Come funzionano le app contacalorie con IA

Come funzionano le app contacalorie con IA? Leggono una foto in tre fasi: trovano il cibo, lo riconoscono, poi stimano il volume e lo convertono in calorie. Nessuna fase cerca il cibo in un database di alimenti misurati. Ogni fase porta con sé un proprio errore. Nessuna può vedere l'olio, le salse o il peso esatto nel piatto.

È diverso dal digitare un alimento in una barra di ricerca, che restituisce un valore calorico già misurato da qualcuno. La stima da foto è un'ipotesi costruita interamente sui pixel. Qui sotto la controlliamo fase per fase.

Come funzionano le app contacalorie con IA, passo per passo?

Riconoscere un cibo e conoscerne le calorie sono due problemi distinti, e solo il primo è quasi risolto.

Una revisione sistematica del 2022 sulle app mobili di visione artificiale per il cibo, pubblicata su Healthcare (Basel), spiega perché. Ha rilevato che il 90,9% delle app esaminate non riusciva nemmeno a separare il cibo dal piatto, dal tavolo o dallo sfondo prima di classificarlo (Amugongo et al., 2022). Se il sistema non isola bene il cibo all'inizio, tutto ciò che segue eredita l'errore, compresi l'etichetta e la porzione.

Scorciatoia sbagliata: "l'IA vede un hamburger, quindi conosce le calorie". Salta i due passaggi più difficili. Quanto è grande l'hamburger? Quanto olio contiene? Il solo riconoscimento non risponde a queste domande.

Come fa l'IA a sapere quale cibo c'è nella foto?

La prima fase è la segmentazione: capire quali pixel sono cibo e quali sono piatto, tavolo o mano.

La seconda fase è la classificazione, che abbina la regione isolata a una categoria di cibo, per esempio "petto di pollo alla griglia" o "riso al vapore". Secondo la revisione di Healthcare, segmentazione e classificazione sono le prime due fasi della pipeline usata nelle app esaminate, prima che compaia qualsiasi numero di calorie (Amugongo et al., 2022).

Un esempio concreto è il prototipo di scanner alimentare sviluppato alla NYU Tandon, descritto in un comunicato universitario del 2025 su una ricerca presentata alla IEEE International Conference on Mobile Computing and Sustainable Informatics. Ha individuato e identificato alimenti in 214 categorie con una precisione media (mean average precision) di 0,7941, indicata nel comunicato come circa l'80% di accuratezza nel localizzare e identificare il cibo in un'immagine (NYU Tandon, 2025).

Quell'80% riguarda solo questo passaggio: trovare e nominare il cibo. Non dice ancora nulla sulla quantità nel piatto.

Come trasforma una foto piatta in una porzione?

Una volta identificato il cibo, il sistema deve indovinare il volume da un'immagine bidimensionale, ed è il problema più difficile.

La revisione di Healthcare riporta due metodi con il loro errore misurato. Un metodo per smartphone con sensore di profondità ha avuto un errore assoluto sul volume di 35,1 g, con deviazione standard di 42,8 g, circa il 14% della porzione stimata (Amugongo et al., 2022). Un metodo separato a vista singola usava la stima con curva quadratica dalle dimensioni 2D del cibo, con un errore del 21,3% sulle calorie stimate (Amugongo et al., 2022, che cita Okamoto e Yani, 2016).

Entrambi i numeri riguardano i sistemi accademici studiati nella revisione, non un'app commerciale in particolare. Mostrano lo stesso punto: passare da una foto piatta a un peso in grammi è una stima, non una misura. L'errore si somma a quello commesso durante la segmentazione.

Qui contano anche l'angolo di ripresa, la luce e la visibilità, perché il sistema non ha un modo indipendente per verificare la propria ipotesi.

Perché non vede l'olio, le salse o il peso esatto?

Una foto mostra la superficie di un piatto, non ciò che è servito a cucinarlo. Il burro mescolato al riso aggiunge calorie che la fotocamera non registra. Lo stesso vale per l'olio in cui è stato fritto un petto di pollo o per una salsa amalgamata in uno stufato. L'IA può ragionare solo su ciò che appare nell'immagine.

Per questo pesa tanto il limite del 90,9% sulla separazione tra cibo e sfondo. Un sistema che fatica a separare il cibo da un piatto ha poche possibilità di distinguere un ingrediente visibile da uno nascosto (Amugongo et al., 2022). La foto è l'unico input. Ciò che non si vede, per la stima non esiste.

La stima da foto cerca il cibo in un database o lo stima dall'immagine?

Una stima da foto non è una ricerca in un database. Nasce dal modello di visione che legge direttamente l'immagine, identifica il cibo e stima porzione, calorie e macro da ciò che vede. Non confronta la foto con una tabella di alimenti già misurati.

La ricerca in un database è un metodo diverso e più vecchio. Cercando "petto di pollo alla griglia" si ottiene un valore già misurato da qualcuno o già stampato da un marchio sull'etichetta.

USDA FoodData Central distingue le voci in base a come sono prodotte. I Foundation Foods derivano da analisi di laboratorio su campioni di prodotti e sono aggiornati due volte l'anno. SR Legacy è un insieme più vecchio di dati analitici, aggiornato per l'ultima volta nel 2018. I Branded Foods sono i valori di calorie e macro che i marchi stampano sulle proprie etichette, aggiornati ogni mese (USDA FoodData Central).

Quei numeri sono stati misurati una volta, in laboratorio o su un'etichetta, poi archiviati. La stima da foto viene calcolata ogni volta da capo a partire da un'immagine, senza alcuna misura archiviata dietro.

Da dove viene davvero l'errore di ogni fase?

La tabella seguente è illustrativa: le percentuali sono inventate per mostrare come si sommano tre errori indipendenti, non sono il risultato misurato di un prodotto.

Partiamo da un valore reale di 500 kcal per un piatto. Se la sola segmentazione sbaglia del 10%, il numero che il sistema porta avanti sta tra 450 e 550 kcal. Succede prima ancora che partano classificazione e stima del volume.

Ogni fase successiva si applica a ciò che la precedente le ha consegnato, invece di ripartire dal valore vero. Per questo una sola percentuale di "accuratezza" complessiva nasconde più di quanto mostri.

L'errore reale è fatto di tre ipotesi separate, una sopra l'altra. Due intervalli con fonte mostrano come appare nella pratica. Un metodo con sensore di profondità aveva circa il 14% di errore sul volume. Un metodo a vista singola con curva quadratica aveva il 21,3% di errore sulle calorie (Amugongo et al., 2022, che cita Okamoto e Yani, 2016). Entrambi rientrano in questa stessa pila, per i sistemi accademici su cui sono stati misurati.

In che cosa si differenzia dalla scansione di un codice a barre o dalla ricerca in un database?

La scansione di un codice a barre o la ricerca manuale recupera un numero che esiste già: una misura di laboratorio o un valore di etichetta archiviato in un database come USDA FoodData Central (USDA FoodData Central). Il sistema non stima nulla. Abbina solo un identificativo a una scheda.

Una stima da foto non ha un identificativo da abbinare. L'IA deve dedurre cibo, preparazione e porzione dai soli pixel, poi calcolare un numero che prima di quella foto non esisteva da nessuna parte. È un compito diverso, con una fonte di errore diversa: indovinare invece di recuperare.

I piatti misti aggiungono una difficoltà. Un singolo cibo ben visibile, come una mela intera, offre alla classificazione un solo bersaglio chiaro da isolare. Un piatto misto, con riso sotto la salsa sotto una verdura sperduta, ha parti nascoste dietro altre parti (Amugongo et al., 2022).

Per un piatto fatto in casa puoi partire dagli ingredienti invece di fotografare il piatto. La guida su come calcolare le calorie di una ricetta somma gli ingredienti e divide il totale per le porzioni, senza stimare da un'immagine.

Perché l'app ti chiede di rivedere e correggere il risultato?

Perché la stima è una prima ipotesi, non una risposta definitiva. Solo chi ha davanti il piatto vero sa ciò che la fotocamera non ha potuto vedere.

Avocalo funziona così. Fotografi un pasto e un modello di visione IA identifica gli alimenti e stima porzioni, calorie, proteine, carboidrati e grassi direttamente dall'immagine. La stima non viene confrontata con un database nutrizionale. L'app non può conoscere olio nascosto, salse o il peso esatto del piatto, quindi sei tu a rivedere e modificare il risultato prima di salvarlo.

Per una ricetta cucinata a casa c'è un'altra strada: il calcolatore gratuito di porzioni di ricette. Prende un totale di calorie che già conosci e lo divide tra porzioni o una porzione pesata, senza alcuna stima da immagine. Se vuoi provare il flusso con la foto, puoi provare il diario fotografico di Avocalo.

Domande frequenti

Una foto con un oggetto di riferimento cambia la stima?

Sì, può aiutare. Un oggetto di dimensioni note permette all'algoritmo di giudicare la scala, perché da un'immagine piatta non ha altro modo di misurare. Senza di esso, la grandezza del piatto e la visibilità diventano variabili che la stima non controlla del tutto. È una delle ragioni per cui esiste l'errore sulle porzioni (Amugongo et al., 2022).

L'IA distingue la versione fritta da quella al vapore dello stesso cibo?

A volte sì, se la differenza visiva è netta, come una panatura dorata contro una superficie liscia al vapore. La classificazione lavora su ciò che si vede, quindi una cottura che non cambia l'aspetto, come l'olio mescolato a riso già cotto, non lascia alcuna traccia visiva da riconoscere.

Una stima da foto può sostituire la pesatura del cibo?

No. Una stima da foto è un'ipotesi calcolata da un'immagine, mentre la bilancia da cucina misura il peso reale che hai davanti. Sono due tipi di numero diversi: uno dedotto dai pixel, l'altro misurato direttamente. Solo il secondo elimina del tutto l'incertezza sulla porzione.

Perché due foto dello stesso pasto possono dare risultati diversi?

Segmentazione, classificazione e stima del volume dipendono tutte da quanta parte del piatto è visibile nello scatto. Un angolo leggermente diverso cambia l'input di ogni fase successiva. La qualità dell'immagine, che varia da dispositivo a dispositivo, è un altro problema, segnalato dalla revisione di Healthcare per le app mobili di visione del cibo in generale (Amugongo et al., 2022).

Quanto sono accurati in generale i contacalorie con IA?

Non esiste una percentuale valida ovunque. L'accuratezza dipende molto dal cibo, dalla complessità del piatto e dal sistema testato. Le fonti di errore fase per fase descritte sopra spiegano perché un solo numero complessivo non può rappresentarla, e perché conviene sempre ricontrollare il risultato prima di salvarlo.

Fonti

• Amugongo et al., "Mobile Computer Vision-Based Applications for Food Recognition and Volume and Calorific Estimation: A Systematic Review," Healthcare (Basel) 2022, la revisione sistematica alla base delle fasi della pipeline e dei dati di errore citati sopra.
• NYU Tandon School of Engineering, AI food scanner news release, la fonte del prototipo con 214 categorie e del suo punteggio di precisione.
• USDA FoodData Central, la fonte su come vengono prodotte e aggiornate voci come Foundation Foods e Branded Foods. Per le tabelle di composizione degli alimenti italiane vedi il CREA, Centro di ricerca Alimenti e Nutrizione.

Leggi la nostra linea editoriale per sapere come sono state controllate le cifre di questo articolo. Pubblicato da Petros IT Solutions SRL. Per segnalare una correzione scrivi a [email protected].