i nie ma rejestracji głosowej, na które można by liczyć. Użytkownik zostaje z niekompletnym lub błędnym oszacowaniem i żadną alternatywą w aplikacji.

Brak zweryfikowanej bazy danych. Cal AI nie mapuje zidentyfikowanych produktów do zweryfikowanej bazy danych żywności. Oszacowanie kalorii pochodzi z nauczonych skojarzeń modelu AI, co oznacza, że nie ma autorytatywnego źródła weryfikującego wartości kaloryczne na gram używane w obliczeniach. Jeśli model nauczył się błędnego skojarzenia (na przykład, przeszacowując gęstość kaloryczną gotowanego ryżu), ten błąd jest wbudowany w każde przyszłe oszacowanie tego produktu.

Produkty warstwowe i złożone. Kanapka sfotografowana z góry pokazuje tylko górną kromkę chleba. AI musi zgadywać, co jest w środku, na podstawie wskazówek wizualnych z krawędzi. Burger z grubym kotletem, serem i wieloma dodatkami będzie oszacowany inaczej w zależności od tego, co jest widoczne z kąta kamery.

Jak Cal AI wypada w porównaniu do aplikacji opartych na bazach danych

Metryka	Cal AI	Nutrola	MacroFactor	FatSecret
Średnie dzienne odchylenie	±160 kcal	±78 kcal	±110 kcal	±175 kcal
Metoda wprowadzania	Tylko zdjęcie	AI zdjęciowe + Głos + Wyszukiwanie + Kod kreskowy	Wyszukiwanie + Kod kreskowy	Wyszukiwanie + Kod kreskowy
Identyfikacja żywności	Wizja AI	Wizja AI + zweryfikowana baza danych	Ręczna (kuratorowana)	Ręczna (zbiorowa)
Oszacowanie porcji	AI z zdjęcia	AI + ręczna korekta	Ręczna (użytkownik waży)	Ręczna (użytkownik waży)
Skaner kodów kreskowych	Nie	Tak (3M+ produktów, 47 krajów)	Tak	Tak
Rejestracja głosowa	Nie	Tak (~90% dokładności)	Nie	Nie
Zapas bazy danych	Brak	1.8M+ zweryfikowanych wpisów	Kuratorowana baza danych	Zbiorowa baza danych
Szybkość rejestrowania	~3 sekundy	~5-10 sekund	~30-60 sekund	~30-60 sekund

Zaletą Cal AI jest szybkość. Jego wadą jest to, że każda inna metryka dokładności jest gorsza niż w alternatywach, które korzystają ze zweryfikowanych lub kuratorowanych baz danych. Aplikacja zajmuje określoną niszę: użytkownicy, którzy cenią wygodę ponad precyzję i którzy w ogóle nie śledziliby, gdyby musieli przeszukiwać bazy danych lub skanować kody kreskowe.

Dla użytkowników, którzy chcą wygody AI opartej na zdjęciach bez rezygnacji z dokładności opartej na bazach danych, Nutrola oferuje identyfikację AI na podstawie zdjęć, która jest powiązana z bazą danych zweryfikowaną przez dietetyków liczącą ponad 1.8 miliona pozycji, co zapewnia korzyści szybkości wprowadzania danych przy zachowaniu dokładności zweryfikowanych danych żywieniowych. Nutrola oferuje również rejestrację głosową i skanowanie kodów kreskowych jako alternatywne metody wprowadzania, gdy zdjęcie nie jest praktyczne, czego Cal AI nie może zaoferować. Nutrola jest dostępna na iOS i Androidzie w cenie €2.50/miesiąc bez reklam.

Najczęściej zadawane pytania

Czy Cal AI może zastąpić tradycyjną aplikację do śledzenia kalorii?

Dla swobodnej świadomości dietetycznej — zrozumienia, czy zjadłeś dużo czy mało danego dnia — Cal AI może dostarczyć użytecznych szacunków. Dla konkretnych celów kalorycznych, protokołów zarządzania wagą lub jakiegokolwiek celu, który zależy od dokładności w granicach 100-200 kalorii dziennie, dzienne odchylenie ±160 kcal Cal AI czyni go niewiarygodnym jako główne narzędzie do śledzenia. Użytkownicy z precyzyjnymi celami lepiej skorzystają z aplikacji z zweryfikowanymi bazami danych i wieloma metodami wprowadzania.

Dlaczego Cal AI ma trudności z oszacowaniem porcji?

Fundamentalnym wyzwaniem jest to, że pojedyncze zdjęcie 2D nie może uchwycić trójwymiarowych właściwości jedzenia — głębokości, gęstości i objętości. Głęboka miska z zupą i płytki talerz z makaronem mogą wyglądać podobnie z góry, ale zawierać bardzo różne ilości jedzenia. Dodatkowo, składniki o dużej gęstości kalorycznej, takie jak oleje, masło i cukier, które są wymieszane z jedzeniem lub wchłonięte przez nie, są niewidoczne na zdjęciach. To są ograniczenia fizyczne, które dotyczą wszystkich systemów oszacowania opartych na zdjęciach, nie tylko Cal AI.

Czy Cal AI jest dokładniejszy dla niektórych produktów niż dla innych?

Tak, zdecydowanie. Pojedyncze całe produkty o spójnych kształtach (jabłka, banany, jajka) produkują oszacowania w granicach ±5-8% wartości referencyjnych. Proste posiłki na talerzu z widocznymi, wyraźnymi składnikami osiągają ±15%. Złożone mieszane talerze, posiłki w restauracjach i zupy spadają do ±25-35% dokładności. Im bardziej wizualnie złożony i warstwowy jest posiłek, tym mniej dokładne jest oszacowanie.

Czy Cal AI uczy się na podstawie poprawek i poprawia się z czasem?

Model AI Cal AI jest aktualizowany poprzez ogólne szkolenie modelu, a nie indywidualne poprawki użytkowników. Jeśli poprawisz oszacowanie w aplikacji, nie poprawi to przyszłych oszacowań dla tego konkretnego produktu na Twoim koncie. Ulepszenia modelu następują poprzez aktualizacje danych treningowych wydawane jako aktualizacje aplikacji. Oznacza to, że systematyczne błędy dla konkretnych typów żywności będą się utrzymywać, dopóki model nie zostanie ponownie przeszkolony.

Jak Cal AI radzi sobie z posiłkami z wieloma składnikami na jednym talerzu?

AI stara się segmentować zdjęcie na wyraźne obszary jedzenia i oszacować każdy składnik osobno. Działa to w miarę dobrze, gdy jedzenie jest wyraźnie oddzielone na talerzu (białko z jednej strony, warzywa z drugiej). Znacznie gorzej radzi sobie, gdy jedzenie się nakłada, jest wymieszane lub przykryte sosami. W przypadku talerza z 4-5 wyraźnymi składnikami można się spodziewać, że 1-2 będą źle zidentyfikowane lub będą miały znacznie niepoprawne oszacowania porcji.