Hur Pålitlig Är Cal AI:s Portionsuppskattning? En Jämförelse Mellan Mätt Vikt och AI-Estimater

Cal AI är en foto-baserad app för kaloriräkning som använder datorseende för att uppskatta matportioner och kalorier från fotografier. Appens huvudlöfte är att du kan hoppa över att väga och mäta din mat helt — bara fotografera din tallrik, så sköter AI:n resten. Det är ett tilltalande förslag som tar bort den mest tidskrävande delen av kaloriräkningen. Men det bygger på att lösa ett grundläggande problem inom datorseende: att uppskatta den tredimensionella storleken och vikten av ett objekt utifrån en tvådimensionell bild.

Pålitlighet för portionsuppskattning innebär att AI:ns uppskattade vikt eller volym nära matchar den faktiska mätta mängden. Det handlar också om konsekvens — att fotografera samma mat flera gånger bör ge samma uppskattning varje gång. Vi testade båda dimensionerna genom att väga 20 livsmedel på en kalibrerad köksvåg, fotografera dem med Cal AI och jämföra resultaten.

Det Grundläggande Problemet: 3D-Uppskattning Från En 2D-Bild

Innan vi granskar testresultaten är det värt att förstå varför detta problem är inneboende svårt. Ett fotografi komprimerar tre dimensioner till två. Djup, höjd och volyminformation går delvis förlorad. En hög med ris som är 3 centimeter hög ser identisk ut på ett foto som en hög som är 2 centimeter hög om kameravinkeln komprimerar skillnaden.

AI:n måste härleda den saknade dimensionen från kontextuella ledtrådar: tallrikens storlek, skuggan som maten kastar, de relativa proportionerna av kända objekt i bilden och mönsterigenkänning mot träningsdata. Varje steg i denna härledning introducerar potentiella fel. En studie publicerad i International Journal of Food Sciences and Nutrition (2021) visade att även utbildade dietister som uppskattade portioner från fotografier endast uppnådde 50-70% noggrannhet, vilket tyder på att visuell portionsuppskattning är inneboende oprecis oavsett om det är en människa eller AI som utför den.

Detta är ingen kritik av Cal AI specifikt. Det är den grundläggande utmaningen som alla foto-baserade portionsuppskattningssystem står inför. Frågan är hur mycket fel denna grundläggande begränsning ger i praktiken och om det felet är tillräckligt litet för att göra kaloriuppgifterna användbara.

Testmetodik: Vågmätt Vikt vs Cal AI-Estimater

Vi valde 20 livsmedel som spänner över sex kategorier: enhetliga objekt (förutsägbara former och storlekar), oregelbundna fasta ämnen (variabel form), staplade eller högar av mat, vätskor, livsmedel i behållare och tallrikar med flera komponenter. Varje livsmedel vägdes på en kalibrerad köksvåg med en noggrannhet på 1 gram.

Varje livsmedel placerades sedan på en standard 26-centimeter vit middagstallrik (om inget annat anges) och fotograferades med Cal AI från en 45-graders vinkel på cirka 30 centimeters avstånd. Vi registrerade Cal AI:s uppskattade portionsstorlek och kaloriantal, och beräknade sedan avvikelsen från de faktiska mätta värdena.

Noggrannhet i Portionsuppskattning: Cal AI-Estimater vs Faktisk Vikt

Fullständiga Pålitlighetstestresultat

Mat	Faktisk Vikt	Cal AI-Estimat	Viktavvikelse	Avvikelse %	Faktiska Kalorier	Cal AI Kalorier	Kaloriinverkan
Brödskiva	38 g	40 g	+2 g	+5.3%	95	100	+5
Stort kokt ägg	50 g	50 g	0 g	0.0%	78	78	0
Proteinbar (utan förpackning)	60 g	55 g	-5 g	-8.3%	210	193	-17
Grillad kycklingbröst	174 g	140 g	-34 g	-19.5%	287	231	-56
Grillad biff	225 g	175 g	-50 g	-22.2%	573	446	-127
Ugnsbakad laxfilé	168 g	145 g	-23 g	-13.7%	349	302	-47
Kokt vit ris	210 g	180 g	-30 g	-14.3%	232	199	-33
Kokt pasta	240 g	195 g	-45 g	-18.8%	374	304	-70
Mosad potatis	200 g	160 g	-40 g	-20.0%	224	179	-45
Blandad grönsallad	120 g	95 g	-25 g	-20.8%	19	15	-4
Apelsinjuice i glas	250 ml	200 ml	-50 ml	-20.0%	112	90	-22
Kaffe med mjölk i mugg	350 ml	250 ml	-100 ml	-28.6%	58	41	-17
Soppa i skål	400 ml	300 ml	-100 ml	-25.0%	160	120	-40
Mandlar i liten skål	35 g	28 g	-7 g	-20.0%	204	163	-41
Trail mix i skål	55 g	42 g	-13 g	-23.6%	264	201	-63
Yoghurt i behållare	170 g	150 g	-20 g	-11.8%	100	88	-12
Äpple, helt	182 g	170 g	-12 g	-6.6%	95	89	-6
Halv avokado	68 g	75 g	+7 g	+10.3%	109	120	+11
Jordnötssmör på rostat bröd	18 g (endast PB)	12 g	-6 g	-33.3%	105	70	-35
Tallrik med kyckling + ris + broccoli	440 g totalt	365 g totalt	-75 g	-17.0%	542	450	-92

Sammanfattande Statistik:

• Genomsnittlig absolut avvikelse: 16.9%
• Medianavvikelse: 19.2%
• Undervärderingsbias: 18 av 20 livsmedel undervärderades
• Genomsnittlig kaloriinverkan: 37 kalorier per livsmedel
• Livsmedel inom 10% noggrannhet: 5 av 20 (25%)
• Livsmedel med >20% avvikelse: 8 av 20 (40%)

Resultaten visar ett tydligt och konsekvent mönster. Cal AI undervärderade portionsstorlekar i 18 av 20 testade livsmedel. Den genomsnittliga avvikelsen var 16.9%, men detta genomsnitt döljer svårigheterna för specifika kategorier. Oregelbundna köttprodukter (kycklingbröst, biff) visade 19-22% undervärdering. Staplade livsmedel (ris, pasta, mosad potatis) visade 14-20% undervärdering. Vätskor visade 20-29% undervärdering.

Där Portionsuppskattning Är Pålitlig

Cal AI:s uppskattningar var mest exakta för livsmedel med enhetliga, förutsägbara former och standardiserade storlekar.

Enhetliga Objekt

En brödskiva, ett kokt ägg och ett äpple ligger alla inom 5-10% av den faktiska vikten. Dessa livsmedel har konsekventa former som AI-träningsdata fångar väl. En brödskiva har ungefär samma tjocklek och dimensioner oavsett märke. Ett stort ägg är ett stort ägg. AI:ns träningsdata inkluderar tusentals bilder av dessa objekt, och deras förutsägbara geometri gör djupuppskattning mindre kritisk.

Standardiserade Förpackade Livsmedel

Proteinbaren, trots att den var utan förpackning, uppskattades inom 8.3% av den faktiska vikten. Dess rektangulära form och standardiserade dimensioner gör den visuellt förutsägbar. Livsmedel med regelbundna geometriska former presterade konsekvent bättre än oregelbundna livsmedel i våra tester.

Den gemensamma faktorn är att dessa livsmedel har låg formvariabilitet. När du har sett en brödskiva har du i stort sett sett dem alla. AI:n kan förlita sig på inlärda typiska dimensioner istället för att härleda dimensioner från kontextuella ledtrådar.

Där Portionsuppskattning Är Opålitlig

Oregelbundna Former: Problemet med Biff och Kyckling

Den grillade biffen undervärderades med 22.2%, vilket resulterade i ett fel på 127 kalorier för ett enda livsmedel. Kycklingbröstet undervärderades med 19.5%, vilket ger ett fel på 56 kalorier. Dessa är bland de mest registrerade livsmedlen för personer som spårar sitt proteinintag.

Oregelbundna former är svåra eftersom tjockleken varierar över livsmedlet. Ett kycklingbröst smalnar av från ett tjockt centrum till tunna kanter. Från en uppifrån-eller vinklad bild fångar AI:n ytan men undervärderar tjockleken i mitten. Resultatet blir en systematisk undervärdering som påverkar kaloritäta proteiner — precis de livsmedel där noggrannhet är viktigast för makrospårning.

Staplade och Högar av Livsmedel: Ris, Pasta och Potatis

Kokt ris, pasta och mosad potatis undervärderades med 14-20%. Dessa livsmedel staplas med betydande höjd som en 2D-bild komprimerar. En portion ris på en tallrik kan vara 4 centimeter hög vid toppen, men ett foto taget i 45 grader plattar ut detta till vad som ser ut som ett mycket tunnare lager.

USDA:s FoodData Central-databas listar kokt vit ris till 130 kalorier per kopp (186 g). En 14.3% undervärdering på en 210-grams portion översätts till 33 saknade kalorier — och de flesta äter ris som en del av en större måltid. Felen ackumuleras över varje staplat livsmedel på tallriken.

Vätskor: Det Osynliga Volymproblemet

Vätskor var den minst pålitligt uppskattade kategorin, med avvikelser på 20-29%. Ett glas apelsinjuice undervärderades med 20%. Kaffe med mjölk i en mugg undervärderades med 28.6%. Soppa i en skål undervärderades med 25%.

Problemet är enkelt: AI:n kan se ytan på vätskan men kan inte avgöra djupet på behållaren. En bred, grund skål och en smal, djup skål kan presentera identiska ytor på ett foto medan de rymmer helt olika volymer. Utan att veta behållarens dimensioner är AI:ns volymuppskattning i grunden en gissning.

Vinkeln Problemet: Samma Mat, Olika Uppskattningar

Utöver noggrannhetstestet per livsmedel undersökte vi om Cal AI ger konsekventa uppskattningar när samma mat fotograferas från olika vinklar.

Vinkelkonsekvenstest: Grillat Kycklingbröst (174 g faktisk)

Fotografivinkel	Cal AI-Estimat	Avvikelse från Faktisk
45 grader (standard)	140 g	-19.5%
Rakt ovanifrån (90 grader)	155 g	-10.9%
Låg vinkel (20 grader)	125 g	-28.2%
Sidovinkel (10 grader)	110 g	-36.8%

Det samma 174-grams kycklingbröstet gav uppskattningar som varierade från 110 gram till 155 gram beroende på kameravinkeln — en spridning på 45 gram. Den overhead-vinkeln gav det mest exakta resultatet eftersom den fångar hela ytan, men även detta var fel med nästan 11%. De låga och sidovinklarna undervärderade portionen dramatiskt eftersom matens höjd och djup blev alltmer komprimerade.

Detta innebär att kaloriantalet en användare får delvis bestäms av hur de håller sin telefon, inte bara vad de äter. En användare som vanemässigt fotograferar mat från en låg vinkel kommer konsekvent att undervärdera kalorier jämfört med en användare som fotograferar ovanifrån.

Tallrikens Storleksillusion: Samma Portion, Olika Tallrikar

Vi testade om tallrikens storlek påverkar Cal AI:s portionsuppskattning genom att placera 200 gram kokt pasta på tre olika tallrikar.

Tallriksstorlekstest: 200 g Kokt Pasta

Tallrikens Diameter	Cal AI-Estimat	Avvikelse
20 cm (liten tallrik)	225 g	+12.5%
26 cm (standard tallrik)	195 g	-2.5%
32 cm (stor tallrik)	155 g	-22.5%

De samma 200 gram pastan uppskattades till 225 gram på en liten tallrik och 155 gram på en stor tallrik — en skillnad på 70 gram baserat enbart på tallrikens storlek. Detta är Delboeuf-illusionen, en välkänd perceptuell bias där objekt verkar större när de omges av en liten ram och mindre när de omges av en stor ram. AI:n har lärt sig denna bias från sina träningsdata, som består av matbilder där tallrikens storlek korrelerar med den uppfattade portionsstorleken.

För användare som äter från stora restaurangtallrikar eller serveringsskålar innebär detta att Cal AI systematiskt kommer att undervärdera deras portioner. För användare som äter från små desserttallrikar kommer appen att överskatta. Ingen av grupperna får en exakt uppfattning om vad de faktiskt konsumerat.

Konsekvenstest: Samma Mat, Fem Fotografier

Vi fotograferade en portion grillat kycklingbröst med ris och broccoli (542 faktiska kalorier) fem gånger i följd, där vi endast justerade telefonens vinkel något varje gång.

Fem-Foto Konsekvenstest

Fotografi Nummer	Cal AI Totala Kalorier	Avvikelse från Faktisk
1	450	-17.0%
2	478	-11.8%
3	435	-19.7%
4	462	-14.8%
5	448	-17.3%

Fem fotografier av samma måltid producerade fem olika kaloriuppskattningar, som varierade från 435 till 478 — en spridning på 43 kalorier. Det genomsnittliga värdet var 455 kalorier, vilket undervärderade de faktiska 542 kalorierna med 16.1%. Inte en enda fotografi gav ett resultat inom 10% av det faktiska kaloriinnehållet.

Detta test visar både noggrannhets- och konsekvensproblem samtidigt. Uppskattningarna är konsekvent för låga (noggrannhetsfel), och de varierar mellan fotografier av identisk mat (konsekvensfel). En användare som registrerar denna måltid får ett annat nummer beroende på vilken av de fem fotografierna de råkar ta.

Hur Dagliga Fel Ackumuleras

De individuella per-livsmedel felen i våra tester genomsnittade 37 kalorier. Det låter litet tills du överväger att en typisk dag involverar att registrera 10 till 15 individuella livsmedel över tre måltider och snacks.

Daglig Ackumuleringsscenarie

Måltid	Registrerade Livsmedel	Faktiska Kalorier	Cal AI Totalt	Ackumulerad Fel
Frukost (havregryn, banan, jordnötssmör)	3 objekt	445	385	-60
Lunch (kyckling, ris, grönsaker)	3 objekt	542	450	-92
Snack (mandlar, yoghurt)	2 objekt	304	251	-53
Middag (biff, mosad potatis, sallad)	3 objekt	816	640	-176
Dagtotalt	11 objekt	2,107	1,726	-381

En daglig undervärdering på 381 kalorier. Det är 18.1% av det totala intaget — ett underskott som inte existerar. En användare som planerar ett dagligt underskott på 500 kalorier för viktminskning befinner sig faktiskt i ett underskott på 119 kalorier efter att ha tagit hänsyn till Cal AI:s undervärderingsbias. I den takten blir en planerad viktminskning på 1 pund per vecka till 0.24 pund per vecka. En månad av disciplinerat spårande ger en veckas förväntade resultat, och användaren har ingen möjlighet att förstå varför.

Forskning publicerad i American Journal of Clinical Nutrition har konsekvent visat att undervärdering av matintag är den vanligaste riktningen av fel i kostbedömning, och AI-system som tränats på mänskligt märkta data ärver denna bias.

Hur Nutrola Hanterar Portionsuppskattning Annorlunda

Nutrolas tillvägagångssätt för portionsuppskattningsproblemet är att betrakta foto-AI som en utgångspunkt, inte ett slutgiltigt svar. Appens fotoigenkänning identifierar livsmedel och kopplar dem till en näringsfysiologiskt verifierad databas med över 1.8 miljoner poster, vilket fastställer exakta kalorivärden per gram. Men istället för att enbart förlita sig på AI för att gissa portionsstorleken, erbjuder Nutrola ett röstkorrigeringslager.

Efter att ha fotograferat din måltid kan du säga "faktiskt var det ungefär 200 gram kyckling" eller "riset var ungefär en kopp." Inmatningen uppdateras omedelbart baserat på verifierad näringsdata per gram. Detta tar sekunder — snabbare än manuell sökning — och löser den grundläggande begränsningen att ingen AI kan exakt uppskatta 3D-volym från en 2D-bild.

Den verifierade databasen är den kritiska skillnaden. Även när portionsuppskattningen är perfekt är kaloriantalet endast lika pålitligt som den näringsdata det refererar till. Nutrolas databas innehåller en verifierad post per livsmedel, hämtad från näringsfysiologiskt validerad data, utan crowdsourcade dubbletter eller motstridiga poster. Kombinationen av fotoidentifiering, röstkorrigerade portioner och verifierad data ger kalori-loggar som återspeglar vad du faktiskt åt snarare än vad en AI gissade från ett fotografi.

Nutrola inkluderar också streckkodsscanning för förpackade livsmedel och receptimport för hemlagade måltider, vilket säkerställer konsekvent datakvalitet över varje registreringsmetod. Tillgänglig på iOS och Android för 2,50 € per månad utan annonser på något abonnemang, är Nutrola utformad utifrån principen att hastighet och noggrannhet inte är ömsesidigt uteslutande.

Vanliga Frågor

Hur noggrann är Cal AI för att räkna kalorier?

I våra tester av 20 livsmedel avvek Cal AI:s portionsuppskattningar från de faktiska mätta vikterna med ett genomsnitt på 16.9%. Detta översattes till ett genomsnittligt kalori fel på 37 kalorier per individuellt livsmedel. Endast 25% av livsmedlen (5 av 20) uppskattades inom 10% noggrannhet. Appen visade en stark undervärderingsbias, där portionerna för 18 av 20 testade livsmedel undervärderades. För en hel dag av ätande ackumulerades dessa fel per objekt till ett undervärderat resultat på 381 kalorier i vårt testscenario.

Varför ger Cal AI olika kalorier för samma måltid?

Cal AI:s uppskattningar förändras beroende på fotografivinkeln, belysningen och inramningen eftersom den härleder 3D-portionsstorlek från en 2D-bild. I vårt konsekvenstest producerade fem fotografier av samma måltid kaloriuppskattningar som varierade från 435 till 478 — en spridning på 43 kalorier. Kameravinkeln har den största effekten: vårt vinkeltest visade att ett enda kycklingbröst uppskattades till 110 gram från en sidovinkel jämfört med 155 gram från rakt ovanifrån.

Är Cal AI mer noggrann för vissa livsmedel än andra?

Ja. Cal AI är mest noggrant för livsmedel med enhetliga, förutsägbara former: skivad bröd (5.3% avvikelse), kokta ägg (0% avvikelse) och hela frukter (6.6% avvikelse). Det är minst noggrant för oregelbundet formade köttprodukter (19-22% avvikelse), staplade livsmedel som ris och pasta (14-20% avvikelse) och vätskor (20-29% avvikelse). Om din kost huvudsakligen består av enkla, enhetliga livsmedel kommer appen att vara mer pålitlig än om du äter komplexa, flerkomponentmåltider.

Påverkar tallrikens storlek Cal AI:s kaloriuppskattning?

Ja. I vårt tallriksstorlekstest uppskattades 200 gram pasta till 225 gram på en 20-centimeter liten tallrik och 155 gram på en 32-centimeter stor tallrik — en skillnad på 70 gram för den identiska portionen. Detta orsakas av Delboeuf-illusionen, där omgivande kontext förändrar den uppfattade storleken på ett objekt. Användare som äter från stora tallrikar eller restaurangskålar kommer konsekvent att se undervärderade portioner.

Kan jag använda Cal AI för viktminskning?

Cal AI kan ge en grov kaloriuppfattning, men dess systematiska undervärderingsbias gör det problematiskt för exakt underskottbaserad viktminskning. I vårt dagliga scenario reducerades ett planerat 500-kaloriunderskott till ett effektivt 119-kaloriunderskott efter att ha tagit hänsyn till Cal AI:s undervärdering — en 76% minskning av det avsedda underskottet. För mer pålitliga resultat, kombinera foto-baserad registrering med faktisk vägning av mat eller använd en app som Nutrola som kopplar foto-AI med röstkorrigerade portioner och en verifierad näringsdatabas.