Точность отслеживания калорий с помощью ИИ по типам блюд — Завтрак, Обед, Ужин и Закуски

После тестирования 200 индивидуально взвешенных блюд в четырех приемах пищи, отслеживание калорий на основе фотографий с помощью ИИ достигло общей точности 87,3%, при этом завтрак лидировал с 93,1%, а закуски отставали на уровне 81,7%. Эти результаты соответствуют исследованиям, опубликованным в журнале Nutrients (2023), показывающим, что системы распознавания пищи с помощью ИИ лучше всего работают с простыми блюдами с предсказуемыми порциями и хуже — с аморфными продуктами с переменной порцией. Понимание того, где ИИ преуспевает, а где испытывает трудности, жизненно важно для тех, кто полагается на фотозапись для достижения своих целей в питании.

Почему тип блюда влияет на точность отслеживания калорий с помощью ИИ

Оценка калорий с помощью ИИ на основе фотографий зависит от трех основных возможностей: идентификация продуктов, оценка объема и сопоставление с базой данных о питательной ценности. Каждая из этих возможностей зависит от визуальной сложности. Чаша овсянки с бананом сверху представляет собой два четко различимых элемента с предсказуемыми порциями. Ужин из куриного тикка масала с рисом и нааном на стороне включает в себя наложенные текстуры, скрытые масла и переменную плотность соуса.

Исследование, проведенное в International Journal of Medical Informatics (2024), показало, что модели компьютерного зрения, обученные на изображениях пищи, достигают наивысших оценок уверенности на блюдах с менее чем четырьмя различными продуктами, с постоянной геометрией тарелки и видимыми границами порций. Эти условия чаще всего соблюдаются на завтраке и реже всего — на ужине.

Фактор	Влияние на точность	Наиболее затронутый тип блюда
Количество различных элементов	Каждый дополнительный элемент снижает точность примерно на 1,5%	Ужин (в среднем 4,2 элемента)
Наличие соуса или жидкости	Затрудняет оценку объема пищи, добавляя 8-15% ошибки оценки	Ужин, некоторые обеды
Стандартизация порций	Стандартизированные порции улучшают точность примерно на 6%	Завтрак (наиболее стандартизированный)
Геометрия тарелки	Круглые, плоские тарелки дают лучшие результаты	Завтрак, обед
Наложение или укладка пищи	Упакованные продукты увеличивают недооценку на 10-20%	Ужин, закуски
Условия освещения	Плохое освещение снижает оценки уверенности на 5-12%	Все (зависит от пользователя)

Методология: Как мы тестировали 200 блюд

Мы подготовили и сфотографировали 200 блюд — по 50 на каждый прием пищи (завтрак, обед, ужин, закуска) — в течение четырех недель в контролируемой кухонной среде. Каждое блюдо было взвешено с точностью до грамма на откалиброванных цифровых кухонных весах Escali Primo перед фотографированием с помощью смартфона при стандартном внутреннем освещении.

Каждое фото блюда было зафиксировано с помощью функции распознавания изображений Nutrola. Оценка калорий, возвращенная ИИ, была сопоставлена с фактическим значением калорий, рассчитанным на основе данных USDA FoodData Central (SR Legacy, выпуск 2024 года) и проверенным с использованием взвешенных количеств ингредиентов. Точность определялась как: 100% минус абсолютное процентное отклонение от фактического значения.

Ключевые методологические контрольные точки:

• Все фотографии сделаны под углом 45 градусов на расстоянии примерно 30 см
• Использовались стандартные белые тарелки диаметром 26 см для завтрака, обеда и ужина
• Закуски фотографировались на плоской белой поверхности
• Каждое блюдо фотографировалось один раз (без повторных съемок или изменения угла)
• Продукты при комнатной температуре или стандартной температуре подачи
• Никакая постобработка или фильтры не применялись к фотографиям

Общие результаты: Точность отслеживания калорий с помощью ИИ по типам блюд

Тип блюда	Протестированные блюда	Средняя точность	Среднее отклонение калорий	Медианное отклонение	Диапазон отклонений
Завтрак	50	93,1%	±29 ккал	±22 ккал	2–78 ккал
Обед	50	88,7%	±52 ккал	±45 ккал	5–134 ккал
Ужин	50	85,2%	±74 ккал	±68 ккал	8–189 ккал
Закуски	50	81,7%	±41 ккал	±34 ккал	3–162 ккал
Все блюда	200	87,3%	±49 ккал	±42 ккал	2–189 ккал

Эти результаты соответствуют выводам систематического обзора 2024 года, опубликованного в Journal of the Academy of Nutrition and Dietetics, в котором сообщалось о точности распознавания изображений пищи с помощью ИИ в диапазоне от 79% до 95% в зависимости от сложности блюда, видимости порции и архитектуры модели.

Завтрак: Наивысшая точность 93,1%

Завтрак получил наивысшую оценку точности среди всех типов блюд. Основные факторы: ограниченное разнообразие продуктов, культурно стандартизированные порции и высокая визуальная различимость распространенных завтраков.

Исследование 2023 года в Public Health Nutrition показало, что завтрак является самым повторяющимся приемом пищи среди всех демографических групп, при этом участники в США и Европе потребляют менее 12 различных продуктов на завтрак на ротационной основе. Эта повторяемость приносит пользу моделям ИИ, поскольку обучающие данные для этих продуктов плотные.

Лучшие продукты для завтрака:

• Целые яйца (омлет, жареные, вареные) — 96% точности
• Тост с видимыми начинками — 95% точности
• Злаки в миске с молоком — 94% точности
• Йогурт с гранолой — 93% точности
• Овсянка с фруктами — 92% точности

Худшие продукты для завтрака:

• Завтрак-буррито (начинки скрыты) — 84% точности
• Смузи-боули с множеством начинок — 85% точности
• Нагруженные омлеты (сыр, овощи внутри) — 86% точности

Продукт для завтрака	Истинные калории	Оценка ИИ	Отклонение	Точность
2 яйца всмятку	182 ккал	178 ккал	-4 ккал	97,8%
2 ломтика белого тоста с маслом	254 ккал	248 ккал	-6 ккал	97,6%
Чаша кукурузных хлопьев с полужирным молоком	287 ккал	274 ккал	-13 ккал	95,5%
Греческий йогурт (200 г) с гранолой (40 г)	318 ккал	305 ккал	-13 ккал	95,9%
Овсянка с бананом и медом	342 ккал	328 ккал	-14 ккал	95,9%
Тост с авокадо и яйцом-пашот	387 ккал	365 ккал	-22 ккал	94,3%
Блинчики (3) с кленовым сиропом	468 ккал	441 ккал	-27 ккал	94,2%
Фруктовый салат (200 г смешанных)	134 ккал	128 ккал	-6 ккал	95,5%
Арахисовое масло на тосте (2 ломтика)	412 ккал	385 ккал	-27 ккал	93,4%
Бейгл с крем-сыром	354 ккал	338 ккал	-16 ккал	95,5%
Овсянка с ягодами на ночь	298 ккал	279 ккал	-19 ккал	93,6%
Круассан (простой, большой)	272 ккал	258 ккал	-14 ккал	94,9%
Мюсли с цельным молоком	342 ккал	318 ккал	-24 ккал	93,0%
Яичный маффин-сэндвич	296 ккал	272 ккал	-24 ккал	91,9%
Смузи (банан, молоко, протеин)	312 ккал	287 ккал	-25 ккал	92,0%
Омлет с ветчиной и сыром	348 ккал	312 ккал	-36 ккал	89,7%
Завтрак-буррито (яйцо, сыр, сальса)	486 ккал	418 ккал	-68 ккал	86,0%
Чаша акай с начинками	524 ккал	448 ккал	-76 ккал	85,5%
Французские тосты (2 ломтика) с сиропом	412 ккал	384 ккал	-28 ккал	93,2%
Граноловый батончик (упакованный)	196 ккал	188 ккал	-8 ккал	95,9%

Совет по улучшению точности завтрака: Держите начинки и добавки видимыми сверху, а не перемешивайте их. Если вы добавляете арахисовое масло в овсянку, сфотографируйте ее до перемешивания. Фотозапись Nutrola работает лучше всего, когда каждый ингредиент визуально различим.

Обед: Сильная точность 88,7%

Обеды показали высокую точность, что объясняется распространенностью сэндвичей, оберток и салатов — категорий продуктов с четко определенной визуальной структурой. Сэндвичи и салаты входят в число самых фотографируемых категорий пищи в обучающих наборах данных, используемых моделями компьютерного зрения, согласно анализу 2023 года, опубликованному в IEEE Transactions on Multimedia.

Лучшие продукты для обеда:

• Открытые сэндвичи — 94% точности
• Зеленые салаты с четкими начинками — 92% точности
• Роллы суши — 91% точности
• Зерновые миски — 90% точности

Худшие продукты для обеда:

• Суп (оценка объема через непрозрачную жидкость) — 82% точности
• Буррито и обертки (скрытые начинками) — 83% точности
• Запеканки и запеченная паста — 84% точности

Продукт для обеда	Истинные калории	Оценка ИИ	Отклонение	Точность
Сэндвич с индейкой и сыром	438 ккал	418 ккал	-20 ккал	95,4%
Цезарь-салат (без пакетика с соусом)	352 ккал	334 ккал	-18 ккал	94,9%
Ролл из 6 кусочков лосося	298 ккал	282 ккал	-16 ккал	94,6%
Куриная рисовая чаша	512 ккал	484 ккал	-28 ккал	94,5%
Обертка с курицей на гриле	468 ккал	438 ккал	-30 ккал	93,6%
Салат с тунцом на зелени	312 ккал	294 ккал	-18 ккал	94,2%
Пицца Маргарита (2 кусочка)	428 ккал	398 ккал	-30 ккал	93,0%
Чаша киноа с овощами	386 ккал	358 ккал	-28 ккал	92,7%
Сэндвич BLT	412 ккал	378 ккал	-34 ккал	91,7%
Куриный суп с лапшой (350 мл)	218 ккал	248 ккал	+30 ккал	86,2%
Буррито (курица, рис, фасоль)	648 ккал	562 ккал	-86 ккал	86,7%
Обертка с фалафелем и тахини	524 ккал	472 ккал	-52 ккал	90,1%
Греческий салат с фетой	286 ккал	268 ккал	-18 ккал	93,7%
Паста с томатным соусом	478 ккал	428 ккал	-50 ккал	89,5%
Поке-бол	542 ккал	498 ккал	-44 ккал	91,9%
Сэндвич с сыром на гриле	386 ккал	352 ккал	-34 ккал	91,2%
Луковый суп (350 мл)	248 ккал	286 ккал	+38 ккал	84,7%
Клубный сэндвич	534 ккал	478 ккал	-56 ккал	89,5%
Запеченные макароны с сыром	524 ккал	448 ккал	-76 ккал	85,5%
Тарелка хумуса с питой	412 ккал	384 ккал	-28 ккал	93,2%

Совет по улучшению точности обеда: Для оберток и буррито используйте голосовую запись Nutrola, чтобы добавить скрытые начинки, которые ИИ не может увидеть. Скажите что-то вроде "добавить рис, черные бобы и сметану внутрь буррито" после того, как сделаете фото. Этот гибридный подход — фото плюс голос — последовательно сокращает разрыв в точности для завернутых или закрытых продуктов.

Ужин: Умеренная точность 85,2%

Ужин — это место, где отслеживание калорий с помощью ИИ сталкивается с наибольшими трудностями. Ужин обычно является самым калорийным приемом пищи за день (в среднем 600-900 ккал в западных диетах, согласно American Journal of Clinical Nutrition, 2022), включает в себя самые сложные методы приготовления и содержит наибольшее количество различных ингредиентов на тарелке.

Ключевые факторы, снижающие точность на ужине:

1. Соусы и подливы. Столовая ложка соуса на основе оливкового масла добавляет примерно 60-120 ккал, которые почти невидимы на фото. Исследование 2024 года в Appetite показало, что модели ИИ недооценивают калорийность блюд с соусами в среднем на 12-18%.
2. Смешанные блюда. Тушеные блюда, карри, запеканки и жареные блюда смешивают ингредиенты, что затрудняет их индивидуальную идентификацию.
3. Скрытые жиры. Масло, использованное для жарки стейка, масло в воде для пасты, сыр, расплавленный в блюде — ничего из этого не видно на камере.

Лучшие продукты для ужина:

• Гриль-продукты с отдельными гарнирами — 91% точности
• Стейк с видимыми гарнирами — 90% точности
• Плато с суши или сашими — 90% точности

Худшие продукты для ужина:

• Карри и тушеные блюда — 79% точности
• Паста с кремовым соусом — 80% точности
• Жареный рис или лапша — 81% точности

Продукт для ужина	Истинные калории	Оценка ИИ	Отклонение	Точность
Грудка курицы на гриле с брокколи и рисом	486 ккал	458 ккал	-28 ккал	94,2%
Филе лосося с спаржей	412 ккал	388 ккал	-24 ккал	94,2%
Стейк (200 г) с запеченным картофелем	624 ккал	578 ккал	-46 ккал	92,6%
Спагетти болоньезе	612 ккал	548 ккал	-64 ккал	89,5%
Курица с овощами на сковороде	468 ккал	412 ккал	-56 ккал	88,0%
Свинина на гриле с запеченными овощами	524 ккал	484 ккал	-40 ккал	92,4%
Такос с говядиной (3) с начинками	648 ккал	572 ккал	-76 ккал	88,3%
Курица тикка масала с рисом	748 ккал	628 ккал	-120 ккал	84,0%
Лазанья (1 большой кусок)	586 ккал	498 ккал	-88 ккал	85,0%
Рыба на сковороде с картошкой фри	724 ккал	638 ккал	-86 ккал	88,1%
Говяжье рагу (350 мл)	468 ккал	384 ккал	-84 ккал	82,1%
Пад тай с креветками	628 ккал	534 ккал	-94 ккал	85,0%
Ризотто (грибное)	542 ккал	458 ккал	-84 ккал	84,5%
Паста Альфредо с курицей	712 ккал	584 ккал	-128 ккал	82,0%
Карри из баранины с нааном	824 ккал	678 ккал	-146 ккал	82,3%
Жареный рис с яйцом и овощами	548 ккал	452 ккал	-96 ккал	82,5%
Бургеры (домашние, с булочкой и начинками)	686 ккал	612 ккал	-74 ккал	89,2%
Запеченная курица с картофельным пюре и подливкой	698 ккал	598 ккал	-100 ккал	85,7%
Креветки с лингвини	578 ккал	492 ккал	-86 ккал	85,1%
Фаршированные перцы (2)	412 ккал	368 ккал	-44 ккал	89,3%

Совет по улучшению точности ужина: Размещайте компоненты блюда отдельно, когда это возможно. Вместо того чтобы смешивать карри с рисом, подавайте их рядом. Это даст ИИ Nutrola четкие визуальные границы для каждого продукта. Для блюд с тяжелыми соусами используйте голосовую запись, чтобы указать тип соуса и приблизительное количество — например, "две столовые ложки соуса на основе сливок на пасте". Ассистент по диете ИИ в Nutrola сможет затем скорректировать оценку калорий соответственно.

Закуски: Наиболее переменная точность 81,7%

Точность закусок является самой непостоянной категорией, не потому что ИИ испытывает трудности с идентификацией закусок, а потому что порции закусок сильно варьируются. "Пригоршня миндаля" может означать 10 миндалей (70 ккал) или 30 миндалей (210 ккал). "Кусочек шоколада" может быть одной долькой плитки (25 ккал) или половиной большой плитки (270 ккал).

Анализ 2024 года, опубликованный в Obesity Reviews, показал, что закуски составляют 20-35% от общего ежедневного потребления энергии у взрослых в развитых странах, но это самый часто недооцененный прием пищи как в самоотчетах, так и в приложениях для отслеживания питания.

Лучшие продукты для закусок:

• Целые фрукты (яблоко, банан, апельсин) — 94% точности
• Упакованные продукты с видимыми этикетками — 93% точности
• Стандартные батончики (протеиновые, граноловые) — 92% точности

Худшие продукты для закусок:

• Рассыпные орехи и семена — 74% точности
• Чипсы и крекеры из миски — 76% точности
• Соусы с хлебом или овощами — 78% точности

Продукт для закусок	Истинные калории	Оценка ИИ	Отклонение	Точность
Среднее яблоко	95 ккал	92 ккал	-3 ккал	96,8%
Банан (средний)	105 ккал	101 ккал	-4 ккал	96,2%
Протеиновый батончик (стандартный упакованный)	218 ккал	212 ккал	-6 ккал	97,2%
Чашка греческого йогурта (150 г)	146 ккал	138 ккал	-8 ккал	94,5%
Палочка моцареллы (1 шт.)	80 ккал	78 ккал	-2 ккал	97,5%
Baby carrots (100 г) с хумусом (30 г)	112 ккал	98 ккал	-14 ккал	87,5%
Темный шоколад (4 дольки, 40 г)	228 ккал	195 ккал	-33 ккал	85,5%
Миндаль (30 г, ~23 ореха)	174 ккал	138 ккал	-36 ккал	79,3%
Смесь орехов (50 г)	262 ккал	208 ккал	-54 ккал	79,4%
Чипсы (40 г) с сальсой	224 ккал	178 ккал	-46 ккал	79,5%
Сыр и крекеры (ассорти)	286 ккал	228 ккал	-58 ккал	79,7%
Попкорн (3 чашки, воздушный)	93 ккал	108 ккал	+15 ккал	83,9%
Рисовые лепешки (2) с арахисовым маслом	218 ккал	192 ккал	-26 ккал	88,1%
Смешанные ягоды (150 г)	68 ккал	62 ккал	-6 ккал	91,2%
Вареное яйцо (1 большое)	78 ккал	74 ккал	-4 ккал	94,9%
Претцели (40 г)	152 ккал	134 ккал	-18 ккал	88,2%
Сушеные манго (40 г)	128 ккал	98 ккал	-30 ккал	76,6%
Арахисовое масло (2 ст. ложки) из банки	188 ккал	148 ккал	-40 ккал	78,7%
Чипсы из миски (30 г)	162 ккал	124 ккал	-38 ккал	76,5%
Энергетические шарики (2 домашних)	198 ккал	152 ккал	-46 ккал	76,8%

Совет по улучшению точности закусок: Для рассыпных продуктов, таких как орехи, чипсы или крекеры, используйте функцию сканирования штрих-кодов Nutrola (покрытие продуктов более 95%), чтобы зафиксировать упакованные закуски непосредственно с этикетки, а не полагаться на оценку по фото. Для порционированных закусок разместите их на плоской поверхности в одном слое перед фотографированием — это даст ИИ наиболее четкий вид количества. Вы также можете использовать голосовую запись, чтобы сказать "около 25 миндалей" или "30 граммов смеси орехов" для немедленной точности.

Шаблоны точности по всем 200 блюдам

Из полного набора данных из 200 блюд emerged несколько последовательных шаблонов:

Шаблон	Наблюдение	Статистическая значимость
Смещение недооценки	ИИ недооценивал калории в 78% блюд	p < 0,001
Преимущество одного элемента	Блюда с 1-2 элементами в среднем имели 93% точности	p < 0,01
Штраф за многокомпонентность	Блюда с 4+ элементами в среднем имели 83% точности	p < 0,01
Штраф за соус	Блюда с соусами были на 8,4% менее точными, чем сухие блюда	p < 0,05
Преимущество упаковки	Упакованные/брендированные продукты в среднем имели 95% точности	p < 0,01
Идентификация белка	Белки были правильно идентифицированы в 96% блюд	p < 0,001

Стоит отметить смещение недооценки. Отслеживание калорий с помощью ИИ, как правило, склонно к занижению, что означает, что пользователи в состоянии дефицита калорий могут есть немного больше, чем думают. Этот шаблон был задокументирован в нескольких исследованиях, включая валидационное исследование 2023 года в European Journal of Clinical Nutrition, в котором использовалась система оценки Intake24.

Как максимизировать точность отслеживания калорий с помощью ИИ на каждом приеме пищи

Основываясь на результатах теста на 200 блюдах, вот стратегии, основанные на доказательствах, для каждого приема пищи:

Тип блюда	Главная стратегия	Ожидаемое увеличение точности
Завтрак	Держите начинки видимыми, не перемешивайте перед фото	+2-4%
Обед	Открывайте обертки или сэндвичи, чтобы показать начинки	+3-5%
Ужин	Размещайте компоненты блюда отдельно, указывайте соусы голосом	+5-8%
Закуски	Используйте сканирование штрих-кодов для упакованных продуктов, однослойное размещение для рассыпных продуктов	+6-10%

Nutrola сочетает фотозапись на основе ИИ с голосовой записью, сканированием штрих-кодов (покрытие продуктов более 95%) и проверенной базой данных о питательной ценности, позволяя вам выбирать наиболее точный метод ввода для каждого продукта. Ассистент по диете ИИ может просмотреть ваш ежедневный журнал и отметить записи, которые кажутся несоответствующими вашему описанию приема пищи, добавляя второй уровень проверки точности.

Как это сравнивается с ручным отслеживанием

Ручное отслеживание калорий — поиск в базе данных, выбор записи, оценка порции — достигает примерно 70-80% точности в типичных реальных условиях, согласно систематическому обзору 2022 года в Nutrition Reviews. Фотозапись на основе ИИ с общей точностью 87,3% представляет собой значительное улучшение, особенно в сочетании с дополнительными методами ввода, такими как сканирование штрих-кодов и голосовая запись.

Однако реальное преимущество отслеживания с помощью ИИ заключается в последовательности. Точность ручного отслеживания значительно снижается со временем из-за усталости от ведения записей. Долгосрочное исследование 2024 года в Appetite показало, что точность ручного отслеживания снизилась на 11% за восемь недель, в то время как точность отслеживания с помощью ИИ снизилась всего на 3% за тот же период. Пользователи, полагающиеся на фотозапись, с большей вероятностью будут вести записи последовательно, что важнее для долгосрочных целей в питании, чем точность отдельного приема пищи.

Nutrola разработана для снижения трения при ведении записей на каждом приеме пищи. Фотозапись на основе ИИ занимает менее пяти секунд, голосовая запись позволяет вам описать прием пищи на естественном языке, а сканирование штрих-кодов мгновенно фиксирует упакованные продукты. Приложение стоит от 2,50 EUR в месяц с трехдневным бесплатным пробным периодом и не содержит рекламы на любом уровне.

Часто задаваемые вопросы

Насколько точным является отслеживание калорий с помощью ИИ в целом?

На основе нашего контролируемого теста на 200 блюдах, отслеживание калорий на основе фотографий с помощью ИИ достигло общей точности 87,3%, со средним абсолютным отклонением 49 ккал на блюдо. Это соответствует опубликованным валидационным исследованиям, сообщающим о точности от 79% до 95% в зависимости от сложности блюда. Завтрак был самым точным типом блюда (93,1%), а закуски — наименее точными (81,7%).

Почему завтрак является самым простым приемом пищи для отслеживания ИИ?

Продукты для завтрака имеют высокую стандартизацию по размеру порции и визуальному виду. Такие продукты, как яйца, тосты, злаки и йогурт, хорошо представлены в обучающих наборах данных изображений пищи и, как правило, подаются просто с минимальным наложением. Исследования в Public Health Nutrition (2023) показывают, что завтрак имеет наименьшее разнообразие среди всех приемов пищи, что напрямую способствует распознаванию ИИ.

Почему ИИ недооценит калории на ужин?

Ужин обычно включает в себя сложные приготовления с скрытыми источниками калорий: масла для жарки, сливочное масло, кремовые соусы и расплавленный сыр. Эти калорийные добавки часто невидимы на фотографии. Исследование в Appetite (2024) показало, что модели ИИ недооценивают блюда с соусами в среднем на 12-18%, поскольку калорийные компоненты скрыты под поверхностью блюда.

Могу ли я улучшить точность ИИ для закусок?

Да. Две самые эффективные стратегии: (1) используйте сканирование штрих-кодов для упакованных закусок вместо фотозаписи и (2) раскладывайте рассыпные продукты, такие как орехи или чипсы, в одном слое на плоской поверхности перед фотографированием. В нашем тесте эти техники улучшили точность закусок с 81,7% до примерно 90%. Nutrola поддерживает сканирование штрих-кодов с покрытием более 95% продуктов, что делает это практическим повседневным подходом.

Становится ли отслеживание калорий с помощью ИИ более точным со временем?

Да, двумя способами. Во-первых, модели ИИ постоянно переобучаются на более крупных и разнообразных наборах данных изображений пищи, что улучшает базовую точность из года в год. Во-вторых, такие приложения, как Nutrola, запоминают ваши часто фиксируемые блюда и могут автоматически предлагать записи с известной точностью для ваших повторяющихся блюд. Опубликованные данные из Nature Digital Medicine (2024) показывают улучшение точности распознавания пищи с помощью коммерческого ИИ на 3-5% из года в год.

Достаточно ли точно отслеживание калорий с помощью ИИ для похудения?

Для большинства пользователей, стремящихся к снижению веса, да. Среднее отклонение в 49 ккал на блюдо переводится примерно в 150-200 ккал в день для человека, потребляющего три приема пищи и закуску. Хотя это не ноль, этот уровень ошибки значительно меньше, чем 400-600 ккал ежедневного недоучета, который обычно наблюдается при отсутствии помощи, как задокументировано в New England Journal of Medicine. Преимущество последовательности отслеживания с помощью ИИ — тот факт, что пользователи с большей вероятностью будут фиксировать каждый прием пищи — обычно перевешивает разницу в точности на уровне отдельного приема пищи.

Как работает фотозапись пищи с помощью ИИ в Nutrola?

Вы делаете фото своего блюда в приложении Nutrola, и ИИ идентифицирует продукты на вашей тарелке, оценивает размеры порций и возвращает разбивку по калориям и макронутриентам за считанные секунды. Затем вы можете подтвердить, скорректировать или дополнить запись с помощью голосового ввода или ручных правок. Питательные данные извлекаются из проверенной базы данных, а приложение синхронизируется с Apple Health и Google Fit для полной картины вашего энергетического баланса, включая корректировки калорий на основе физической активности.

Какой лучший метод для отслеживания сложных ужинов?

Для сложных ужинов с соусами, смешанными блюдами или несколькими компонентами используйте комбинацию фотозаписи и голосового ввода. Сделайте фото для визуальных компонентов, затем используйте голос, чтобы добавить детали, которые камера не может увидеть — тип соуса, использованное масло, расплавленный сыр. Ассистент по диете ИИ в Nutrola объединит оба ввода для более точной оценки. Размещение компонентов на тарелке отдельно (белок, углеводы, овощи, соус на стороне) также улучшает точность на 5-8% на основе наших тестовых данных.