Можно ли доверять оценкам калорийности фотографий с помощью ИИ? Данные о точности по приложениям и типам блюд

Оценка калорийности фотографий с помощью ИИ превратилась из научной фантастики в стандартную функцию менее чем за пять лет. Направьте телефон на тарелку с едой, нажмите кнопку, и приложение сообщит вам количество калорий. Но насколько можно доверять этой цифре? Ответ зависит от трех факторов: какого приложения вы используете, что вы едите и насколько точно ИИ сопоставляет свои данные с проверенной информацией о питательных веществах.

Вот что на самом деле показывает точность данных по основным приложениям и типам блюд.

Как работает оценка калорийности фотографий с помощью ИИ

Каждое приложение для оценки калорийности на основе фотографий проходит через одинаковый трехступенчатый процесс. Понимание этих шагов поможет вам осознать, где могут возникать ошибки.

Шаг 1: Обнаружение объектов. ИИ определяет, какие продукты находятся на тарелке. Он сегментирует изображение на области и классифицирует каждую область как конкретный продукт. Тарелка с курицей, рисом и брокколи получает три отдельные классификации.

Шаг 2: Оценка порции. ИИ оценивает, сколько каждого продукта присутствует. Здесь возникает наибольшая сложность. Двумерная фотография трехмерной еды теряет информацию о глубине. ИИ не может увидеть, насколько толстый кусок курицы, насколько глубокая чаша с рисом или сколько соуса скрыто под видимой едой.

Шаг 3: Сопоставление с базой данных. Определенные продукты и оцененные порции сопоставляются с базой данных о питательных веществах для расчета калорий и макронутриентов. Этот шаг часто игнорируется, но он имеет огромное значение. Даже если ИИ правильно определяет "гриль-семгу, примерно 150 граммов", выход калорий полностью зависит от точности записи в базе данных, с которой он сопоставляется.

Каждый шаг вводит потенциальную ошибку. Общая точность оценки — это произведение точности на каждом этапе.

Точность по приложениям и типам блюд

Мы оценили четыре ведущих приложения для оценки калорийности фотографий с помощью ИИ по трем категориям сложности блюд. Каждое приложение было протестировано на 30 блюдах (по 10 на категорию), и оценки ИИ были сопоставлены с взвешенными и вручную рассчитанными значениями калорий, используя данные USDA.

Приложение	Простые блюда	Сложные блюда	Блюда из ресторанов	В целом
Nutrola	90-95%	75-85%	70-80%	80-87%
Cal AI	85-92%	65-78%	60-72%	70-81%
Foodvisor	83-90%	63-75%	58-70%	68-78%
SnapCalorie	80-88%	60-73%	55-68%	65-76%

Простые блюда включали тарелки с одним продуктом, где еда хорошо видна: куриная грудка на гриле с паровыми овощами, чаша овсянки с ягодами, простой салат с видимыми добавками.

Сложные блюда включали многокомпонентные блюда с перекрывающимися или смешанными ингредиентами: жареные блюда, паста с соусом и добавками, буррито с начинкой, слоеные блюда.

Блюда из ресторанов включали порционные блюда из ресторанов с соусами, гарнирами и нестандартными порциями.

Разрыв в точности между простыми и сложными блюдами наблюдается во всех приложениях. Это не проблема качества программного обеспечения. Это фундаментальное ограничение, связанное с оценкой объема трехмерной еды по двумерному изображению.

Фундаментальное ограничение: 2D фотографии трехмерной еды

Никакой ИИ не может преодолеть физическую проблему, лежащую в основе оценки на основе фотографий. Фотография фиксирует площадь поверхности, но не объем. Это создает определенные слепые зоны, которые разделяют все приложения.

Скрытые слои. Чаша с буррито, сфотографированная сверху, показывает только верхний слой начинок. Рис, фасоль и белок под ним частично или полностью скрыты. ИИ может оценить только то, что он не видит.

Глубина и толщина. Две куриные грудки могут выглядеть идентично сверху, но отличаться на 50% по весу, если одна из них в два раза толще. Мелкая чаша и глубокая чаша с супом выглядят похоже на фотографии, но содержат совершенно разные объемы.

Соусы и масла. Кулинарные масла, впитанные в еду, заправки, смешанные в салатах, и соусы под белками в значительной степени невидимы. Куриная грудка, запеченная с маслом, выглядит почти идентично той, что приготовлена без масла, но разница в калориях может составлять 100 и более калорий.

Вариация плотности. Плотно упакованная чаша риса содержит значительно больше калорий, чем рыхло набранная чаша. Фотография не может различить плотность.

Исследование 2023 года, опубликованное в Nutrients, протестировало системы распознавания пищи с помощью ИИ и выяснило, что оценка размера порции была единственным крупнейшим источником ошибок, составляя 60-70% общей неточности оценки калорий. Точность идентификации пищи была относительно высокой — 85-95% для распространенных продуктов, но этап оценки порции значительно ухудшал общие результаты.

Когда можно доверять оценкам калорийности фотографий с помощью ИИ

Несмотря на ограничения, есть сценарии, в которых оценки калорийности фотографий с помощью ИИ надежно точны.

Блюда с одним продуктом и четкими границами. Куриная грудка на тарелке, чаша овсянки, целое яблоко. Когда еда имеет определенную форму и нет скрытых компонентов, оценки ИИ последовательно находятся в пределах 10% от фактических значений.

Блюда с хорошо освещенными, верхними фотографиями. Освещение значительно влияет на точность. Исследование 2024 года в Food Chemistry показало, что точность распознавания пищи с помощью ИИ снижалась на 12-18% в условиях низкой освещенности по сравнению с хорошо освещенными помещениями. Верхние углы обеспечивают наиболее последовательное представление площади поверхности.

Продукты с однородной плотностью. Ломтик хлеба, кусок фрукта, вареное яйцо. Продукты, которые имеют постоянную плотность по всему объему, легче оценить ИИ, поскольку площадь поверхности более надежно коррелирует с массой.

Повторяющиеся блюда, которые вы проверили. Если вы фотографируете один и тот же обед, который едите три раза в неделю, и проверяете оценку ИИ один раз с помощью кухонных весов, вы можете доверять ИИ для последующих идентичных блюд.

Сценарий	Ожидаемая точность	Рекомендация
Один продукт, хорошее освещение	90-95%	Доверяйте оценке
Простое блюдо на тарелке, 2-3 продукта	85-90%	Доверяйте с небольшими корректировками
Блюдо с несколькими компонентами	70-80%	Проверьте ключевые продукты с помощью весов
Смешанное блюдо (жаркое, запеканка)	60-75%	Используйте только как грубую оценку
Плохое освещение или частичная тарелка	55-70%	Пересфотографируйте или запишите вручную

Когда не стоит доверять оценкам калорийности фотографий с помощью ИИ

Существуют определенные сценарии, которые надежно приводят к неточным оценкам во всех приложениях.

Тусклое или искусственное освещение. Низкая освещенность снижает контраст изображения и затрудняет идентификацию пищи. Цветное освещение в ресторанах может изменить видимый цвет еды, что приводит к ошибкам в идентификации.

Смешанные блюда и запеканки. Когда несколько ингредиентов объединены в одну массу, ИИ не может надежно разделить и оценить каждый компонент. Запеканка, карри или рагу по сути являются черным ящиком для камеры.

Блюда с большим количеством соуса. Соус покрывает еду под ним и добавляет свои калории. Тарелка пасты с маринарой выглядит похоже, независимо от того, есть ли в ней 2 столовые ложки или полчашки соуса. Разница в калориях может составлять 100-200 калорий.

Частичные тарелки и съеденная еда. Если вы уже начали есть, у ИИ меньше визуальных данных для анализа. Укусы, отсутствующие куски и переставленная еда значительно снижают точность.

Жареная еда. Впитывание масла во время жарки добавляет значительное количество калорий, которые невидимы на фотографии. Кусок жареной курицы впитывает 15-30% своего веса в масле во время глубокой жарки, согласно исследованиям, опубликованным в Journal of Food Engineering. ИИ видит курицу, но не может измерить впитанное масло.

Еда в непрозрачных контейнерах. Смузи в стаканах, супы в чашах с узкими отверстиями и завернутые продукты, такие как буррито или роллы, мешают ИИ увидеть фактическое содержание пищи.

Почему база данных, стоящая за ИИ, важнее, чем вы думаете

Большинство обсуждений о точности калорийности фотографий с помощью ИИ сосредоточены на этапах распознавания изображения и оценки порции. Но шаг сопоставления с базой данных также важен и часто игнорируется.

Вот почему. Представьте, что ИИ идеально определяет ваше блюдо как "гриль-семга, примерно 170 граммов". Если он сопоставляет эту идентификацию с непроверенной записью в базе данных, которая утверждает, что гриль-семга содержит 150 калорий на 100 граммов вместо правильных 208 калорий на 100 граммов (по данным USDA), ваша оценка составит 255 калорий вместо 354 калорий. Это ошибка в 28%, введенная полностью базой данных, а не системой зрения ИИ.

Здесь разница между приложениями становится наиболее значительной. ИИ, который правильно определяет продукты, но сопоставляет их с краудсорсинговой базой данных с ошибками, дубликатами и непроверенными записями, будет давать худшие конечные оценки, чем ИИ с чуть менее точной оценкой порции, но с проверенной базой данных.

Компонент точности	Влияние на конечную оценку	Где возникают ошибки
Идентификация пищи	Высокое	Необычные продукты, смешанные блюда, плохое освещение
Оценка порции	Очень высокая	Глубина, плотность, скрытые слои
Точность базы данных	Высокая	Непроверенные записи, устаревшие данные, неправильные размеры порций

Все три компонента должны быть точными, чтобы конечная оценка калорий была надежной. Цепь сильна только настолько, насколько ее слабое звено.

Как отличается подход Nutrola

Оценка калорийности фотографий Nutrola использует тот же фундаментальный процесс компьютерного зрения, что и другие приложения, но отличается одним критически важным моментом: каждая идентификация пищи сопоставляется с базой данных, проверенной диетологами, содержащей более 1,8 миллиона записей.

Это означает, что даже когда оценка порции ИИ имеет небольшие отклонения, что неизбежно при любой оценке 2D-3D, данные о питательных веществах на грамм точны. Если ИИ Nutrola оценивает 160 граммов куриной грудки вместо фактических 170 граммов, вы отклоняетесь на 10 граммов. Но калорийность (165 ккал на 100 г) правильная, потому что она поступает из проверенного источника, а не от анонимного пользователя.

Nutrola также поддерживает голосовой учет и сканирование штрих-кодов в качестве дополнительных методов ввода. Для блюд, где вы знаете точные количества, таких как домашние блюда, где вы взвешивали ингредиенты, голосовой учет ("200 граммов куриной грудки, одна чашка коричневого риса") напрямую сопоставляется с проверенными данными без оценки. Функция фотографии ИИ лучше всего работает для блюд, где взвешивание невозможно, например, для ресторанных блюд или блюд, приготовленных кем-то другим.

При €2.50 в месяц без рекламы на любом уровне Nutrola предоставляет проверенный слой данных, который делает оценку калорийности фотографий с помощью ИИ значительно более точной на практике, а не только в теории.

Как получить наиболее точные оценки калорийности фотографий с помощью ИИ

Независимо от того, какое приложение вы используете, эти практики улучшают точность оценки калорийности фотографий с помощью ИИ.

Фотографируйте до начала еды. Полная тарелка дает ИИ максимальные визуальные данные.

Используйте естественное или яркое верхнее освещение. Избегайте теней, цветных огней и контрового света.

Делайте фото прямо сверху. Угол в 90 градусов обеспечивает наиболее последовательное представление площади поверхности и является тем, на чем обучены большинство моделей ИИ.

Разделяйте продукты на тарелке, когда это возможно. Если ваша курица лежит на рисе, ИИ не может точно увидеть или оценить рис.

Проверяйте с помощью кухонных весов для новых или необычных блюд. Используйте ИИ для удобства на знакомых блюдах и проверяйте с помощью весов, когда сталкиваетесь с чем-то новым.

Записывайте соусы, заправки и масла отдельно. Даже если ИИ определяет ваш салат, вручную добавьте заправку как отдельную запись для большей точности.

Итог

Оценка калорийности фотографий с помощью ИИ — это действительно полезный инструмент, но это не точный инструмент. Для простых, хорошо освещенных, однотипных блюд вы можете доверять оценке в пределах 10%. Для сложных, смешанных или ресторанных блюд рассматривайте цифру как грубое руководство и проверяйте, когда важна точность.

Наибольшее различие между приложениями заключается не в самой технологии зрения ИИ, а в базе данных, к которой они сопоставляются. Приложение, которое правильно идентифицирует вашу еду, но сопоставляет ее с непроверенными данными, даст вам уверенно неверный ответ. Проверенные базы данных превращают хорошую идентификацию ИИ в хорошие оценки калорий.

Часто задаваемые вопросы

Насколько точны оценки калорийности от фотографий еды с помощью ИИ?

Точность варьируется в зависимости от сложности блюда. Для простых, однотипных блюд, сфотографированных при хорошем освещении, ведущие приложения достигают 85-95% точности. Для сложных блюд с несколькими компонентами, смешанных блюд или ресторанных тарелок точность снижается до 55-80%. Три основных источника ошибок — это неверная идентификация пищи, оценка размера порции по двумерным изображениям и неточные записи в базе данных, к которым ИИ сопоставляется.

Какое приложение для отслеживания калорий имеет наиболее точный ИИ для фотографий?

В сравнительных тестах Nutrola достигла общей точности 80-87% по простым, сложным и ресторанным блюдам. Это преимущество в первую очередь связано с сопоставлением идентификаций ИИ с проверенной диетологами базой данных из более чем 1,8 миллиона записей. Другие приложения, такие как Cal AI (70-81%), Foodvisor (68-78%) и SnapCalorie (65-76%), используют аналогичную технологию зрения ИИ, но сопоставляются с менее тщательно проверенными базами данных.

Может ли ИИ определить, сколько калорий в блюде из ресторана по фотографии?

ИИ может предоставить грубую оценку калорийности ресторанного блюда по фотографии, обычно в пределах 20-40% от фактических значений. Блюда из ресторанов особенно сложны из-за нестандартных порций, скрытых кулинарных масел, соусов и проблемы оценки глубины, присущей двумерной фотографии. Для ресторанных блюд оценки калорийности по фотографиям более надежны, чем догадки, но менее надежны, чем стандартизированные данные о калориях из меню крупных сетей.

Почему разные приложения дают разные значения калорий для одной и той же фотографии?

Разные приложения используют разные модели ИИ, разные алгоритмы оценки порций и, что наиболее важно, разные базы данных о питательных веществах. Даже когда два приложения правильно идентифицируют одну и ту же еду, они могут сопоставляться с разными записями в базе данных с разными значениями калорий. Приложения, использующие проверенные базы данных, дают более последовательные и точные результаты, поскольку существует только одна запись на каждый продукт, что устраняет вариабельность, вводимую краудсорсинговыми данными.

Должен ли я использовать кухонные весы вместо оценки калорийности по фотографии с помощью ИИ?

Кухонные весы более точны, чем любая оценка калорийности по фотографии с помощью ИИ для домашних блюд, где вы контролируете ингредиенты. Кухонные весы в сочетании с проверенной базой данных о питательных веществах, такой как Nutrola, обеспечивают наивысшую возможную точность. Оценка калорийности по фотографии с помощью ИИ наиболее ценна в ситуациях, когда использование весов невозможно, например, для ресторанных блюд, блюд, приготовленных другими, или когда вам нужно быстро записать. Лучший подход — использовать оба метода: весы дома и оценку калорийности по фотографии при питании вне дома.