Фотография тарелки обещает избавить человека от кухонных весов, таблиц и ручного поиска продуктов. Достаточно навести камеру на обед, чтобы приложение распознало блюдо и показало калорийность. Проверка четырёх популярных сервисов показала, насколько убедительная цифра на экране может расходиться с реальностью. Среднее занижение составило от 250 до 345 килокалорий за один приём пищи в зависимости от приложения.
Число 345 не описывает ошибку каждой фотографии. Речь идёт о наибольшем среднем расхождении среди четырёх протестированных сервисов. Одни блюда приложения могли оценивать сравнительно точно, другие заметно хуже. Поэтому результаты нельзя превращать в утверждение, будто любой ИИ всегда пропускает ровно 345 килокалорий.
Как учёные проверяли подсчёт калорий по фотографии
Исследователи Национального института диабета, болезней органов пищеварения и почек США, входящего в систему NIH, проверили MyFitnessPal, Lose It!, Cal AI и Appediet. Для эксперимента использовали стандартизированные фотографии 102 блюд, приготовленных в метаболической кухне Клинического центра NIH.
Сотрудники кухни взвешивали ингредиенты с точностью до 0,1 грамма. Исследователи заранее знали реальную энергетическую ценность каждого блюда и содержание белков, жиров и углеводов. Затем фотографии загрузили в приложения и сравнили автоматические ответы с контрольными значениями.
Все четыре приложения в среднем занизили калорийность. Наименьшее среднее расхождение приблизилось к 250 килокалориям, наибольшее достигло почти 345 килокалорий. Сервисы также недосчитали около 30 граммов жира за один приём пищи. Углеводы алгоритмы оценивали стабильнее, чем жиры и другие показатели. MyFitnessPal и Lose It! точнее анализировали более калорийные блюда, чем блюда с меньшей энергетической ценностью.
Результаты представили на конференции NUTRITION 2026. Подробности опубликованы в материале Американского общества питания. Конференционные тезисы проходят отбор экспертного комитета, но ещё не завершают полноценное рецензирование, обязательное для журнальной научной статьи. Выводы пока следует считать предварительными.
Куда исчезли 30 граммов жира
Тридцать граммов жира дают около 270 килокалорий при стандартном расчёте в девять килокалорий на грамм. Недооценка жира способна объяснить значительную часть общего расхождения между реальной калорийностью и ответом приложения.
Однако эксперимент не установил, какой ингредиент алгоритм пропускал в каждом отдельном блюде. Нельзя уверенно заявлять, что приложения всегда не замечают масло, сливки или заправку. Исследователи обнаружили более общий сбой при оценке жирности, состава блюда и размера порции.
Камера может правильно определить курицу, рис, салат или авокадо, но название продукта ещё не раскрывает его калорийность. Алгоритму приходится оценить массу порции по плоскому изображению, предположить рецепт и сопоставить увиденное с записью в пищевой базе.
Одна фотография не показывает глубину тарелки, количество масла на сковороде, жирность соуса, сахар в маринаде или сливки внутри пюре. Даже качественное распознавание объектов не решает задачу, если главные калории скрыты внутри блюда.
Камера видит продукты, но не знает рецепт. Число на экране часто выглядит точнее, чем исходные данные позволяют рассчитать.
Почему похожие блюда различаются на сотни килокалорий
Овощной салат без заправки и такой же салат с несколькими ложками масла могут выглядеть почти одинаково. Одна столовая ложка масла добавляет примерно 120 килокалорий. Если камера не определила две или три ложки, ошибка быстро достигнет нескольких сотен килокалорий.
Куриная грудка после сухого гриля и курица, приготовленная с маслом, глазурью или сладким соусом, дают камере похожий набор объектов. Картофельное пюре может состоять почти только из картофеля, а может содержать сливочное масло, молоко, сливки и сыр. На фотографии различия часто незаметны.
Размер порции создаёт отдельную проблему. Один снимок плохо передаёт объём, особенно когда рядом нет предмета известного размера. Глубокая миска может скрывать значительную часть риса или пасты. Верхний слой блюда закрывает продукты снизу, а соус маскирует отдельные компоненты.
Человек сталкивается с похожими ограничениями. Даже диетолог не определит точную калорийность ресторанного блюда по одному изображению, если повар не раскрыл рецепт и массу ингредиентов. ИИ не получает дополнительных сведений только благодаря способности распознавать еду.
Распознать блюдо и посчитать калории не одно и то же
Проблему обнаруживали и раньше. В рецензируемом исследовании 2024 года учёные проверили 18 приложений для ведения пищевого дневника. Семь сервисов умели распознавать еду по изображениям.
MyFitnessPal правильно определил 38 из 39 отдельных пищевых компонентов, а Fastic распознал 36 из 39. Высокая точность названий не превратилась в столь же надёжный расчёт энергии. Автоматические оценки калорий заметно расходились с контрольными пищевыми записями.
Особенно трудно приложениям давались смешанные блюда. MyFitnessPal и Foodvisor недооценили яйца на тосте с маслом, поскольку не учли часть скрытого жира. При анализе азиатских блюд сервисы пропускали компоненты пибимпапа, фо и других сложных рецептов. Для отдельных блюд расхождение достигало 76 процентов.
Результат показывает принципиальную разницу между двумя задачами. Распознавание отвечает на вопрос, что находится на тарелке. Расчёт калорий требует определить массу каждого компонента, способ приготовления и количество добавленных ингредиентов. Вторая задача намного сложнее первой.
Почему кетогенное питание стало трудным тестом для ИИ
После первого этапа исследователи NIH проанализировали более 200 дополнительных блюд. Предварительные результаты указывают, что особенно крупные ошибки возникали при оценке низкоуглеводного кетогенного питания.
Авторы связывают расхождение с высокой долей жира. Кетогенное блюдо может включать сыр, сливки, орехи, авокадо, жирное мясо, майонез или масляный соус. Даже небольшая ошибка в оценке массы жирного продукта сильно меняет итоговую калорийность.
Подробные результаты дополнительного анализа пока не опубликованы. Нельзя переносить наблюдение на все кетогенные блюда или утверждать, что любое приложение обязательно ошибётся на стейке, сыре или авокадо. Один простой продукт сервис может оценить неплохо, а сложное блюдо с несколькими источниками жира серьёзно недосчитать.
Сильная сторона исследования одновременно ограничивает выводы
Контролируемая кухня стала главным преимуществом работы. Исследователи сравнивали приложения не с приблизительным дневником участника, а с реально взвешенными ингредиентами. Такой подход дал надёжное контрольное значение.
Обычная жизнь выглядит сложнее. Пользователи фотографируют еду при разном освещении и под разными углами. Продукты закрывают друг друга, часть порции остаётся за пределами кадра, а человек может не доесть блюдо. Ресторанные рецепты и масса ингредиентов часто неизвестны.
Реальная ошибка может оказаться крупнее из-за плохого снимка. Погрешность может уменьшиться после ручной правки. Многие приложения позволяют скорректировать размер порции, выбрать другой продукт и добавить пропущенные ингредиенты. Исследование проверяло автоматическую оценку по фотографии, а не весь процесс ведения дневника с последующим редактированием.
Работа охватила четыре приложения и 102 блюда. Алгоритмы, базы продуктов и интерфейсы сервисов регулярно обновляются. Результаты относятся к протестированным версиям, а не к вечным свойствам MyFitnessPal, Lose It!, Cal AI или Appediet.
Полная научная публикация должна показать распределение ошибок, статистическую неопределённость, различия между приложениями и характеристики отдельных блюд. Среднее значение не позволяет узнать, насколько часто сервисы ошибались на 50, 300 или 600 килокалорий.
Может ли ошибка остановить похудение
Исследование не проверяло динамику массы тела и не наблюдало за худеющими пользователями. По результатам нельзя утверждать, что фотографические приложения мешают людям снижать вес или объясняют все случаи остановки прогресса.
На массу тела влияют фактический рацион, расход энергии, лекарства, сон, заболевания, задержка жидкости и точность дневника. Даже верно посчитанная калорийность не гарантирует, что расчёт суточных энергозатрат оказался точным.
Однако систематическое занижение на несколько сотен килокалорий способно создать ложное впечатление дефицита. Человек может считать, что съел 1800 килокалорий при расходе 2200, хотя реальное потребление приблизилось к 2100 или 2200. Расчётный дефицит тогда резко сократится или исчезнет.
Подобный сценарий логически следует из найденной погрешности, но не доказывает, что каждый пользователь столкнётся с остановкой веса. Средние лабораторные результаты нельзя без поправок переносить на конкретного человека.
Как считать калории точнее без отказа от приложения
Фотографические приложения не становятся бесполезными после одной работы. Камера ускоряет ведение дневника, помогает вспомнить съеденное и показывает примерный порядок величины. Проблема начинается, когда приблизительную оценку воспринимают как лабораторное измерение.
Для домашней еды надёжнее взвесить основные ингредиенты, посчитать калорийность всего рецепта и разделить результат на массу или число порций. Необязательно измерять каждый лист салата. Наибольшее внимание полезно уделять продуктам с высокой энергетической плотностью.
- Отдельно добавляйте масло, майонез, заправки и соусы.
- Проверяйте сыр, сливки, орехи, семена и арахисовую пасту.
- Не забывайте сахар, сиропы, маринады и калорийные напитки.
- Корректируйте массу порции вручную, когда приложение явно ошиблось.
- Фотографируйте блюдо сверху и сбоку, если сервис принимает несколько снимков.
- Добавляйте краткое описание рецепта, когда приложение поддерживает текстовый ввод.
При ресторанной еде точный расчёт часто невозможен даже вручную. Посетитель не знает, сколько масла использовал повар и какой объём соуса попал в блюдо. Разумнее выбрать похожее блюдо из базы, проверить размер порции и учитывать возможный диапазон, а не доверять единичной цифре.
Ответ вроде 642 килокалорий выглядит измеренным, хотя фактически может быть приблизительной догадкой. Полезный сервис должен был бы показывать диапазон или уровень уверенности, но большинство приложений выводит одно число без оценки неопределённости.
Что в итоге показала проверка
ИИ уже умеет довольно хорошо распознавать многие продукты по фотографии, но заметно хуже определяет массу порции, содержание жира и скрытые ингредиенты. Камера может увидеть курицу, рис и салат, но не восстановит рецепт и не узнает, сколько масла осталось под верхним слоем еды.
Среднее занижение до 345 килокалорий выглядит значительным, но пока относится к четырём приложениям, конкретному набору блюд и предварительному конференционному исследованию. Результат не доказывает бесполезность технологии и не описывает ошибку каждой фотографии.
Калорийность по одному снимку разумнее считать отправной оценкой. Для контроля веса результат стоит проверять вручную, особенно когда блюдо содержит масло, соусы, сыр, сливки, орехи или другие жирные ингредиенты.
Частые вопросы
Правда ли, что приложение всегда недосчитывает 345 килокалорий?
Нет. Почти 345 килокалорий составило наибольшее среднее занижение среди четырёх сервисов. Ошибка отдельного блюда могла быть меньше или больше.
Почему приложения хуже считают жиры?
Масло, сливки, сыр, заправки и другие источники жира часто плохо заметны на фотографии. Небольшая ошибка в их количестве сильно меняет итоговую калорийность.
Можно ли использовать фотографию для похудения?
Можно, но автоматический результат лучше воспринимать как приблизительный. Размер порции и калорийные добавки стоит проверять вручную.
Кухонные весы всегда дают точный результат?
Весы точнее оценивают массу, но калорийность всё равно зависит от правильной записи продукта, рецепта, способа приготовления и данных пищевой базы.
Нужно ли считать каждую калорию?
Не всем. Подробный учёт может помочь при конкретной цели, но некоторым людям он создаёт тревогу и навязчивый контроль. При расстройствах пищевого поведения рацион лучше обсуждать с врачом или профильным специалистом.
Материал носит информационный характер и не заменяет консультацию врача или диетолога. Не меняйте питание, лечение и рекомендованную калорийность только по показаниям приложения.
