עד כמה מדויק זיהוי מזון באמצעות AI? למה לצפות

פורסם באפריל 2026

רישום ארוחות מתמונה באמצעות AI מהיר משמעותית מחיפוש ידני במאגר מזונות. אבל שאלה נפוצה לפני המעבר היא: עד כמה זה מדויק באמת? התשובה הישירה היא שזה תלוי במה שאת אוכלת ובאיך שאת מצלמת. הנה מה שהטכנולוגיה יכולה ומה שהיא לא יכולה.

AI לזיהוי מזון: איך הטכנולוגיה עובדת

בינה מלאכותית לזיהוי מזון היא ראייה ממוחשבת שמופעלת על צלחת: מודל שאומן על תמונות מזון מתויגות, שמזהה מה מופיע בתצלום ומעריך כמה ממנו יש. אותו סוג מודל מפעיל אפליקציות קלוריות לצרכנים ואת ממשקי ה-API המסחריים לזיהוי מזון שמסעדות, בתי חולים ופלטפורמות בריאות בונים עליהם. כל מימוש מריץ את אותם חמישה שלבים.

• זיהוי. המודל מוצא את האזורים בתמונה שמכילים אוכל בכלל, ומפריד אותם מהצלחת, מהשולחן ומהרקע.
• פילוח. כל אזור מזון מפוצל לפריטים נפרדים, כך שמוקפץ הופך לחלבון, ירקות, אורז ורוטב ולא לאובייקט אחד.
• סיווג. כל קטע מותאם לקטגוריות המזון שהמודל אומן עליהן. זה השלב שכיום אמין: מודלים מודרניים מזהים אלפי מנות.
• הערכת נפח ומנה. המודל מסיק כמה מכל פריט קיים לפי גודלו הנראה ביחס לצלחת, לסכו״ם או לעצמי ייחוס אחרים. השלב הזה, לא הסיווג, הוא המקור לכמעט כל השגיאה.
• חיפוש תזונתי. כל מזון שזוהה מותאם למנה המשוערת שלו ומותאם לערכי קלוריות ומאקרו.

כשאת מצלמת ארוחה, מודל ראייה של AI מנתח את התמונה כדי לזהות מזונות בודדים. הוא מסתכל על צורות, צבעים, מרקמים והקשר כדי לקבוע מה על הצלחת. לאחר שהמזונות מזוהים, המערכת מעריכה גדלי מנות לפי רמזים חזותיים, כולל הגודל הנראה של כל פריט ביחס לצלחת, לסכום או לנקודות ייחוס אחרות בפריים.

מההערכות האלה היא מחשבת קלוריות ומאקרו לפי הערכים התזונתיים של המאכלים שזוהו. כל התהליך נמשך בדרך כלל כמה שניות.

עד כמה זה מדויק?

בארוחות נפוצות שנראות בבירור, זיהוי מזון באמצעות AI מדויק במידה סבירה. צלחת עם חזה עוף, אורז וירקות מאודים היא סוג הארוחה שבו ה-AI מצליח. הרכיבים הבודדים נראים, אפשר להעריך את גדלי המנות, והמזונות הם כאלה שהמודל ראה פעמים רבות. עד כמה ההערכה קרובה לאמת אי אפשר לצמצם בכנות לאחוז אחד. הסקירה השיטתית משנת 2023 ב-Annals of Medicine סרקה 14,059 פרסומים, שמרה 52 שפורסמו בין 2010 ל-2023, ומצאה שגיאות יחסיות ממוצעות בקלוריות בטווח של 0.1% עד 38.3% ביניהם. המחברים לא הצליחו לאחד את המחקרים האלה למספר אחד, כי מאגרי תמונות המזון והתוצאות המדווחות היו שונים מדי לצורך מטא-אנליזה. מה שהסקירה כן קובעת הוא הכיוון: השגיאות היו נמוכות יותר בתמונות של מזונות בודדים או פשוטים.

הדיוק יורד במנות מעורבות. קערת תבשיל, פשטידה או קארי מכילים רכיבים שמוסתרים חלקית או לגמרי. ה-AI יכול לזהות מהי המנה, אבל הוא לא רואה מה בתוכה, ולכן ההערכות נשענות יותר על מתכונים אופייניים ופחות על מה שבאמת יש בסיר שלך. טווח השגיאה מתרחב.

רטבים, שמנים ותיבולים הם תמיד קשים. סלט עם שמן זית וסלט עם ויניגרט קל נראים כמעט זהים בתמונה. הפרש הקלוריות ביניהם יכול להיות משמעותי. שמני בישול שנוספו למחבת לפני הטיגון נעלמים לגמרי מהתמונה הסופית.

מזונות ארוזים עם תווית תזונתית מטופלים טוב יותר בהזנה ידנית או בסריקת ברקוד. למנה של 200 גרם מיוגורט ממותג ספציפי יש פרופיל תזונתי ידוע ומדויק. הערכת AI מוסיפה אי ודאות מיותרת כשהנתון האמיתי מודפס על האריזה.

מה משפיע על הדיוק

כמה גורמים מעשיים משפיעים על ביצועי ה-AI בכל תמונה נתונה:

• תאורה. תמונות מוארות היטב נותנות למודל יותר מידע חזותי לעבוד איתו. תאורה חלשה משטיחה מרקמים ומורידה את דיוק הצבעים, וכך קשה יותר לזהות את המזון נכון.
• זווית. תמונות מלמעלה (ישירות מעל הצלחת) נוטות להניב את התוצאות הטובות ביותר. זוויות מהצד יכולות להסתיר פריטי מזון מאחורי פריטים אחרים ולהפוך את הערכת המנה לפחות אמינה.
• סידור האוכל. קל יותר לנתח מאכלים שמפוזרים בצלחת במנות נפרדות מאשר מאכלים בערימה או מעורבבים. אם יש לך כמה פריטים, פזרי אותם לפני הצילום.
• עצמים לייחוס. הכללה של קצה צלחת, מזלג או עצם מוכר אחר בפריים עוזרת למודל לכייל את גודל המנה. חתיכת עוף נראית שונה מאוד בקנה מידה ליד מזלג לעומת ליד כלום.

ארוחות מעורבות קשות יותר ממזונות בודדים

חזה עוף בגריל ליד אורז וברוקולי הוא שלוש צורות נפרדות עם קצוות ברורים. קארי, תבשיל, פשטידה או סלט עם רוטב הוא מסה חזותית אחת שבה הרכיבים חופפים, מסתירים זה את זה ושונים בצפיפות. ה-AI מעריך את הסוג השני פחות מדויק במידה ניכרת, וזה הגורם החזוי הגדול ביותר לשאלה אם הערכת תמונה תהיה קרובה לאמת.

הסקירה השיטתית מ-2023 ב-Annals of Medicine, שכיסתה 52 מחקרים שפורסמו בין 2010 ל-2023, מצאה שגיאות יחסיות ממוצעות בקלוריות בטווח של 0.10% עד 38.3%, ודיווחה ש“השגיאות נטו להיות קטנות יותר בתמונות של מזון בודד לעומת תמונות של מזונות מרובים”. היא מצביעה ישירות על המקרה הקשה: “תמונות עם מנות מעורבות (כגון קארי) או צלחות עם מגוון מזונות חופפים בגבהים שונים או בגבולות לא ברורים מציבות סיכון גבוה יותר לשגיאות סיווג או חלוקה”. מתוך 22 שגיאות הערכת הנפח הנמוכות ביותר בכל המחקרים שנסקרו, 68% הגיעו מתמונות של מזון בודד.

ניתוח של GPT-4V מול ארוחות ייחוס שנשקלו, שפורסם ב-IEEE Journal of Biomedical and Health Informatics ב-2024, נתן מספרים לפער. הערכת פריט מזון אחד בכל פעם, על פני 32 פריטים, הניבה שגיאת קלוריות מוחלטת ממוצעת של 69.2 קק״ל. הערכת אירוע האכילה כולו, על פני 10 אירועים, הניבה 151.2 קק״ל, בערך כפול. הסיבה היא הצטברות: גודל המנה הוא מקור השגיאה הדומיננטי, ומנה מעורבת דורשת הערכת גודל נפרדת לכל רכיב, וכל אחת נושאת שגיאה משלה.

זה לא סגור לגמרי. מחקר מ-2025 ב-Nutrients שניתח 195 מנות מצא מתאם חלש בלבד בין מספר המרכיבים לשגיאה (r לא גבוה מ-0.37) והסיק שמספר הרכיבים אינו גורם קריטי. הסיכום הכן הוא שהפרדה חזותית חשובה יותר ממספר המרכיבים: צלחת עם שישה מזונות נפרדים בבירור קלה יותר מקערה עם שלושה מזונות מעורבבים.

מה זה אומר בפועל

• צלמי לפני שמערבבים. צלמי את הרכיבים בעודם נפרדים, לא את הקערה אחרי הערבוב.
• פצלי ארוחה מעורבת לשתי תמונות כשזה סביר. שתי הערכות בודדות עדיפות על הערכה מורכבת אחת.
• תקני את האומדן לכל דבר מעורבב, ברוטב או בשכבות. שומן הוא הרכיב שהכי עקבית מוערך בחסר בכל המחקרים, ושמן ברוטב בלתי נראה בתמונה.
• התייחסי לתבשילים ולקארי ביתיים כמקרה הגרוע ביותר, ורשמי אותם מהמרכיבים ולא מתמונה כשהארוחה חשובה.

בהשוואה למה?

ההשוואה השימושית אינה AI מול מספר מושלם, אלא AI מול האופן שבו היית רושמת את הארוחה אחרת, וגם הוא לא מדויק.

מחקר מ-2018 ב-Nutrients ביקש מ-38 אנשי מקצוע בתחום התזונה להעריך מנות מתמונות של אוכל. רק 23.7% מהערכות הצלחת שלהם היו בטווח של 10% מהכמות האמיתית שנשקלה, עם הפרש אחוזי מוחלט ממוצע של 47.6%. עבודת Nutrition5k שהוצגה ב-CVPR 2021 ערכה בדיקה אנושית קטנה יותר לצד מאגר של כ-5,000 מנות: 4 תזונאים ו-16 חובבים דירגו 10 מנות שנבחרו כך שיהיו פשוטות מממוצע המאגר. התזונאים הגיעו לשגיאה ממוצעת של 41% והחובבים ל-53%. קראי זאת כסדר גודל על מדגם נוח, לא כאומדן לאוכלוסייה.

גם לרישום ידני באפליקציה יש הטיה משלו, אך קטנה מזו שהנתון הבולט מרמז עליה. מטה-אנליזה מ-2021 ב-Advances in Nutrition שאיחדה 11 מחקרים על אפליקציות לתיעוד תזונתי מצאה שהן העריכו בחסר את צריכת האנרגיה ב-202 קק״ל ביום בממוצע (רווח בר-סמך של 95%: 319 עד 85 קק״ל). רוב הפער נובע מטבלת הרכב המזון ולא מהרישום: כשהאפליקציה ושיטת הייחוס השתמשו באותה טבלה, החסר המשוקלל ירד ל-57 קק״ל ביום (רווח בר-סמך של 95%: חסר של 116 קק״ל עד עודף של 2 קק״ל) והשונות בין המחקרים ירדה לאפס. ביום של 2,000 קלוריות זה פחות מ-3%, ולכן הזנה ידנית קפדנית מול מאגר תואם היא אכן השיטה המדויקת יותר.

כלומר אומדן תמונה של מנה מעורבת אינו מדויק, וגם דיאטנית שמסתכלת על אותה צלחת לא מדויקת. הזנה ידנית קפדנית מנצחת את שניהם בדיוק, ומפסידה לשניהם בשאלה אם ממשיכים לעשות אותה. מה שרישום תמונה משנה אינו הדיוק אלא אם בכלל רושמים את הארוחה, וארוחה רשומה עם אומדן שאפשר לתקן עדיפה על ארוחה שלא נרשמה.

היי סקפטית לגבי טענות דיוק

כמה אתרים מפרסמים נתוני דיוק שנשמעים מדויקים עבור אפליקציות קלוריות, חלקם מצטטים מחקרים ו-DOI שלא קיימים. לאף אפליקציה אין אימות שפורסם ועבר ביקורת עמיתים עבור המוצר שהיא מפיצה בפועל. כשלמספר אין מאחוריו כתב עת בשם, גודל מדגם ומתודולוגיה, התייחסי אליו כשיווק. זה כולל אותנו: הנתונים בדף הזה מצוטטים ממחקר עצמאי, לא מהבדיקות שלנו.

האם “קרוב מספיק” מספיק טוב?

לרוב האנשים, כן. שולי טעות דו-ספרתיים נשמעים משמעותיים כשלעצמם, אבל ההקשר חשוב.

גם הזנות ידניות במאגר אינן מדויקות לגמרי. מאגרים שמשתמשים מזינים בהם מכילים טעויות, הגדרות של גודל מנה משתנות בין מקורות, וארוחות ביתיות כמעט אף פעם לא תואמות את שיטת ההכנה שהונחה ברשומה במאגר. הדיוק המעשי של רישום ידני לאוכל ביתי נמוך ממה שרוב האנשים מניחים.

חשוב מכך, עקביות חשובה יותר מדיוק לצורך מעקב. אם את משווה בין מעקבי AI לאפליקציות מסורתיות מבוססות מאגר, ההשוואה בין VitaCal ל-MyFitnessPal מכסה את ההבדלים המעשיים בגישת הרישום. אם ה-AI טועה באופן שיטתי ב-15% בארוחה מסוימת שאת אוכלת באופן קבוע, הצריכה הרשומה שלך עדיין משקפת את הצריכה האמיתית שלך במונחים יחסיים. המגמות השבועיות שלך, התגובות שלך לשינויים תזונתיים וההתקדמות שלך לאורך זמן עדיין משמעותיות. מטרת המעקב היא לבנות מודעות ולזהות דפוסים, לא להגיע למדידה ברמת מעבדה של כל ארוחה.

מה ששובר מעקב הוא לא שולי הטעות. מה ששובר מעקב הוא נטישת ההרגל כי הרישום איטי מדי או דורש יותר מדי מאמץ. רישום בצילום בעזרת AI מטפל בבעיה הזו ישירות.

איך להשיג תוצאות טובות יותר

כמה הרגלים פשוטים ישפרו את איכות אומדני ה-AI שלך:

• בדקי מה ה-AI זיהה לפני שאת מאשרת את הרישום. אם הוא פספס רכיב או זיהה משהו לא נכון, אפשר לתקן לפני השמירה.
• צלמי מלמעלה ישר בתאורה טובה. זה לוקח שנייה נוספת ויוצר הבדל מדיד.
• בארוחות שבהן הדיוק חשוב, רשמי כל רכיב בנפרד ולא כצלחת אחת. כך המודל מקבל משימה נקייה יותר לכל פריט.
• השתמשי בהזנה ידנית למזונות ארוזים. אם יש תווית תזונתית, השתמשי בה. שמרי את הרישום באמצעות AI לארוחות שבהן יש לו יתרון אמיתי: אוכל מבושל, ארוחות במסעדות, וכל דבר שאחרת היית צריכה לחפש.

הגישה של VitaCal

להשוואה בין האפליקציות שמציעות רישום בצילום, ראי את מדריך אפליקציות זיהוי קלוריות מתמונה בעזרת AI.

VitaCal מראה לך בדיוק מה ה-AI זיהה בתמונה שלך לפני שמשהו נרשם. אפשר לראות את המאכלים הבודדים, את המנות המוערכות שלהם ואת הקלוריות והמאקרו שהתקבלו. אם משהו נראה לא נכון, אפשר לשנות מנות או להסיר פריטים לפני האישור. שום דבר לא נרשם בלי שבדקת אותו.

אם את רוצה לראות איך רישום בעזרת AI עובד בפועל, נסי את VitaCal בחינם. התוכנית החינמית כוללת חמישה ניתוחי AI בשבוע וללא פרסומות.