Dokładność liczenia kalorii ze zdjęcia AI

Jaka jest dokładność liczenia kalorii ze zdjęcia?

Dokładność liczenia kalorii ze zdjęcia nie jest pewna: to szacunek, a opublikowane badania pokazują, że bywa bliski prawdy albo myli się o setki kalorii. Kierunek błędu nie jest przypadkowy. Aplikacje AI zwykle zaniżają łączną liczbę kalorii i zawyżają tłuszcz, bo zdjęcie nie pokazuje gęstości, wagi ani ukrytego oleju. Ten mechanizm, a nie sama jakość aplikacji, tłumaczy większość różnicy.

Dlaczego zdjęcie nie pokazuje kalorii?

Zdjęcie to płaski obraz światła odbitego od talerza, który pokazuje kształt, kolor i przybliżoną wielkość porcji. Nie pokazuje gęstości, wagi ani tego, co jest wmieszane w sos.

Dwie miski ryżu mogą wyglądać tak samo, a ważyć inaczej, jeśli jedna jest ubita ciaśniej. Różnicę między suchym a ugotowanym ryżem pokazuje przelicznik wagi suchego ryżu na ugotowany. Smażone danie błyszczące od oleju wygląda niemal tak samo jak to przygotowane z odrobiną tłuszczu ze spreju. Jako liczba poglądowa: dwie łyżki oleju to około 240 kalorii, a na zdjęciu nie widać z nich nic.

Dlatego same lepsze zdjęcia nie rozwiązują problemu. Aparat rejestruje to, co robi światło, a nie to, co pokazałaby waga kuchenna. Każdy szacunek z jednego obrazu musi zgadywać to, czego obraz nie pokazuje.

Jak aplikacja szacuje kalorie ze zdjęcia?

Model AI do analizy obrazu rozpoznaje na zdjęciu, jakie produkty są na talerzu. Następnie szacuje wielkość porcji na podstawie wskazówek wizualnych, takich jak rozmiar talerza, wysokość jedzenia i porównanie z typowymi kształtami porcji. Szczegóły tego procesu opisuje poradnik jak działają aplikacje AI do liczenia kalorii.

Z rozpoznanych produktów i oszacowanych porcji model od razu podaje kalorie i makroskładniki. To coś innego niż skan kodu kreskowego czy wyszukiwanie w bazie. Na tym etapie nie ma sprawdzania w tabeli zmierzonych wartości.

Potem wynik przeglądasz ty. Możesz poprawić rozpoznany produkt, wielkość porcji lub liczby przed zapisaniem. Dopiero ten krok zamienia szacunek w wpis w dzienniku, zamiast zostawiać go jako domysł.

Ta sekwencja, rozpoznanie, szacunek, kontrola, pokazuje, gdzie szacunek może się pomylić i gdzie twoja poprawka może go uratować.

Dlaczego tłuszcz wychodzi gorzej niż kalorie i węglowodany i o ile mylą się badania w sumie?

Badanie z 2026 roku w czasopiśmie Nutrients porównało modele AI z dietetykami na znormalizowanych zdjęciach posiłków szpitalnych. Szacunki energii i węglowodanów z najlepszych modeli, ChatGPT-4o i Gemini 1.5 Pro, korelowały z wartościami dietetyków powyżej 0,8, często w granicach około 10 procent (Nutrients, DOI 10.3390/nu18060966). Każdy model miał średnie zawyżenie tłuszczu powyżej 20 procent. Białko też wypadło gorzej niż energia.

Powód wynika z tego, co widzi aparat. Produkty bogate w węglowodany, jak ryż, mają dość przewidywalną relację objętości do kalorii. Tłuszcz jest często niewidoczny, wtopiony w sos lub zebrany pod innymi składnikami. Model zgadujący tłuszcz tylko z wyglądu zwykle przesadza z poprawką.

Dwa kolejne badania pokazują liczby dla całkowitej różnicy w kaloriach, nie tylko dla tłuszczu. Wstępny wynik przedstawiony na NUTRITION 2026 objął cztery komercyjne aplikacje: MyFitnessPal, LoseIt!, CalAI i Appediet. Sprawdzono je na początkowych 102 posiłkach z kuchni metabolicznej, w których składniki ważono z dokładnością do 0,1 grama, a potem na ponad 200 kolejnych posiłkach. Aplikacje zaniżyły kalorie o około 250 do 345 kcal na posiłek i o około 30 g tłuszczu (EurekAlert, NIH/NIDDK). Wynik jest wstępny i nie przeszedł jeszcze recenzji naukowej.

Recenzowane badanie w npj Digital Medicine porównało aplikację AI o nazwie SNAQ z wodą podwójnie znakowaną, wzorcowym pomiarem spożycia energii, u kobiet z otyłością. Aplikacja zaniżyła dzienne spożycie średnio o 817 kcal, czyli o 25 procent, przy zmierzonej średniej 3004 kcal dziennie. Zgodność powtórzonych pomiarów była praktycznie zerowa, ICC wyniosło 0,00 (PMC, npj Digital Medicine).

Wzór jest taki: kontrolowane zdjęcia pojedynczego talerza dają najbliższe szacunki. Posiłki z życia codziennego, z wieloma składnikami, dają największe różnice.

Czy etykieta na opakowaniu jest dokładniejsza niż zdjęcie?

Etykieta na opakowaniu wydaje się pewniejsza niż domysł ze zdjęcia, ale przepisy za nią stoją w konkretnym kierunku. W Unii Europejskiej wartości odżywcze na etykiecie podaje się zgodnie z rozporządzeniem (UE) nr 1169/2011 i są to wartości średnie, więc pojedynczy produkt może się od nich nieco różnić. Wartości z etykiety przeliczysz na swoją porcję w kalkulatorze etykiety żywieniowej.

Dla porównania, w Stanach Zjednoczonych reguła FDA 21 CFR 101.9(g) zalicza kalorie, tłuszcz ogółem, tłuszcze nasycone, tłuszcze trans, cholesterol i sód do składników klasy I. Nie mogą one przekraczać 120 procent wartości deklarowanej na etykiecie. Przepis nie wyznacza dolnej granicy przed zaniżeniem.

Kaloryczność na amerykańskiej etykiecie może więc legalnie być nawet o 20 procent wyższa niż wartość laboratoryjna, a nic nie powstrzymuje jej przed byciem niższą. Białko, witaminy, składniki mineralne i błonnik to klasa II: muszą stanowić co najmniej 80 procent wartości deklarowanej, bez górnej granicy.

To nie jest twierdzenie, że etykiety są niewiarygodne. To kontekst: nawet badana w laboratorium, regulowana liczba kalorii ma wbudowany margines, a nie gwarancję dokładności. Szacunek ze zdjęcia i etykieta to dwa przybliżenia z różnymi źródłami błędu.

Czy liczenie kalorii przez AI jest dokładniejsze niż ręczne wpisywanie?

Żadna z metod nie jest wolna od błędu. Ręczne wpisywanie, czyli wyszukanie produktu w bazie i podanie porcji, zależy od tego, czy wybierzesz właściwy wpis i dobrze ocenisz własną porcję.

Zdjęcie przenosi tę pracę na model. Model stoi przed tym samym podstawowym problemem: nie może zważyć jedzenia ani zajrzeć do środka dania.

Badanie aplikacji badawczej z markerem, goFOOD Lite, wykazało, że z 468 zdjęć 60, czyli 12,8 procent, trzeba było odrzucić z powodu błędów rejestracji. Wśród przyczyn był brak markera odniesienia lub niecałkowicie widoczny talerz (JMIR mHealth and uHealth, DOI 10.2196/24467). To osobne źródło błędu, niezależne od samego modelu AI, w systemie zaprojektowanym właśnie po to, by ograniczać pomyłki przy robieniu zdjęć.

Żadna z metod nie usuwa zgadywania. Różnica polega na tym, gdzie ono następuje: w twojej ocenie porcji albo w odczycie obrazu przez model.

Do czego używać szacunku ze zdjęcia i co po cichu go psuje?

Szacunek ze zdjęcia warto traktować jako szybkie pierwsze przybliżenie, a nie ostateczną liczbę. Przy prostym, pojedynczym talerzu szacunki są bliższe ocenie wyszkolonego obserwatora, według badania szpitalnego w Nutrients. Przy mieszanym posiłku domowym z sosem lub olejem różnica zwykle rośnie, według wyników NIH/NIDDK i npj Digital Medicine. Więcej o tym, skąd biorą się te różnice, znajdziesz w poradniku jak działają aplikacje AI do liczenia kalorii.

Kilka rzeczy po cichu psuje wynik:

• Ukryty olej lub sos najbardziej zaburza tłuszcz. Tłuszcz to makroskładnik, który modele AI zawyżają o największą wartość, bo często nie widać go na obrazie.
• Pełny lub wielodaniowy talerz utrudnia ocenę porcji. Badania posiłków z życia codziennego wykazały większe błędy niż badania ze znormalizowanymi talerzami.
• Brak odniesienia do rozmiaru utrudnia zgadywanie porcji. W badaniu goFOOD Lite błędy rejestracji sprawiły, że ponad co dziesiąte zdjęcie w ogóle się nie nadawało.
• Pominięcie kontroli utrwala pierwszy domysł modelu. Poprawienie produktu lub porcji przed zapisem to moment, w którym możesz skorygować to, czego sam obraz nie pokazał.
• Porównywanie szacunku AI z etykietą pomija margines samej etykiety. Badana w laboratorium etykieta amerykańska może legalnie przekraczać prawdziwą wartość kalorii o 20 procent dla składników klasy I, takich jak kalorie i tłuszcz.

Olej, którego nie widać na zdjęciu, policzysz osobno w kalkulatorze kalorii oleju do smażenia. Posiłek z restauracji podsumujesz według liczb z karty w kalkulatorze kalorii z menu. Jeśli chcesz dokładniejszej liczby dla dania domowego, zsumuj je składnik po składniku, a gotową sumę podzieli na porcje bezpłatny kalkulator kalorii przepisu na porcję, bez szacunku ze zdjęcia dla wspólnego dania.

Jak szacunek ze zdjęcia wpisuje się w liczenie w Avocalo?

Zapisywanie zdjęciem w Avocalo działa tak, jak opisuje ten artykuł. Robisz zdjęcie posiłku lub wybierasz je z galerii, a model AI do analizy obrazu rozpoznaje produkty i szacuje porcje, kalorie, białko, węglowodany i tłuszcz na podstawie obrazu.

Szacunek nie jest sprawdzany w bazie żywności. Aplikacja nie waży jedzenia i nie widzi ukrytego oleju, sosu ani dokładnych porcji. Wynik przeglądasz i poprawiasz przed zapisem.

Dla produktów, które wolisz wyszukać, Avocalo ma też ręczne dodawanie: przeszukujesz bazę zbudowaną z Open Food Facts, USDA FoodData Central i krajowych tabel składu żywności oraz wracasz do ostatnich i częstych pozycji. Razem obie metody obejmują więcej z dziennego jedzenia niż każda osobno. Pobierz aplikację Avocalo z App Store lub Google Play.

Najczęściej zadawane pytania

Czy aplikacja AI do kalorii może z czasem stać się dokładniejsza?

Nie wiadomo, bo żadne z cytowanych badań tego nie sprawdzało. Wszystkie oceniały działanie aplikacji w jednym momencie, a nie po dłuższym używaniu. Twierdzenie, że aplikacja uczy się nawyków użytkownika i dzięki temu staje się dokładniejsza, wymagałoby osobnego badania, które by to potwierdziło.

Czy warto fotografować jedzenie przed i po ugotowaniu?

Cytowane badania nie sprawdzały tej praktyki, więc nie ma na to źródłowej odpowiedzi. Badania pokazują natomiast, że błąd wynika głównie z widoczności porcji i składników, a nie z chwili zrobienia zdjęcia. Wyraźne zdjęcie całego talerza ogranicza błędy rejestracji, które wykazało badanie goFOOD Lite.

Dlaczego dwie aplikacje podają różne kalorie dla tego samego zdjęcia?

Bo różne aplikacje używają różnych modeli AI. Badanie w Nutrients wykazało realne różnice między modelami przy tych samych znormalizowanych zdjęciach. ChatGPT-4o i Gemini 1.5 Pro korelowały z wartościami dietetyków powyżej 0,8, ale nie identycznie, a wszystkie modele zawyżały tłuszcz o różne wartości.

Czy ręczne wpisywanie z bazy jest zawsze dokładniejsze niż zdjęcie?

Nie zawsze. Ręczne wpisywanie usuwa zgadywanie modelu, ale zależy od tego, czy wybierzesz właściwy wpis w bazie i sam oszacujesz porcję. Obie metody niosą błąd, a badanie w npj Digital Medicine wykazało szerokie granice zgodności nawet u aplikacji AI zbudowanej do tego celu w codziennym użyciu.

Źródła

• NIH News Release, NUTRITION 2026 (EurekAlert): wstępny wynik dla czterech komercyjnych aplikacji porównanych z ważonymi posiłkami z kuchni metabolicznej.
• Limited validity of an AI-powered app for dietary assessment in females with obesity, npj Digital Medicine: recenzowane porównanie z wodą podwójnie znakowaną.
• Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images, Nutrients, DOI 10.3390/nu18060966: recenzowane porównanie modeli AI z dietetykami.
• 21 CFR 101.9(g), FDA nutrition labeling tolerance rule (eCFR): amerykańskie tolerancje dla etykiet. W UE odpowiednik to rozporządzenie (UE) nr 1169/2011, które określa, co etykieta musi podawać.
• The Human Factor in Automated Image-Based Nutrition Apps, JMIR mHealth and uHealth, DOI 10.2196/24467: odsetek błędów rejestracji w badaniu zapisywania zdjęciem z markerem.
• Zasady redakcyjne Avocalo: jak Avocalo dobiera źródła i sprawdza liczby.

Wydawcą jest Petros IT Solutions SRL. Zauważyłeś błąd? Napisz na [email protected].