Точность отслеживания калорий с помощью ИИ по кухням: мы протестировали 500 блюд из 20 кухонь

Большинство моделей распознавания еды на основе ИИ были обучены преимущественно на западных блюдах. Это означает, что салат с курицей-гриль из деликатесной лавки Лос-Анджелеса и пицца с пепперони из Нью-Йорка распознаются с почти идеальной точностью, в то время как тарелка эфиопского доро ват или филиппинского сисиг может оставить алгоритм в недоумении. Мы хотели выяснить, насколько велика эта разница в точности, поэтому провели контролируемый тест: 500 реальных блюд, 20 кухонь, каждое блюдо взвешивалось и сверялось с данными, рассчитанными диетологами. Вот что мы обнаружили.

Методология: Как мы тестировали 500 блюд

Мы разработали это исследование так, чтобы оно как можно больше соответствовало реальным условиям. Вот как это работало:

• Всего 500 блюд, по 25 на каждую кухню, собранных из ресторанов и домашних кухонь.
• 20 кухонь, выбранных для представления широкого географического и кулинарного спектра.
• Каждое блюдо было отфотографировано в стандартных условиях — при естественном освещении, на одной тарелке, под углом сверху и 45 градусов — с помощью смартфона (без студийной съемки).
• Каждое блюдо также взвешивалось на откалиброванных кухонных весах, а его ингредиенты анализировались зарегистрированным диетологом для получения эталонного значения калорийности.
• Фотографии были отправлены в Nutrola's Snap & Track AI для оценки калорийности.
• Мы сравнили оценку ИИ с эталонными данными диетолога и измерили: среднее отклонение калорий (в процентах), уровень идентификации еды (правильно ли ИИ назвал блюдо или его основные компоненты) и процент блюд, которые попали в диапазон 10% и 15% от эталонного значения.

Это не лабораторное исследование, и мы не утверждаем, что достигли клинической точности. Но 500 блюд — это достаточно данных, чтобы выявить четкие закономерности в том, где распознавание еды на основе ИИ преуспевает, а где оно отстает.

20 протестированных кухонь

Мы выбрали кухни на основе трех критериев: глобальная популярность, разнообразие методов приготовления и представительство недостаточно изученных категорий еды в данных для обучения ИИ.

1. Американская
2. Итальянская
3. Мексиканская
4. Китайская
5. Японская
6. Корейская
7. Индийская
8. Тайская
9. Вьетнамская
10. Ближневосточная / Ливанская
11. Турецкая
12. Греческая
13. Эфиопская
14. Нигерийская
15. Бразильская
16. Французская
17. Немецкая
18. Испанская
19. Филиппинская
20. Карибская

Каждая кухня была представлена 25 блюдами, выбранными так, чтобы охватить весь спектр этой кухни — закуски, основные блюда, гарниры и уличная еда. Мы намеренно включили как «фотогеничные» блюда (суши, отдельные тако), так и сложные (карри, рагу, запеканки).

Полные результаты: все 20 кухонь, ранжированные по точности

Вот результаты, отсортированные от самой точной до наименее точной по среднему отклонению калорий:

Ранг	Кухня	Протестированные блюда	Ср. отклонение калорий	Уровень идентификации еды	В пределах 10%	В пределах 15%
1	Японская	25	5.8%	96%	84%	96%
2	Американская	25	6.2%	98%	80%	92%
3	Итальянская	25	6.5%	96%	80%	92%
4	Корейская	25	7.1%	92%	76%	88%
5	Немецкая	25	7.4%	92%	72%	88%
6	Греческая	25	7.9%	88%	68%	84%
7	Французская	25	8.3%	88%	64%	84%
8	Испанская	25	8.6%	88%	64%	80%
9	Мексиканская	25	9.1%	84%	60%	80%
10	Вьетнамская	25	9.4%	84%	60%	76%
11	Бразильская	25	9.8%	80%	56%	76%
12	Турецкая	25	10.2%	80%	52%	72%
13	Китайская	25	10.7%	80%	48%	72%
14	Ближневосточная	25	11.3%	76%	48%	68%
15	Филиппинская	25	12.1%	72%	44%	64%
16	Карибская	25	12.8%	68%	40%	60%
17	Нигерийская	25	13.4%	64%	36%	56%
18	Тайская	25	13.9%	68%	36%	56%
19	Индийская	25	14.6%	64%	32%	52%
20	Эфиопская	25	15.8%	56%	28%	48%

Общее среднее по всем 500 блюдам: 9.8% отклонение калорий, 78% уровень идентификации еды, 56% в пределах 10%, 74% в пределах 15%.

Топ-5 самых точных кухонь (и почему)

1. Японская (среднее отклонение 5.8%)

Японская кухня, безусловно, является самой дружелюбной к ИИ кухней в мире. Суши, сашими, темпура и бенто представляют еду как визуально отличимые, индивидуально разделенные элементы. Рис обычно подается в четко определенной порции. ИИ может считать кусочки, оценивать размеры и сопоставлять их с хорошо заполненной базой данных для обучения. Кулинарная культура Японии также предпочитает стандартизированную подачу — калифорнийская ролл в одном ресторане выглядит почти идентично калифорнийской ролл в другом.

Лучшие исполнители: Нигири-суши (3.2% отклонение), эдамаме (2.9%), онигири (4.1%) Слабые исполнители: Рамен (11.4% — трудно оценить калории бульона), окономияки (9.8%)

2. Американская (среднее отклонение 6.2%)

Американская кухня выигрывает от двух основных преимуществ: широкого представительства в данных для обучения ИИ и высокого процента упаковки, стандартизированных или сетевых ресторантских блюд. Биг Мак выглядит одинаково везде. Хот-дог имеет предсказуемые размеры. Салаты, как правило, состоят из узнаваемых, разделенных ингредиентов. Даже домашняя кухня в Америке — бургеры, курица-гриль, запеченный картофель — состоит из визуально отличимых компонентов.

Лучшие исполнители: Гамбургеры (3.8%), куриная грудка на гриле (4.1%), салат «Цезарь» (5.2%) Слабые исполнители: Запеканки (12.3%), наггетсы с начинкой (10.9%)

3. Итальянская (среднее отклонение 6.5%)

Итальянская кухня получает высокие оценки по аналогичным причинам, что и японская — многие блюда имеют стандартизированную, визуально узнаваемую форму. Пицца маргарита, тарелка спагетти, капрезе и тарелка ризотто все визуально отличимы и широко представлены в наборах изображений еды. Формы пасты легко идентифицируемы, а начинки, как правило, располагаются сверху, а не перемешаны.

Лучшие исполнители: Пицца маргарита (3.5%), салат капрезе (4.0%), брускетта (4.8%) Слабые исполнители: Лазанья (11.2% — слоеные блюда скрывают сыр и мясо), карбонара (9.6% — содержание сливок и яиц варьируется)

4. Корейская (среднее отклонение 7.1%)

Корейская кухня удивила нас, заняв четвертое место. Ключевой фактор: корейские блюда обычно подаются в виде нескольких маленьких тарелок (банчан) рядом с основным блюдом, что облегчает распознавание отдельных элементов. Бибимпап представляет ингредиенты в визуально разделенных секциях на рисе. Кимбап нарезается на узнаваемые кружочки. Кимчи и маринованные гарниры визуально отличимы.

Лучшие исполнители: Кимбап (4.2%), бибимпап (5.8%), кимчи (3.1%) Слабые исполнители: Чигае/рагу (12.7%), токпокки с соусом (10.1%)

5. Немецкая (среднее отклонение 7.4%)

Немецкая кухня включает крупные, визуально отличимые элементы — колбасы, шницели, крендели, картофельные клецки — которые легко идентифицировать и оценить ИИ. Тарелки, как правило, состоят из отдельных компонентов, а не смешанных блюд. Виды колбас визуально различимы, а хлебобулочные изделия имеют стандартные формы и размеры.

Лучшие исполнители: Братвурст (4.5%), крендель (4.9%), шницель (6.2%) Слабые исполнители: Эйнтопф/рагу (11.8%), картофельный салат с различными заправками (9.4%)

Топ-5 наименее точных кухонь (и почему)

20. Эфиопская (среднее отклонение 15.8%)

Эфиопская кухня оказалась самой сложной для ИИ по всем метрикам. Основная проблема: блюда на основе инджеры представляют собой несколько рагу (ватов) и овощных блюд, поданных вместе на одном большом плоском хлебе, часто перекрывающихся и смешанных. ИИ испытывает трудности с определением, где заканчивается одно блюдо и начинается другое. Доро ват, мисир ват и китфо визуально похожи — темные, насыщенные соусом блюда с немногими отличительными чертами на поверхности. Содержание масла (нитер киббех) и жира невидимо под соусом.

Низкий уровень идентификации еды (56%) отражает реальный пробел в данных для обучения. Эфиопская кухня все еще недостаточно представлена в глобальных наборах изображений еды.

19. Индийская (среднее отклонение 14.6%)

Индийская кухня представляет собой идеальный шторм проблем для ИИ. Карри оптически непрозрачны — на фотографии невозможно увидеть, сколько гхи, сливок или кокосового молока содержится в курице с маслом. Дал может варьироваться от 150 до 400 калорий на порцию в зависимости от масла для обжаривания (тадка). Соусы выглядят одинаково для разных блюд: кorma, тикка масала и роган джош могут выглядеть почти идентично на фотографиях, несмотря на различия в сотнях калорий.

Хлеб — еще одна переменная. Обычный роти содержит примерно 100 калорий; наан с маслом из ресторана может превышать 300. Они выглядят похоже на фотографиях, но разница в калориях огромна.

Фактор гхи: Многие индийские блюда завершаются щедрой порцией гхи, которая перемешивается и становится невидимой. Наши эталонные значения от диетолога показали, что гхи и масло составляют 25-40% от общего количества калорий во многих блюдах — калории, которые ИИ просто не может увидеть.

18. Тайская (среднее отклонение 13.9%)

Тайская кухня сталкивается с многими из тех же проблем, что и индийская: карри на основе кокосового молока с скрытым содержанием жира, жареные блюда с переменным количеством масла и соусы, которые маскируют ингредиенты. Зеленое карри может варьироваться от 300 до 600 калорий на порцию в зависимости от соотношения кокосового молока. Калорийность пад тай сильно колеблется в зависимости от пасты тамаринд, орехов и масла — ингредиентов, которые распределены по всему блюду, а не видны сверху.

Рыбный соус и сахар, две основные приправы тайской кухни, добавляют калории, которые полностью невидимы на фотографии.

17. Нигерийская (среднее отклонение 13.4%)

Нигерийская кухня сталкивается с двумя проблемами: ограниченным представлением в данных для обучения и калорийными методами приготовления. Джоллоф рис впитывает масла во время приготовления, которые не видны на поверхности. Суп эгуси готовится из молотых семян дыни и пальмового масла, оба являются высококалорийными ингредиентами, которые смешиваются с блюдом. Пунш ям (фуфу) — это калорийный крахмал, который выглядит обманчиво легким.

ИИ испытывал трудности с различением различных нигерийских супов — огбоно, эгуси и суп с окрой выглядели похоже на фотографиях, но имели значительно разные калорийные профили из-за вариаций в пальмовом масле и содержании семян.

16. Карибская (среднее отклонение 12.8%)

Карибская кухня сочетает в себе многие из самых сложных элементов: тушеное мясо с скрытым жиром (хвост осла, карри из козлятины), рис на основе кокосового молока, жареный плантан с переменным количеством масла и блюда в одной кастрюле, такие как пелау. ИИ хорошо справился с курицей на гриле (видимые следы от гриля, узнаваемая форма), но плохо с коричневыми тушеными блюдами и карри, где соус скрывал белок.

Проблема скрытых калорий: какие кухни обманывают ИИ больше всего

Одним из самых важных выводов из этого теста является то, что мы называем «разрывом скрытых калорий» — разница между тем, что ИИ может увидеть, и тем, что на самом деле находится в блюде. Мы измерили это, изучив, какие кухни имели наибольший разрыв между оценкой ИИ и фактическим количеством калорий, особенно из-за невидимых жиров и масел.

Кухня	Ср. скрытые калории из жиров (на блюдо)	% от общего количества калорий из скрытых жиров	Недооценка ИИ из-за скрытых жиров
Индийская	187 ккал	34%	-22%
Эфиопская	165 ккал	31%	-20%
Тайская	152 ккал	29%	-18%
Нигерийская	148 ккал	28%	-17%
Китайская	134 ккал	24%	-14%
Ближневосточная	128 ккал	23%	-13%
Карибская	124 ккал	22%	-12%
Филиппинская	118 ккал	21%	-11%
Турецкая	112 ккал	20%	-10%
Бразильская	98 ккал	17%	-8%

Ясно одно: кухни, которые сильно зависят от кулинарных масел, гхи, кокосового молока и соусов на основе орехов, систематически вводят в заблуждение трекеры калорий ИИ, заставляя их недооценивать. Это не недостаток, уникальный для Nutrola — это фундаментальное ограничение оценки калорий на основе фотографий. Камера не может увидеть растворенный жир.

Практическое значение: Если вы регулярно едите блюда из верхней половины этого списка, ожидайте, что оценки ИИ будут заниженными, и подумайте о добавлении ручной корректировки на 10-20% для соусных и тушеных блюд.

Как Nutrola улучшает точность для недостаточно представленных кухонь

Мы не публикуем эти данные, чтобы оправдать плохую производительность — мы публикуем их, потому что прозрачность способствует улучшению. Вот что мы активно делаем:

Расширение данных для обучения для недостаточно представленных кухонь

Наша система обучения изображений исторически была ориентирована на североамериканские и европейские продукты. Мы активно сотрудничаем с фотографами еды и базами данных рецептов в Южной Азии, Западной Африке, Восточной Африке, Юго-Восточной Азии и Карибском бассейне, чтобы значительно расширить наш набор данных для кухонь, которые набрали менее 80% по идентификации еды.

Партнерство с региональными базами данных о питании

Оценка калорий хороша только настолько, насколько хороши данные о питании, стоящие за ней. Мы строим партнерства с научно-исследовательскими учреждениями в Индии, Нигерии, Эфиопии и Таиланде, чтобы интегрировать региональные данные о питании. «Курица с маслом», приготовленная в Дели, имеет другой калорийный профиль, чем версия из британского ресторана на вынос, и наша база данных должна это отражать.

Специфические для кухни корректировки ИИ

Когда ИИ Nutrola обнаруживает категорию кухни (например, индийская, тайская, эфиопская), он теперь применяет специфические для кухни корректировочные факторы. Если система определяет карри, она автоматически корректирует вверх для вероятных скрытых жиров. Это не идеальное решение, но наши внутренние тесты показывают, что это снижает среднее отклонение для индийской кухни с 14.6% до 11.2%, а для тайской кухни с 13.9% до 10.8%.

Обратная связь от пользователей

Каждый раз, когда пользователь Nutrola вручную корректирует оценку ИИ, эта корректировка возвращается в нашу модель. Кухни с более активными пользовательскими базами улучшаются быстрее. Мы также проводим целевые кампании по привлечению пользователей из регионов с недостаточно представленными кухнями, чтобы помочь обучить модель.

Советы для пользователей, отслеживающих международную еду

Основываясь на этих данных, вот практические стратегии для получения наиболее точных результатов при отслеживании не западных кухонь:

1. Добавьте «буфер скрытого масла» для кухонь с соусами

Если вы едите индийскую, тайскую, эфиопскую, нигерийскую или китайскую еду, добавьте 10-15% к оценке ИИ для любого блюда, которое содержит видимый соус или подливу. Эта единственная корректировка закрывает большинство разрывов в точности.

2. Фотографируйте отдельные компоненты, когда это возможно

Вместо того чтобы фотографировать целую эфиопскую тарелку для совместного употребления, фотографируйте каждое ват отдельно, если это возможно. Вместо того чтобы делать снимок полного тали, захватывайте каждую миску отдельно. ИИ работает значительно лучше, когда он может изолировать отдельные блюда.

3. Используйте функцию ручной корректировки

Nutrola позволяет вам корректировать оценки ИИ вверх или вниз после сканирования. Используйте это для блюд, которые вы едите регулярно — как только вы узнаете, что зеленое карри в вашем местном тайском ресторане на 15% выше, чем считает ИИ, вы можете применять эту корректировку каждый раз.

4. Сравнивайте с известными рецептами

Если вы готовите международную еду дома, запишите рецепт один раз с точными измерениями (включая все масла и гхи). Сохраните его как индивидуальное блюдо в Nutrola. С этого момента вы сможете мгновенно регистрировать его с проверенной точностью, а не полагаться на оценку по фотографии.

5. Следите за «калорийными двойниками»

Некоторые блюда выглядят почти идентично на фотографиях, но сильно различаются по калориям. Нан против роти. Карри на основе кокоса против томатного карри. Жареный плантан против вареного плантана. Когда ИИ представляет свою оценку, дважды проверьте, что он правильно определил метод приготовления.

6. Отслеживайте напитки отдельно

Многие международные кухни включают калорийные напитки — манговый ласс, тайский iced tea, хорчата, нигерийский зобо — которые ИИ может пропустить, если они находятся на краю кадра. Фотографируйте напитки отдельно для наилучших результатов.

Что это значит для будущего отслеживания еды с помощью ИИ

Этот тест показывает, насколько далеко продвинулось отслеживание калорий с помощью ИИ и насколько далеко оно все еще должно пройти. Для кухонь с визуально отличительными, хорошо задокументированными блюдами — японской, американской, итальянской, корейской — отслеживание калорий на основе фотографий ужеRemarkably точное, выполняясь в пределах 6-7% от ручной оценки диетолога. Это достаточно хорошо, чтобы быть действительно полезным для ежедневного отслеживания.

Для кухонь с скрытыми жирами, перекрывающимися блюдами и ограниченными данными для обучения существует значительный разрыв в точности, о котором пользователи должны быть осведомлены. Этот разрыв не настолько велик, чтобы сделать отслеживание ИИ бесполезным для этих кухонь, но он достаточно велик, чтобы иметь значение, если вы пытаетесь поддерживать точный дефицит калорий.

Хорошая новость заключается в том, что эту проблему можно решить. Это в основном проблема данных, а не алгоритмическая. По мере расширения наборов данных для обучения и улучшения региональных баз данных о питании точность для недостаточно представленных кухонь будет приближаться к лучшим исполнителям. Наша цель в Nutrola — сократить этот разрыв до менее 8% среднего отклонения для всех 20 кухонь к концу 2026 года.

Тем временем сочетание оценки ИИ, осведомленности пользователей и ручной корректировки позволяет достичь уровня точности, который более чем достаточен для значимого отслеживания питания — независимо от того, какую кухню вы едите.

Функция Snap & Track от Nutrola доступна на всех планах, начиная всего с 2.50 евро в месяц, без рекламы и с полным доступом к нашей постоянно улучшающейся системе распознавания еды на основе ИИ. Чем больше разнообразных блюд фотографируют наши пользователи, тем умнее становится система для всех.

---

Примечание по методологии: Этот тест был проведен внутренне командой Nutrola в марте 2026 года. Эталонные значения калорий были рассчитаны двумя зарегистрированными диетологами, работающими независимо, с разрешением расхождений по соглашению. Все оценки ИИ были сгенерированы с использованием функции Snap & Track в Nutrola v3.2. Мы планируем повторять этот тест ежеквартально и публиковать обновленные результаты.