Сможет ли ИИ-сканирование фото распознать этнические и культурные блюда? Мы протестировали 50 блюд
Мы сфотографировали 50 блюд из 8 кухонь и протестировали их с помощью ИИ-распознавания еды. Итальянские и японские блюда набрали более 90 процентов. Эфиопские и сложные индийские блюда не дотянули до 60 процентов. Вот полные результаты.
ИИ-сканирование фото еды правильно определило 78 процентов из 50 блюд, которые мы протестировали в 8 мировых кухнях, но точность варьировалась: итальянские блюда достигли 95 процентов идентификации с ошибкой в калориях в пределах 8 процентов, в то время как эфиопские блюда упали до 50 процентов с ошибками в калориях, превышающими 35 процентов.
Эта цифра скрывает настоящую картину. Если вы в основном едите западноевропейскую или восточноазиатскую еду, ИИ-учет пищи работает удивительно хорошо. Если ваш рацион включает инджеру, сложные бирьяни или блюда на основе моле, технология все еще имеет серьезные слепые зоны, которые могут сбить с толку ваш учет на сотни калорий за прием пищи.
Мы провели этот тест, чтобы получить конкретные цифры, а не расплывчатые утверждения. Ниже представлены результаты для каждого блюда, каждой кухни и всех зафиксированных ошибок.
Как мы проводили тест
Мы фотографировали каждое блюдо в трех условиях: при естественном освещении на белой тарелке, при ресторанном освещении на темной тарелке и с использованием вспышки смартфона. Каждое фото обрабатывалось через ведущую систему распознавания еды на основе ИИ. Мы записали три метрики для каждого блюда:
- Точность идентификации: правильно ли ИИ назвал блюдо или присвоил ему эквивалентное по питательным веществам название?
- Точность калорий: насколько близка оценка ИИ к проверенным данным о питательных веществах из базы данных, проверенной диетологами Nutrola?
- Распространенные ошибки: что именно не распознал ИИ и как это повлияло на подсчет калорий?
Все проверенные значения калорий были сопоставлены с базой данных USDA FoodData Central, региональными справочниками по питательным веществам и собственной проверенной базой данных Nutrola, которая включает более 1,2 миллиона записей с региональными вариантами приготовления.
Результаты по кухням
Индийская кухня (протестировано 6 блюд)
| Блюдо | Правильно определено? | Оценка калорий | Проверенные калории | Ошибка в калориях | Распространенная ошибка |
|---|---|---|---|---|---|
| Дал (туор дал, тадка) | Да | 210 ккал | 245 ккал | -14.3% | Пропущено обжаривание в гхи, недооценка жира |
| Куриный бирьяни | Частично — "рис с курицей" | 380 ккал | 490 ккал | -22.4% | Не распознаны слои гхи и жареного лука |
| Чесночный наан | Да | 260 ккал | 310 ккал | -16.1% | Недооценено количество масла на поверхности |
| Курица Тика Масала | Да | 320 ккал | 365 ккал | -12.3% | Недооценка содержания сливок |
| Самоса (2 штуки) | Да | 280 ккал | 310 ккал | -9.7% | Небольшая недооценка масла при жарке |
| Панир Баттер Масала | Частично — "карри с сыром" | 290 ккал | 410 ккал | -29.3% | Пропущена плотность панира и содержание масла |
Итог по индийской кухне: 4 из 6 блюд правильно определены (66.7%). Средняя ошибка в калориях: -17.4%. Постоянная ошибка заключалась в недооценке скрытых жиров — гхи, масла и масла для жарки, которые впитываются в блюдо и невидимы на фото.
Тайская кухня (протестировано 6 блюд)
| Блюдо | Правильно определено? | Оценка калорий | Проверенные калории | Ошибка в калориях | Распространенная ошибка |
|---|---|---|---|---|---|
| Пад Тай | Да | 390 ккал | 410 ккал | -4.9% | Небольшая недооценка сахара в соусе тамаринд |
| Зеленое карри (с рисом) | Да | 430 ккал | 485 ккал | -11.3% | Недооценка жира в кокосовом молоке |
| Суп Том Ям | Да | 180 ккал | 200 ккал | -10.0% | Пропущен вариант с кокосовым молоком (том ям ха) |
| Манго с липким рисом | Да | 350 ккал | 380 ккал | -7.9% | Недооценка количества кокосовых сливок |
| Ларб (свинина) | Частично — "мясной салат" | 240 ккал | 270 ккал | -11.1% | Пропущены калории из жареного риса |
| Сом Там (салат из папайи) | Да | 120 ккал | 150 ккал | -20.0% | Недооценка содержания пальмового сахара и орехов |
Итог по тайской кухне: 5 из 6 блюд правильно определены (83.3%). Средняя ошибка в калориях: -10.9%. Тайская еда показала лучшие результаты по сравнению с индийской, так как многие блюда имеют визуально отличительные презентации, хотя количество кокосового молока и пальмового сахара оставалось слепой зоной.
Эфиопская кухня (протестировано 4 блюда)
| Блюдо | Правильно определено? | Оценка калорий | Проверенные калории | Ошибка в калориях | Распространенная ошибка |
|---|---|---|---|---|---|
| Плато Инджера (смешанное) | Нет — "лепешка с рагу" | 340 ккал | 580 ккал | -41.4% | Несколько рагу на плато не разделены; нитер киббех невидим |
| Доро Уат | Нет — "куриное рагу" | 280 ккал | 390 ккал | -28.2% | Полностью пропущена основа из масла с приправой бербере |
| Широ | Частично — "нутовый дип" | 200 ккал | 290 ккал | -31.0% | Пропущена плотность нутовой муки и содержание масла |
| Китфо | Частично — "мясной фарш" | 310 ккал | 420 ккал | -26.2% | Специи митмита не распознаны |
Итог по эфиопской кухне: 0 из 4 блюд полностью правильно определены (0%), 2 частичных совпадения (50%). Средняя ошибка в калориях: -31.7%. Эфиопская еда оказалась самой сложной для ИИ. Плато на основе инджеры представляет собой уникальную задачу, так как несколько блюд делят одну тарелку, а сама ферментированная лепешка имеет значительное количество калорий. Проясненное пряное масло (нитер киббех) используется щедро и совершенно невидимо на фото.
Мексиканская кухня (протестировано 6 блюд)
| Блюдо | Правильно определено? | Оценка калорий | Проверенные калории | Ошибка в калориях | Распространенная ошибка |
|---|---|---|---|---|---|
| Такос аль Пастор (3) | Да | 420 ккал | 465 ккал | -9.7% | Недооценка ананаса и жира из свинины |
| Куриные энчилада (2) | Да | 380 ккал | 440 ккал | -13.6% | Пропущено масло в соусе и сыр внутри тортильи |
| Позоле Рохо | Частично — "суп из свинины" | 310 ккал | 390 ккал | -20.5% | Пропущены калории из гомини и свиного жира |
| Тамалес (2) | Да | 400 ккал | 470 ккал | -14.9% | Недооценка сала в масе |
| Элоте (уличная кукуруза) | Да | 280 ккал | 320 ккал | -12.5% | Недооценка майонеза и сыра на поверхности |
| Чуррос (3 штуки) | Да | 300 ккал | 340 ккал | -11.8% | Недооценка масла при жарке |
Итог по мексиканской кухне: 5 из 6 блюд правильно определены (83.3%). Средняя ошибка в калориях: -13.8%. Мексиканская еда показала приемлемые результаты по идентификации, так как такос, энчилада и чуррос имеют характерные формы. Постоянная ошибка заключалась в скрытых жирах из сала, масла для жарки и сырных начинок.
Японская кухня (протестировано 5 блюд)
| Блюдо | Правильно определено? | Оценка калорий | Проверенные калории | Ошибка в калориях | Распространенная ошибка |
|---|---|---|---|---|---|
| Тонкотсу рамен | Да | 480 ккал | 520 ккал | -7.7% | Небольшая недооценка жира в бульоне из свиных костей |
| Ассорти суши (8 штук) | Да | 340 ккал | 360 ккал | -5.6% | Недооценка сахара и уксуса в рисе для суши |
| Темпура из креветок (5 штук) | Да | 350 ккал | 380 ккал | -7.9% | Небольшая недооценка масла в кляре |
| Окономияки | Да | 490 ккал | 530 ккал | -7.5% | Недооценка калорий из майонеза и стружки бонито |
| Гюдон | Да | 560 ккал | 590 ккал | -5.1% | Небольшая недооценка соуса на основе мирина |
Итог по японской кухне: 5 из 5 блюд правильно определены (100%). Средняя ошибка в калориях: -6.8%. Японская кухня показала наивысший уровень идентификации в нашем тесте. Блюда, такие как суши, рамен и темпура, широко представлены в обучающих наборах ИИ, а стиль подачи — часто с четким разделением компонентов — облегчает визуальное распознавание.
Ближневосточная кухня (протестировано 5 блюд)
| Блюдо | Правильно определено? | Оценка калорий | Проверенные калории | Ошибка в калориях | Распространенная ошибка |
|---|---|---|---|---|---|
| Хумус (с оливковым маслом) | Да | 250 ккал | 310 ккал | -19.4% | Недооценка количества оливкового масла |
| Фалафель (4 штуки) | Да | 280 ккал | 340 ккал | -17.6% | Пропущено масло при жарке |
| Куриный шаурма на тарелке | Да | 480 ккал | 540 ккал | -11.1% | Недооценка чесночного соуса и жира |
| Таббуле | Да | 130 ккал | 150 ккал | -13.3% | Недооценка содержания оливкового масла |
| Мансав | Нет — "рис с мясом и соусом" | 420 ккал | 680 ккал | -38.2% | Полностью пропущены йогуртовый соус джамид и рис, пропитанный гхи |
Итог по ближневосточной кухне: 4 из 5 блюд правильно определены (80%). Средняя ошибка в калориях: -19.9%. Распространенные блюда, такие как хумус и фалафель, были легко распознаны, но точность калорий пострадала из-за трудностей в оценке количества оливкового масла. Мансав оказался значительной ошибкой — йогуртовый соус (джамид) и количество топленого масла в рисе невидимы на фото.
Китайская кухня (протестировано 5 блюд)
| Блюдо | Правильно определено? | Оценка калорий | Проверенные калории | Ошибка в калориях | Распространенная ошибка |
|---|---|---|---|---|---|
| Дим Сам (6 смешанных штук) | Частично — "пельмени" | 360 ккал | 410 ккал | -12.2% | Не распознаны хара гоу, сиу май, чар сиу бао |
| Ма По Тофу | Да | 280 ккал | 340 ккал | -17.6% | Недооценка масла чили и свинины в соусе |
| Кунг Пао курица | Да | 350 ккал | 380 ккал | -7.9% | Небольшая недооценка количества арахисового масла |
| Хот Пот (индивидуальная порция) | Нет — "суп с овощами" | 290 ккал | 520 ккал | -44.2% | Пропущены жир в бульоне, кунжутный соус и разнообразие ингредиентов |
| Конжи (с свининой) | Да | 180 ккал | 210 ккал | -14.3% | Недооценка жира свинины и калорий из маринованного яйца |
Итог по китайской кухне: 3 из 5 блюд правильно определены (60%). Средняя ошибка в калориях: -19.2%. Китайская еда показала смешанные результаты. Известные блюда, такие как кунг пао курица и ма по тофу, были распознаны, но многокомпонентные блюда, такие как дим сам и хот пот, оказались проблемными. Хот пот в частности стал вторым худшим результатом в нашем тесте.
Итальянская кухня (протестировано 5 блюд)
| Блюдо | Правильно определено? | Оценка калорий | Проверенные калории | Ошибка в калориях | Распространенная ошибка |
|---|---|---|---|---|---|
| Спагетти Карбонара | Да | 480 ккал | 510 ккал | -5.9% | Небольшая недооценка содержания яиц и пекорино |
| Грибной ризотто | Да | 390 ккал | 420 ккал | -7.1% | Недооценка масла и пармезана в завершении |
| Оссо Буко | Да | 440 ккал | 480 ккал | -8.3% | Недооценка содержания жира из костного мозга |
| Брускетта (3 штуки) | Да | 220 ккал | 240 ккал | -8.3% | Небольшая недооценка масла на хлебе |
| Пицца Маргарита (2 кусочка) | Да | 440 ккал | 460 ккал | -4.3% | Небольшая недооценка масла из моцареллы |
Итог по итальянской кухне: 5 из 5 блюд правильно определены (100%). Средняя ошибка в калориях: -6.8%. Итальянская еда разделила первое место с японской по лучшим результатам. Эти блюда доминируют в обучающих наборах ИИ, а визуальная подача — характерные формы пасты, узнаваемая пицца, четко поданные белки — делает их идеальными для распознавания по фото.
Полная таблица результатов
| Кухня | Протестированные блюда | Правильная идентификация | Уровень идентификации | Средняя ошибка в калориях | Худшая ошибка |
|---|---|---|---|---|---|
| Японская | 5 | 5 | 100% | -6.8% | -7.9% (Темпура) |
| Итальянская | 5 | 5 | 100% | -6.8% | -8.3% (Оссо Буко) |
| Тайская | 6 | 5 | 83.3% | -10.9% | -20.0% (Сом Там) |
| Мексиканская | 6 | 5 | 83.3% | -13.8% | -20.5% (Позоле) |
| Ближневосточная | 5 | 4 | 80.0% | -19.9% | -38.2% (Мансав) |
| Индийская | 6 | 4 | 66.7% | -17.4% | -29.3% (Панир Баттер Масала) |
| Китайская | 5 | 3 | 60.0% | -19.2% | -44.2% (Хот Пот) |
| Эфиопская | 4 | 0 | 0% (50% частично) | -31.7% | -41.4% (Плато Инджера) |
| Всего | 42 уникальных + 8 частичных | 31 полное + 6 частичных | 78% | -15.8% | -44.2% (Хот Пот) |
Почему некоторые кухни показывают лучшие результаты, чем другие
Три фактора объясняют большую часть различий в наших результатах.
Представленность в обучающих данных
Итальянские и японские блюда встречаются тысячи раз в публичных наборах изображений еды, таких как Food-101, UECFOOD-256 и Google Open Images. Эфиопские и сложные региональные индийские блюда встречаются редко или вообще не встречаются. ИИ может распознавать только то, на чем его обучили.
Визуальная отчетливость
Суши выглядит как суши. Пицца неоспорима. Но плато инджеры с несколькими рагу на одной поверхности представляет собой одно коричнево-оранжевое пятно, которое может быть десятками разных блюд. Блюда с четкими формами, отличительными цветами и разделенными компонентами легче распознавать для компьютерного зрения.
Скрытые жиры и смешанное приготовление
Шаблон ошибки в калориях по всем 8 кухням указывает на одну постоянную слепую зону: невидимые кулинарные жиры. Гхи в индийской еде, нитер киббех в эфиопской, сало в мексиканской масе, оливковое масло в ближневосточной еде и кокосовое молоко в тайских карри добавляют значительные калории, которые не может увидеть ни одна камера.
Как Nutrola устраняет эти пробелы
Модель распознавания еды Nutrola обучена на глобально разнообразном наборе изображений, который включает региональные варианты, а не только общие названия блюд. Когда вы фотографируете куриный бирьяни в Nutrola, модель различает между хидерабадским, лакновским и калькуттским стилями, каждый из которых имеет разные калорийные профили.
Но более важная функция для сложных блюд — это мульти-режимный учет. Когда сканирование фото дает результат с низкой уверенностью, Nutrola предлагает вам подтвердить или уточнить с помощью голосового ввода. Сказав "хидерабадский куриный бирьяни с дополнительным гхи", вы даете ИИ Диат Ассистенту достаточно контекста, чтобы извлечь правильную запись из проверенной базы данных Nutrola, содержащей более 1,2 миллиона продуктов.
Для упакованных ингредиентов, используемых в домашней кулинарии, сканер штрих-кодов Nutrola — с точностью распознавания более 95 процентов — позволяет вам регистрировать точные продукты. Если вы готовите дал дома и хотите зафиксировать точное количество гхи, которое вы добавили, сканирование контейнера с гхи и ввод количества всегда будет более точным, чем фото готового блюда.
Nutrola начинается всего с 2,50 евро в месяц с 3-дневной бесплатной пробной версией, и каждый план полностью без рекламы, так что нет прерываний во время учета приемов пищи в течение дня. Приложение синхронизируется с Apple Health и Google Fit, что означает, что ваши данные о питании напрямую связываются с отслеживанием активности независимо от того, какую кухню вы едите.
Практические рекомендации
Сканирование фото — мощный инструмент, но он не одинаково эффективен для каждой кухни. Если ваш рацион включает блюда из кухонь с низкими показателями в нашем тесте, вот практический подход:
- Используйте фото-учет как отправную точку, а не окончательный ответ. Это поможет вам приблизиться к правильному значению для большинства блюд.
- Добавляйте голосовой контекст для сложных блюд. Сказав название блюда, стиль приготовления и любые заметные источники жира, вы сэкономите пять секунд и значительно улучшите точность.
- Вручную корректируйте порции для блюд на общей тарелке. Если вы едите из плато инджеры или хот пота, оцените свою индивидуальную порцию, а не фотографируйте общее блюдо.
- Используйте сканирование штрих-кодов для домашних ингредиентов. Это полностью устраняет проблему скрытых жиров, так как вы регистрируете то, что идет в блюдо, а не то, как выглядит готовый продукт.
Часто задаваемые вопросы
Какую кухню ИИ-распознавание еды обрабатывает лучше всего?
Итальянская и японская кухни обе достигли 100-процентного уровня идентификации и средней ошибки в калориях всего 6.8 процента в нашем тесте на 50 блюдах. Обе кухни выигрывают от высокой представленности в обучающих наборах ИИ и визуально отличительных стилей подачи.
Почему ИИ испытывает трудности с эфиопской едой?
Эфиопская кухня представляет собой три одновременные проблемы: плато на основе инджеры объединяет несколько блюд на одной поверхности, блюда используют проясненное пряное масло (нитер киббех), которое невидимо на фото, и эфиопские блюда сильно недопредставлены в публичных наборах данных, используемых для обучения большинства моделей ИИ. В нашем тесте ни одно эфиопское блюдо не было полностью правильно определено.
Насколько ошибочны оценки калорий для индийской еды при использовании сканирования фото?
Наш тест показал среднюю ошибку в калориях -17.4 процента для индийских блюд, причем худший случай — панир баттер масала с ошибкой -29.3 процента. Постоянной проблемой была недооценка гхи, масла и масла для жарки, которые впитываются в блюдо во время приготовления.
Может ли ИИ распознавать блюда из нескольких кухонь на одной тарелке?
Многочисленные блюда на одной тарелке значительно сложнее для ИИ. В нашем тесте плато инджеры (-41.4% ошибка в калориях) и хот пот (-44.2% ошибка в калориях) — оба многокомпонентные блюда — показали два худших результата. Когда несколько блюд делят одну тарелку, ИИ часто оценивает одно блюдо вместо полного ассортимента.
Является ли голосовой ввод более точным, чем сканирование фото для этнических блюд?
Для кухонь, которые набрали менее 80 процентов идентификации в нашем тесте — индийской, китайской и эфиопской — голосовой ввод в сочетании с проверенной базой данных продуктов последовательно дает более точные результаты. Сказав "доро уат с инджерой", вы даете ИИ достаточно информации, чтобы извлечь точные данные о питательных веществах, в то время как фото того же блюда было ошибочно идентифицировано как "куриное рагу".
Работает ли Nutrola лучше, чем обычные приложения для распознавания еды для международных кухонь?
Модель ИИ Nutrola обучена на глобально разнообразном наборе данных, который включает региональные варианты приготовления, а не только общие названия блюд. Приложение также сочетает сканирование фото с голосовым вводом и сканированием штрих-кодов, так что когда один метод не срабатывает, другой заполняет пробел. Проверенная база данных Nutrola включает более 1,2 миллиона продуктов с записями для региональных вариантов, таких как хидерабадский бирьяни против лакновского.
Насколько сильно неточные распознавания еды влияют на недельный учет калорий?
Если вы едите два приема пищи в день из кухни с 20-процентным недоучетом калорий — как в наших индийских или китайских результатах — это в сумме составляет примерно 2000 до 3000 недостающих калорий в неделю. Для человека, нацеленного на ежедневный дефицит в 500 калорий, эта ошибка может полностью устранить все достижения.
Как лучше всего отслеживать калории для домашней этнической еды?
Наиболее точный метод — регистрировать отдельные ингредиенты с помощью сканирования штрих-кодов, а не фотографировать готовое блюдо. Сканер штрих-кодов Nutrola распознает более 95 процентов упакованных продуктов. Для процесса приготовления вы можете использовать голосовой ввод, чтобы сказать что-то вроде "две столовые ложки гхи", и ИИ Диат Ассистент добавит правильную запись в ваш журнал приема пищи.
Готовы трансформировать отслеживание питания?
Присоединяйтесь к тысячам тех, кто изменил свой путь к здоровью с Nutrola!
