Πόσο Ακριβής Είναι η Αναγνώριση Τροφίμων με AI; Τι να Περιμένεις

Δημοσιεύτηκε τον Απρίλιο του 2026

Η καταγραφή γεύματος με φωτογραφία μέσω AI είναι σημαντικά πιο γρήγορη από τη χειροκίνητη αναζήτηση σε βάση δεδομένων τροφίμων. Όμως μια συχνή ερώτηση πριν αλλάξεις είναι: πόσο ακριβής είναι, πραγματικά; Η ειλικρινής απάντηση είναι ότι εξαρτάται από το τι τρως και πώς το φωτογραφίζεις. Δες τι μπορεί και τι δεν μπορεί να κάνει η τεχνολογία.

AI Αναγνώρισης Τροφίμων: Πώς Λειτουργεί η Τεχνολογία

Η αναγνώριση τροφίμων με AI είναι όραση υπολογιστή εφαρμοσμένη σε ένα πιάτο: ένα μοντέλο εκπαιδευμένο σε επισημασμένες εικόνες τροφίμων που αναγνωρίζει τι υπάρχει σε μια φωτογραφία και εκτιμά πόση ποσότητα υπάρχει από αυτό. Η ίδια κατηγορία μοντέλου τροφοδοτεί καταναλωτικές εφαρμογές θερμίδων και τα εμπορικά API αναγνώρισης τροφίμων πάνω στα οποία χτίζουν εστιατόρια, νοσοκομεία και πλατφόρμες υγείας. Κάθε υλοποίηση εκτελεί τα ίδια πέντε στάδια.

• Εντοπισμός. Το μοντέλο βρίσκει τις περιοχές της εικόνας που περιέχουν φαγητό, διαχωρίζοντάς τες από το πιάτο, το τραπέζι και το φόντο.
• Τμηματοποίηση. Κάθε περιοχή τροφής χωρίζεται σε ξεχωριστά στοιχεία, οπότε ένα stir-fry γίνεται πρωτεΐνη, λαχανικά, ρύζι και σάλτσα αντί για ένα αντικείμενο.
• Ταξινόμηση. Κάθε τμήμα αντιστοιχίζεται με τις κατηγορίες τροφίμων στις οποίες έχει εκπαιδευτεί το μοντέλο. Αυτό είναι το στάδιο που είναι πλέον αξιόπιστο: τα σύγχρονα μοντέλα αναγνωρίζουν χιλιάδες πιάτα.
• Εκτίμηση όγκου και μερίδας. Το μοντέλο συμπεραίνει πόση ποσότητα κάθε στοιχείου υπάρχει από το φαινόμενο μέγεθός του σε σχέση με το πιάτο, τα μαχαιροπίρουνα ή άλλα αντικείμενα αναφοράς. Σε αυτό το στάδιο, και όχι στην ταξινόμηση, προέρχεται σχεδόν όλο το σφάλμα.
• Αναζήτηση διατροφικών στοιχείων. Κάθε αναγνωρισμένη τροφή κλιμακώνεται στην εκτιμώμενη μερίδα της και αντιστοιχίζεται σε τιμές θερμίδων και μακροθρεπτικών.

Όταν βγάζεις μια φωτογραφία ενός γεύματος, ένα μοντέλο όρασης AI αναλύει την εικόνα για να αναγνωρίσει μεμονωμένα τρόφιμα. Εξετάζει σχήματα, χρώματα, υφές και πλαίσιο για να προσδιορίσει τι υπάρχει στο πιάτο. Μόλις αναγνωριστούν τα τρόφιμα, το σύστημα εκτιμά τα μεγέθη μερίδων με βάση οπτικά στοιχεία, συμπεριλαμβανομένου του φαινομενικού μεγέθους κάθε αντικειμένου σε σχέση με το πιάτο, τα μαχαιροπίρουνα ή άλλα σημεία αναφοράς στο κάδρο.

Από αυτές τις εκτιμήσεις, υπολογίζει θερμίδες και μακροθρεπτικά χρησιμοποιώντας διατροφικές τιμές για τις αναγνωρισμένες τροφές. Ολόκληρη η διαδικασία συνήθως διαρκεί λίγα δευτερόλεπτα.

Πόσο Ακριβές Είναι;

Για συνηθισμένα, ευδιάκριτα γεύματα, η αναγνώριση τροφίμων από AI είναι αρκετά ακριβής. Ένα πιάτο με στήθος κοτόπουλου, ρύζι και βραστά λαχανικά είναι το είδος γεύματος όπου το AI αποδίδει καλά. Τα επιμέρους συστατικά είναι ορατά, τα μεγέθη μερίδων μπορούν να εκτιμηθούν, και οι τροφές είναι από αυτές που το μοντέλο έχει δει πολλές φορές. Πόσο κοντά πέφτει η εκτίμηση δεν είναι κάτι που μπορεί κανείς έντιμα να συνοψίσει σε ένα μόνο ποσοστό. Η συστηματική ανασκόπηση του 2023 στο Annals of Medicine εξέτασε 14.059 δημοσιεύσεις, κράτησε 52 που δημοσιεύτηκαν μεταξύ 2010 και 2023, και βρήκε μέσα σχετικά σφάλματα για τις θερμίδες που κυμαίνονταν από 0,1% έως 38,3% σε αυτές. Οι συγγραφείς της δεν μπόρεσαν να συγκεντρώσουν αυτές τις μελέτες σε έναν ενιαίο αριθμό, επειδή οι βάσεις δεδομένων εικόνων τροφίμων και τα αναφερόμενα αποτελέσματα διέφεραν υπερβολικά για μετα-ανάλυση. Αυτό που η ανασκόπηση όντως τεκμηριώνει είναι η κατεύθυνση: τα σφάλματα ήταν μικρότερα για εικόνες μεμονωμένων ή απλών τροφίμων.

Η ακρίβεια μειώνεται για μικτά πιάτα. Ένα μπολ με στιφάδο, μια κατσαρόλα ή ένα κάρι περιέχει συστατικά που είναι εν μέρει ή πλήρως κρυμμένα. Η AI μπορεί να αναγνωρίσει τι είναι το πιάτο, αλλά δεν μπορεί να δει τι υπάρχει μέσα του, οπότε οι εκτιμήσεις βασίζονται περισσότερο σε τυπικές συνταγές παρά σε αυτό που πραγματικά υπάρχει στην κατσαρόλα σου. Το εύρος σφάλματος διευρύνεται.

Οι σάλτσες, τα λάδια και τα dressing είναι σταθερά δύσκολα. Μια σαλάτα με ελαιόλαδο και μια σαλάτα με ελαφριά βινεγκρέτ φαίνονται σχεδόν ίδιες σε μια φωτογραφία. Η διαφορά θερμίδων μεταξύ τους μπορεί να είναι σημαντική. Τα μαγειρικά λάδια που προστίθενται σε ένα τηγάνι πριν το σοταρίσμα είναι εντελώς αόρατα στην τελική φωτογραφία.

Τα συσκευασμένα τρόφιμα με διατροφικές ετικέτες αντιμετωπίζονται καλύτερα με χειροκίνητη καταχώρηση ή σάρωση barcode. Μια μερίδα 200g ενός συγκεκριμένου επώνυμου γιαουρτιού έχει γνωστό, ακριβές διατροφικό προφίλ. Η εκτίμηση AI εισάγει περιττή αβεβαιότητα όταν η πραγματική τιμή είναι τυπωμένη στη συσκευασία.

Τι Επηρεάζει την Ακρίβεια

Αρκετοί πρακτικοί παράγοντες επηρεάζουν πόσο καλά αποδίδει το AI σε μια συγκεκριμένη φωτογραφία:

• Φωτισμός. Οι καλά φωτισμένες φωτογραφίες δίνουν στο μοντέλο περισσότερη οπτική πληροφορία για να δουλέψει. Ο κακός φωτισμός επιπεδοποιεί τις υφές και μειώνει την ακρίβεια χρώματος, κάνοντας το φαγητό πιο δύσκολο να αναγνωριστεί σωστά.
• Γωνία λήψης. Οι φωτογραφίες από πάνω (απευθείας πάνω από το πιάτο) τείνουν να δίνουν τα καλύτερα αποτελέσματα. Οι πλάγιες γωνίες μπορεί να κρύβουν τροφές πίσω από άλλες και να κάνουν την εκτίμηση μερίδας λιγότερο αξιόπιστη.
• Διάταξη φαγητού. Τα φαγητά απλωμένα σε ένα πιάτο σε ξεχωριστές μερίδες είναι πιο εύκολο να αναλυθούν από στοιβαγμένες ή αναμεμειγμένες παρουσιάσεις. Αν έχεις πολλά διαφορετικά φαγητά, βοηθάει να τα απλώσεις πριν τα φωτογραφίσεις.
• Αντικείμενα αναφοράς. Η συμπερίληψη της άκρης ενός πιάτου, ενός πιρουνιού ή ενός άλλου οικείου αντικειμένου στο κάδρο βοηθά το μοντέλο να βαθμονομήσει το μέγεθος της μερίδας. Ένα κομμάτι κοτόπουλο φαίνεται πολύ διαφορετικό σε κλίμακα δίπλα σε ένα πιρούνι σε σχέση με το να είναι μόνο του.

Τα Μικτά Γεύματα Είναι Πιο Δύσκολα από τις Μεμονωμένες Τροφές

Ένα ψητό στήθος κοτόπουλου δίπλα σε ρύζι και μπρόκολο είναι τρία ξεχωριστά σχήματα με καθαρά περιγράμματα. Ένα κάρι, ένα στιφάδο, ένα κατσαρόλας φαγητό ή μια ντρέσαρη σαλάτα είναι μια οπτική μάζα όπου τα συστατικά επικαλύπτονται, κρύβονται μεταξύ τους και διαφέρουν σε πυκνότητα. Το AI εκτιμά το δεύτερο είδος σημαντικά λιγότερο ακριβώς, και αυτός είναι ο μεγαλύτερος μεμονωμένος παράγοντας πρόβλεψης για το αν μια εκτίμηση φωτογραφίας θα είναι κοντά.

Η συστηματική ανασκόπηση του 2023 στο Annals of Medicine, που κάλυψε 52 μελέτες δημοσιευμένες μεταξύ 2010 και 2023, βρήκε μέσα σχετικά σφάλματα για τις θερμίδες που κυμαίνονταν από 0,10% έως 38,3%, και ανέφερε ότι τα σφάλματα «τείνουν να είναι μικρότερα για εικόνες με ένα τρόφιμο σε σύγκριση με εικόνες πολλαπλών τροφίμων». Επισημαίνει άμεσα τη δύσκολη περίπτωση: «εικόνες με μεικτά πιάτα (όπως κάρι) ή πιάτα με ποικιλία επικαλυπτόμενων τροφίμων διαφορετικού ύψους ή με ασαφή όρια παρουσιάζουν υψηλότερο κίνδυνο σφαλμάτων ταξινόμησης ή τμηματοποίησης». Από τα 22 χαμηλότερα σφάλματα εκτίμησης όγκου στις μελέτες που εξετάστηκαν, το 68% προήλθε από εικόνες με ένα μόνο τρόφιμο.

Μια ανάλυση GPT-4V σε σύγκριση με ζυγισμένα γεύματα αναφοράς, που δημοσιεύτηκε στο IEEE Journal of Biomedical and Health Informatics το 2024, έβαλε αριθμούς στο κενό. Η εκτίμηση ενός φαγητού τη φορά, σε 32 είδη, παρήγαγε μέσο απόλυτο σφάλμα θερμίδων 69,2 kcal. Η εκτίμηση ολόκληρου του γεύματος, σε 10 περιπτώσεις, παρήγαγε 151,2 kcal, περίπου το διπλάσιο. Η αιτία είναι σωρευτική: το μέγεθος της μερίδας είναι η κύρια πηγή σφάλματος, και ένα μεικτό πιάτο απαιτεί ξεχωριστή κρίση μερίδας για κάθε συστατικό, καθένα με το δικό του σφάλμα.

Αυτό δεν έχει ξεκαθαριστεί πλήρως. Μια μελέτη του 2025 στο Nutrients που ανέλυσε 195 πιάτα βρήκε μόνο ασθενή συσχέτιση ανάμεσα στον αριθμό συστατικών και το σφάλμα (r όχι υψηλότερο από 0,37) και κατέληξε ότι ο αριθμός συστατικών δεν ήταν καθοριστικός παράγοντας. Η ειλικρινής σύνοψη είναι ότι ο οπτικός διαχωρισμός έχει μεγαλύτερη σημασία από τον αριθμό συστατικών: ένα πιάτο με έξι σαφώς διαχωρισμένα τρόφιμα είναι πιο εύκολο από ένα μπολ με τρία αναμεμειγμένα.

Τι σημαίνει αυτό στην πράξη

• Φωτογράφισε πριν ανακατέψεις. Τράβα τα συστατικά όσο είναι ακόμα διακριτά, όχι το ανακατεμένο μπολ.
• Χώρισε ένα μικτό γεύμα σε δύο φωτογραφίες όπου αυτό είναι λογικά εφικτό. Δύο μεμονωμένες εκτιμήσεις είναι καλύτερες από μία σύνθετη.
• Διόρθωσε την εκτίμηση για οτιδήποτε είναι αναμεμειγμένο, με σάλτσα ή σε στρώσεις. Το λίπος είναι το θρεπτικό συστατικό που υποεκτιμάται πιο συστηματικά σε κάθε μελέτη, και το λάδι μέσα σε μια σάλτσα είναι αόρατο σε μια φωτογραφία.
• Αντιμετώπισε τα σπιτικά στιφάδα και κάρι ως τη χειρότερη περίπτωση, και καταγράφε τα από τα συστατικά τους αντί από φωτογραφία όταν το γεύμα έχει σημασία.

Σε σύγκριση με τι;

Η χρήσιμη σύγκριση δεν είναι το AI έναντι ενός τέλειου αριθμού, είναι το AI έναντι του πώς θα κατέγραφες διαφορετικά το γεύμα, κάτι που είναι επίσης ανακριβές.

Μια μελέτη του 2018 στο Nutrients ζήτησε από 38 επαγγελματίες διατροφής να εκτιμήσουν μερίδες από φωτογραφίες τροφίμων. Μόλις το 23,7% των εκτιμήσεών τους για το πιάτο βρέθηκε εντός 10% της πραγματικής ζυγισμένης ποσότητας, με μέση απόλυτη ποσοστιαία διαφορά 47,6%. Η εργασία Nutrition5k που παρουσιάστηκε στο CVPR 2021 πραγματοποίησε έναν μικρότερο ανθρώπινο έλεγχο παράλληλα με το σύνολο δεδομένων των περίπου 5.000 πιάτων: 4 διατροφολόγοι και 16 ερασιτέχνες βαθμολόγησαν 10 πιάτα επιλεγμένα να είναι απλούστερα από τον μέσο όρο του συνόλου δεδομένων. Οι διατροφολόγοι είχαν μέσο σφάλμα 41% και οι ερασιτέχνες 53%. Διάβασε αυτό ως τάξη μεγέθους σε ένα ευνοϊκό δείγμα, όχι ως εκτίμηση πληθυσμού.

Η χειροκίνητη καταγραφή σε εφαρμογή έχει τη δική της μεροληψία, αν και μικρότερη από όσο υποδηλώνει ο πρώτος αριθμός. Μια μετα-ανάλυση του 2021 στο Advances in Nutrition, που συγκέντρωσε 11 μελέτες εφαρμογών καταγραφής διατροφής, βρήκε ότι υποεκτιμούσαν την πρόσληψη ενέργειας κατά μέσο όρο 202 kcal την ημέρα (95% CI: 319 έως 85 kcal). Το μεγαλύτερο μέρος αυτής της διαφοράς οφείλεται στον πίνακα σύστασης τροφίμων και όχι στην ίδια την καταγραφή: όπου η εφαρμογή και η μέθοδος αναφοράς χρησιμοποίησαν τον ίδιο πίνακα, η συνολική απόκλιση έπεσε στα 57 kcal την ημέρα (95% CI: απόκλιση 116 kcal έως πλεόνασμα 2 kcal) και η ετερογένεια μεταξύ των μελετών μηδενίστηκε. Σε μια ημέρα 2.000 θερμίδων αυτό είναι κάτω από 3%, οπότε η προσεκτική χειροκίνητη καταγραφή με αντίστοιχη βάση δεδομένων είναι πράγματι η πιο ακριβής μέθοδος.

Άρα η εκτίμηση με φωτογραφία ενός μεικτού πιάτου είναι ανακριβής, όπως ανακριβής είναι και ένας διατροφολόγος που κοιτάζει το ίδιο πιάτο. Η προσεκτική χειροκίνητη καταχώριση νικάει και τους δύο σε ακρίβεια, και χάνει και από τους δύο στο αν θα συνεχίσεις να την κάνεις. Αυτό που αλλάζει η καταγραφή με φωτογραφία δεν είναι η ακρίβεια αλλά το αν θα καταγράψεις καν το γεύμα, και ένα καταγεγραμμένο γεύμα με μια διορθώσιμη εκτίμηση νικάει ένα μη καταγεγραμμένο.

Να είσαι επιφυλακτική με τους ισχυρισμούς για ακρίβεια

Αρκετοί ιστότοποι δημοσιεύουν αριθμούς ακρίβειας που ακούγονται επακριβείς για εφαρμογές θερμίδων, μερικοί παραθέτοντας μελέτες και DOI που δεν υπάρχουν. Καμία εφαρμογή δεν διαθέτει δημοσιευμένη, αξιολογημένη από ομοτίμους επικύρωση του τελικού προϊόντος της. Όπου ένας αριθμός δεν έχει πίσω του ονομαζόμενο περιοδικό, μέγεθος δείγματος και μεθοδολογία, αντιμετώπισέ τον ως μάρκετινγκ. Αυτό περιλαμβάνει και τους δικούς μας: οι αριθμοί σε αυτή τη σελίδα παραπέμπουν σε ανεξάρτητη έρευνα, όχι στις δικές μας δοκιμές.

Είναι το «Αρκετά Κοντά» Αρκετά Καλό;

Για τους περισσότερους ανθρώπους, ναι. Ένα διψήφιο περιθώριο σφάλματος ακούγεται σημαντικό μεμονωμένα, αλλά το πλαίσιο έχει σημασία.

Ούτε οι χειροκίνητες καταχωρήσεις σε βάσεις δεδομένων είναι απόλυτα ακριβείς. Οι βάσεις δεδομένων που τροφοδοτούνται από χρήστες περιέχουν λάθη, οι ορισμοί μεγέθους μερίδας διαφέρουν μεταξύ πηγών, και τα σπιτικά γεύματα σπάνια ταιριάζουν με την ακριβή μέθοδο παρασκευής που υποθέτει μια καταχώρηση στη βάση δεδομένων. Η πρακτική ακρίβεια της χειροκίνητης καταγραφής για σπιτικό φαγητό είναι χαμηλότερη απ’ όσο υποθέτουν οι περισσότεροι.

Ακόμα πιο σημαντικό, η συνέπεια μετράει περισσότερο από την ακρίβεια για σκοπούς καταγραφής. Αν συγκρίνεις trackers που βασίζονται σε AI με παραδοσιακές εφαρμογές βάσης δεδομένων, η σύγκριση VitaCal vs MyFitnessPal καλύπτει τις πρακτικές διαφορές στην προσέγγιση καταγραφής. Αν το AI αποκλίνει συστηματικά κατά 15% για ένα συγκεκριμένο γεύμα που τρως τακτικά, η καταγεγραμμένη πρόσληψή σου εξακολουθεί να αντικατοπτρίζει την πραγματική σου πρόσληψη σε σχετικούς όρους. Οι εβδομαδιαίες τάσεις σου, οι αντιδράσεις σου σε διατροφικές αλλαγές και η πρόοδός σου με τον καιρό παραμένουν όλα ουσιαστικά. Ο στόχος της καταγραφής είναι να χτίσεις επίγνωση και να εντοπίσεις μοτίβα, όχι να πετύχεις μέτρηση εργαστηριακής ακρίβειας για κάθε γεύμα.

Αυτό που καταστρέφει την καταγραφή δεν είναι το περιθώριο σφάλματος. Αυτό που καταστρέφει την καταγραφή είναι η εγκατάλειψη της συνήθειας επειδή η καταγραφή είναι πολύ αργή ή πολύ κοπιαστική. Η καταγραφή με φωτογραφία AI αντιμετωπίζει αυτό το πρόβλημα άμεσα.

Πώς να Πετύχεις Καλύτερα Αποτελέσματα

Μερικές απλές συνήθειες θα βελτιώσουν την ποιότητα των εκτιμήσεων του AI:

• Έλεγξε τι εντόπισε το AI πριν επιβεβαιώσεις την καταγραφή. Αν έχει παραλείψει ένα συστατικό ή έχει αναγνωρίσει κάτι λάθος, μπορείς να το διορθώσεις πριν την αποθήκευση.
• Τράβα φωτογραφίες απευθείας από ψηλά με καλό φωτισμό. Αυτό παίρνει ένα επιπλέον δευτερόλεπτο και κάνει μετρήσιμη διαφορά.
• Για γεύματα όπου η ακρίβεια έχει σημασία, καταγράφε τα ξεχωριστά συστατικά χωριστά αντί ως ένα πιάτο. Αυτό δίνει στο μοντέλο μια πιο καθαρή εργασία για κάθε είδος.
• Χρησιμοποίησε χειροκίνητη καταχώριση για συσκευασμένα τρόφιμα. Αν υπάρχει διατροφική ετικέτα, χρησιμοποίησέ την. Κράτησε την καταγραφή με AI για γεύματα όπου έχει πραγματικό πλεονέκτημα: μαγειρεμένο φαγητό, γεύματα εστιατορίου και οτιδήποτε διαφορετικά θα έπρεπε να αναζητήσεις.

Η Προσέγγιση του VitaCal

Για το πώς συγκρίνεται η καταγραφή με φωτογραφία μεταξύ των εφαρμογών που την προσφέρουν, δες τον οδηγό εφαρμογών αναγνώρισης τροφής με AI.

Το VitaCal σου δείχνει ακριβώς τι αναγνώρισε το AI στη φωτογραφία σου πριν καταγραφεί οτιδήποτε. Μπορείς να δεις τις μεμονωμένες τροφές, τις εκτιμώμενες μερίδες τους, και τις θερμίδες και τα μακροθρεπτικά που προκύπτουν. Αν κάτι φαίνεται λάθος, μπορείς να προσαρμόσεις τις μερίδες ή να αφαιρέσεις είδη πριν επιβεβαιώσεις. Τίποτα δεν καταγράφεται χωρίς τον δικό σου έλεγχο.

Αν θέλεις να δεις πώς λειτουργεί η καταγραφή με AI στην πράξη, δοκίμασε το VitaCal δωρεάν. Το δωρεάν επίπεδο περιλαμβάνει πέντε αναλύσεις AI την εβδομάδα χωρίς διαφημίσεις.