Точны ли приложения для подсчёта калорий с ИИ?

Точны ли приложения для подсчёта калорий с ИИ по фото?

Точны ли приложения для подсчёта калорий с ИИ по фото? Не с полной уверенностью: они оценивают, а не измеряют, и исследования показывают, что оценка может быть близка к лабораторному значению или отличаться от него на сотни калорий. Направление ошибки не случайно. Приложения склонны занижать общую калорийность и завышать содержание жира, потому что снимок не показывает плотность, вес продукта и скрытое масло. Именно этот механизм, а не только качество приложения, объясняет большую часть расхождения.

Почему фотография не может просто показать калорийность?

Фотография это плоское изображение света, отражённого от тарелки. Она показывает форму, цвет и приблизительный размер. Она не показывает плотность, вес и то, что подмешано в соус.

Две тарелки риса могут выглядеть одинаково и весить по-разному, если один рис уложен плотнее. Жаркое, блестящее от масла, выглядит почти так же, как приготовленное с распылителем масла. Как иллюстративная цифра: две столовые ложки масла добавляют примерно 240 ккал, и ничего из этого не видно на фотографии.

Поэтому улучшение качества снимков само по себе проблему не решает. Камера фиксирует поведение света, а не показания весов. Любая оценка по одному изображению вынуждена угадывать те части, которых снимок показать не может.

Как приложение вообще оценивает калорийность по фото?

Модель компьютерного зрения на основе ИИ анализирует изображение и определяет, какие продукты на нём присутствуют. Затем она оценивает размер порций по визуальным подсказкам на фото: размеру тарелки, высоте еды и сравнению с типичными формами порций.

На основе распознанных продуктов и оценённых порций модель сразу выдаёт цифры калорий и БЖУ. Это отличается от сканирования штрихкода или поиска по базе данных. На этом этапе нет сверки с таблицей измеренных значений.

Затем пользователь просматривает то, что выдала модель. Он может изменить распознанный продукт, размер порции или сами цифры перед сохранением. Именно этот этап проверки превращает оценку по фото в сохранённую запись, а не оставляет её просто догадкой.

Эта последовательность, распознавание, оценка, проверка, это первый шаг к пониманию того, где оценка может ошибиться и где собственная правка пользователя способна это исправить.

Почему жир оценивается хуже калорий и углеводов, и насколько сильно ошибаются исследования в общей сумме?

Исследование 2026 года в журнале Nutrients сравнило модели ИИ с оценками дипломированных диетологов на стандартизированных фотографиях больничных блюд. Оценки энергии и углеводов от самых сильных моделей, ChatGPT-4o и Gemini 1.5 Pro, коррелировали с показателями диетологов выше 0,8, часто в пределах около 10 процентов (Nutrients, DOI 10.3390/nu18060966). Каждая модель в этом исследовании показала среднее смещение более 20 процентов в сторону завышения жира. Белок также оценивался менее точно, чем энергия.

Причина связана с тем, что способна увидеть камера. У углеводистых продуктов вроде риса довольно предсказуемое соотношение объёма и калорийности. Жир же часто невидим: он вплетён в соус или скрыт под другими ингредиентами. Модель, угадывающая жир только по внешнему виду, склонна перекомпенсировать.

Ещё два исследования дали конкретные цифры по общему расхождению в калориях, а не только по жиру. Предварительные данные, представленные на конференции NUTRITION 2026, проверили четыре коммерческих приложения, MyFitnessPal, LoseIt!, CalAI и Appediet, на первоначальном наборе из 102 блюд из метаболической кухни с ингредиентами, взвешенными с точностью до 0,1 г, а затем ещё на более чем 200 дополнительных блюдах, проверенных позже. Приложения занижали калорийность примерно на 250-345 ккал на блюдо и примерно на 30 г жира (EurekAlert, NIH/NIDDK). Этот результат предварительный и ещё не прошёл рецензирование.

Рецензируемое исследование в npj Digital Medicine сравнило приложение с ИИ под названием SNAQ с методом дважды меченой воды, эталонным способом измерения потребления энергии, у женщин с ожирением. Приложение занижало суточное потребление в среднем на 817 ккал, что составило 25 процентов смещения, при измеренном среднем значении 3004 ккал в день. Согласованность повторных измерений оказалась практически нулевой, ICC 0,00 (PMC, npj Digital Medicine).

Закономерность такова: контролируемые фотографии одной тарелки дают самые близкие оценки. Повседневные блюда из нескольких компонентов дают наибольшие расхождения.

Действительно ли печатная этикетка точнее?

Печатная этикетка кажется твёрдой почвой рядом с догадкой по фото, но правило, стоящее за ней, работает в определённую сторону.

Согласно правилу FDA 21 CFR 101.9(g), калории, общий жир, насыщенный жир, трансжиры, холестерин и натрий относятся к нутриентам класса I. Их фактическое значение не должно превышать 120 процентов от заявленного на этикетке. Регламент не устанавливает нижнего порога против занижения.

Указанная на этикетке калорийность может законно оказаться до 20 процентов выше истинного лабораторного значения, и ничто в правиле не мешает ей быть ниже. Белок, витамины, минералы и пищевые волокна относятся к нутриентам класса II: они должны составлять не менее 80 процентов от заявленного значения, без верхнего предела.

Это не утверждение о ненадёжности этикеток. Это контекст: даже прошедшая лабораторную проверку регулируемая цифра калорийности несёт встроенный потолок, а не гарантию точности. И оценка по фото, и печатная этикетка — приближения, просто с разными источниками ошибок. Для потребителей в России похожую роль играет ТР ТС 022/2011, техрегламент Таможенного союза о маркировке пищевой продукции, где также действуют допустимые отклонения между заявленными и фактическими значениями.

Точнее ли подсчёт калорий с ИИ, чем ручной ввод?

Ни один из методов не свободен от ошибок. Ручной ввод, поиск в базе данных продуктов и указание порции, зависит от того, правильно ли человек выбрал запись и верно ли оценил размер своей порции.

Учёт по фото перекладывает эту работу на модель. Модель сталкивается с той же ключевой проблемой: она не может взвесить еду или заглянуть внутрь блюда.

Исследование поискового приложения с маркерами под названием goFOOD Lite показало, что из 468 фотозаписей 60, или 12,8 процента, пришлось отбраковать из-за ошибок съёмки. Среди причин: отсутствующий опорный маркер или тарелка, не полностью попавшая в кадр (JMIR mHealth and uHealth, DOI 10.2196/24467). Это отдельный источник ошибок, не связанный с самой моделью ИИ, причём в системе, специально созданной для снижения ошибок съёмки.

Ни один из методов не устраняет догадки полностью. Разница лишь в том, где возникает догадка: в оценке порции человеком или в считывании изображения моделью.

Для чего на самом деле годится оценка по фото и что незаметно её ломает?

Относитесь к оценке по фото как к быстрому первому приближению, а не как к окончательной цифре. Для одной простой тарелки оценки оказываются ближе к суждению подготовленного наблюдателя, согласно больничному исследованию в Nutrients. Для смешанного домашнего блюда с соусом или маслом расхождение обычно увеличивается, согласно данным NIH/NIDDK и npj Digital Medicine.

Несколько факторов незаметно портят результат:

• Скрытое масло или соус сильнее всего искажает цифру по жиру. Жир — тот макронутриент, который модели ИИ завышают с наибольшим отрывом, потому что его часто не видно на изображении.
• Заставленная тарелка с несколькими блюдами усложняет оценку порции. Исследования в условиях повседневной жизни со смешанными блюдами показали более крупные ошибки, чем исследования с одной стандартизированной тарелкой.
• Отсутствие опорного объекта для масштаба усложняет оценку порции. Исследование goFOOD Lite показало, что ошибки съёмки привели к полному сбою более чем в одной из десяти фотозаписей.
• Пропуск этапа проверки закрепляет первую догадку модели. Именно на этапе редактирования продукта или порции перед сохранением человек может исправить то, что не смогло показать одно изображение.
• Сравнение оценки ИИ с печатной этикеткой игнорирует собственный потолок этикетки. Прошедшая лабораторную проверку этикетка может законно быть до 20 процентов выше истинной калорийности для нутриентов класса I, таких как калории и жир.

Читателю, которому нужна более точная цифра для домашнего блюда, стоит собрать её ингредиент за ингредиентом, воспользовавшись статьёй как посчитать калории в домашнем блюде по ингредиентам. После того как известна общая калорийность, бесплатный калькулятор калорий рецепта на порцию разделит её на порции без необходимости оценки по фото для общего блюда.

Как оценка по фото вписывается в учёт питания с Avocalo?

Учёт по фото в Avocalo работает именно так, как описано в этой статье. Сфотографируйте блюдо или выберите снимок из галереи, и модель компьютерного зрения на основе ИИ распознает продукты и оценит порции, калории, белки, углеводы и жиры по изображению.

Эта оценка не сверяется с базой данных о питании. Приложение не взвешивает еду и не видит скрытое масло, соус или точный размер порции. Вы просматриваете и при необходимости редактируете результат перед сохранением.

Для продуктов, которые вы предпочитаете искать напрямую, Avocalo также предлагает ручной ввод: поиск по базе данных продуктов, составленной из Open Food Facts, USDA FoodData Central и национальных таблиц состава продуктов, а также повторное использование недавних и часто вносимых записей. Вместе эти два метода охватывают больше рациона за день, чем каждый по отдельности. Загляните на страницу Avocalo, чтобы найти приложение в App Store или Google Play.

Часто задаваемые вопросы

Может ли приложение с ИИ со временем считать точнее?

Приведённые здесь исследования проверяли работу приложений в отдельный момент времени, а не улучшение при повторном использовании. Ни одно из процитированных исследований не измеряло, растёт ли точность с длительным использованием. Утверждение о том, что приложение со временем изучает привычки человека, требовало бы отдельного исследования для подтверждения.

Помогает ли фотографировать еду до и после приготовления?

Процитированные исследования эту конкретную практику не проверяли, поэтому обоснованного ответа здесь нет. Исследования показывают, что на большинство ошибок влияет видимость порции и ингредиентов, а не момент съёмки. Чёткое фото с полностью видимой тарелкой снимает проблему ошибок съёмки, выявленную в исследовании goFOOD Lite.

Почему два разных приложения дают разную калорийность по одному и тому же фото?

Разные приложения используют разные модели ИИ, и исследование в Nutrients обнаружило реальные различия между моделями на одних и тех же стандартизированных фотографиях. ChatGPT-4o и Gemini 1.5 Pro коррелировали с показателями диетологов выше 0,8, но не идентично, и все модели завышали жир с разной величиной отклонения.

Всегда ли ручной ввод по базе данных точнее оценки по фото?

Не всегда. Ручной ввод устраняет догадки ИИ, но зависит от того, выбрал ли человек правильную запись в базе и верно ли сам оценил размер порции. Оба метода несут погрешность, и исследование в npj Digital Medicine показало, что даже специально созданное приложение с ИИ имело широкие пределы согласованности при использовании в обычной жизни.

Источники

• NIH News Release, NUTRITION 2026 (EurekAlert): предварительные данные о четырёх названных коммерческих приложениях, проверенных на взвешенных блюдах из метаболической кухни.
• Limited validity of an AI-powered app for dietary assessment in females with obesity, npj Digital Medicine: рецензируемое сравнение с методом дважды меченой воды.
• Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images, Nutrients, DOI 10.3390/nu18060966: рецензируемое сравнение моделей ИИ с дипломированными диетологами.
• 21 CFR 101.9(g), правило допустимых отклонений FDA для маркировки питания (eCFR), а для читателей в России действует ТР ТС 022/2011, техрегламент Таможенного союза о маркировке пищевой продукции, устанавливающий требования к декларируемым значениям.
• The Human Factor in Automated Image-Based Nutrition Apps, JMIR mHealth and uHealth, DOI 10.2196/24467: доля ошибок съёмки в исследовании учёта по фото с маркерами.
• Редакционная политика Avocalo: как Avocalo проверяет источники и цифры.

Опубликовано Petros IT Solutions SRL. Заметили ошибку? Напишите на [email protected].