Aké presné je rozpoznávanie jedla pomocou AI? Čo očakávať

Publikované v apríli 2026

AI fotozáznam jedál je výrazne rýchlejší než ručné vyhľadávanie v databáze potravín. Bežná otázka pred prechodom však znie: aké je to naozaj presné? Úprimná odpoveď je, že to závisí od toho, čo ješ a ako to odfotíš. Tu je, čo táto technológia dokáže a čo nie.

AI na rozpoznávanie jedla: ako táto technológia funguje

AI na rozpoznávanie jedla je počítačové videnie použité na tanier: model natrénovaný na označených obrázkoch jedla, ktorý rozpozná, čo je na fotografii, a odhadne, koľko toho je. Rovnaká trieda modelov poháňa spotrebiteľské aplikácie na počítanie kalórií aj komerčné API na rozpoznávanie jedla, na ktorých stavajú reštaurácie, nemocnice a zdravotnícke platformy. Každá implementácia prechádza rovnakými piatimi fázami.

• Detekcia. Model nájde na obrázku oblasti, ktoré obsahujú jedlo, a oddelí ich od taniera, stola a pozadia.
• Segmentácia. Každá oblasť jedla sa rozdelí na jednotlivé položky, takže napríklad wok sa rozdelí na bielkoviny, zeleninu, ryžu a omáčku namiesto jedného objektu.
• Klasifikácia. Každý segment sa porovnáva s kategóriami potravín, na ktorých bol model natrénovaný. Toto je fáza, ktorá je dnes spoľahlivá: moderné modely rozpoznávajú tisíce jedál.
• Odhad objemu a porcie. Model odvodzuje množstvo každej položky z jej zdanlivej veľkosti voči tanieru, príboru alebo iným referenčným objektom. Práve tento krok, nie klasifikácia, je zdrojom takmer všetkých chýb.
• Vyhľadanie výživových hodnôt. Každá identifikovaná potravina sa prispôsobí odhadovanej porcii a priradia sa jej hodnoty kalórií a makroživín.

Keď odfotíš jedlo, model AI videnia analyzuje obrázok a identifikuje jednotlivé potraviny. Sleduje tvary, farby, textúry a kontext, aby určil, čo je na tanieri. Po identifikácii potravín systém odhaduje veľkosť porcií na základe vizuálnych vodítok, vrátane zdanlivej veľkosti každej položky vzhľadom na tanier, príbor alebo iné referenčné body v zábere.

Z týchto odhadov vypočíta kalórie a makroživiny pomocou výživových hodnôt identifikovaných potravín. Celý proces zvyčajne trvá pár sekúnd.

Aká presná je?

Pri bežných, jasne viditeľných jedlách je rozpoznávanie potravín pomocou AI pomerne presné. Tanier s kuracím prsníčkom, ryžou a dusenou zeleninou je typ jedla, pri ktorom AI funguje dobre. Jednotlivé zložky sú viditeľné, veľkosť porcie sa dá odhadnúť a ide o potraviny, ktoré model videl už mnohokrát. Ako presne odhad sedí, sa čestne nedá zhrnúť do jedného čísla. Systematický prehľad z roku 2023 v časopise Annals of Medicine preskúmal 14 059 publikácií, ponechal 52 z rokov 2010 až 2023 a zistil priemerné relatívne chyby pri kalóriách v rozsahu od 0,1 % do 38,3 %. Autori nemohli tieto štúdie spojiť do jedného čísla, pretože databázy fotografií jedla aj uvádzané výsledky sa príliš líšili na metaanalýzu. Prehľad ale jasne potvrdzuje smer: chyby boli nižšie pri fotografiách jednoduchých alebo jednozložkových jedál.

Presnosť klesá pri zmiešaných jedlách. Miska guláša, kastról alebo kari obsahuje zložky, ktoré sú čiastočne alebo úplne skryté. AI dokáže rozpoznať, o aké jedlo ide, ale nevidí, čo je vnútri, takže odhady sa spoliehajú viac na typické recepty než na to, čo skutočne máš v hrnci. Rozsah chyby sa zväčšuje.

Omáčky, oleje a dresingy sú vždy náročné. Šalát ochutený olivovým olejom a šalát s ľahkým vinaigrette vyzerajú na fotke skoro rovnako. Rozdiel v kalóriách medzi nimi ale môže byť výrazný. Kuchynské oleje pridané do panvice pred vyprážaním sú na výslednej fotke úplne neviditeľné.

Balené potraviny s výživovými štítkami je lepšie riešiť ručným zadaním alebo skenovaním čiarového kódu. 200 g porcia konkrétneho značkového jogurtu má známy, presný výživový profil. AI odhad zbytočne vnáša neistotu, keď je skutočný údaj vytlačený na obale.

Čo ovplyvňuje presnosť

Na to, ako dobre AI funguje pri danej fotke, vplýva niekoľko praktických faktorov:

• Osvetlenie. Dobre osvetlené fotky poskytujú modelu viac vizuálnych informácií. Slabé osvetlenie splošťuje textúry a znižuje presnosť farieb, čo sťažuje správnu identifikáciu jedla.
• Uhol záberu. Fotky zhora (priamo nad tanierom) zvyčajne dávajú najlepšie výsledky. Bočné uhly môžu zakryť potraviny za inými položkami a spraviť odhad porcie menej spoľahlivým.
• Usporiadanie jedla. Potraviny rozložené na tanieri v oddelených porciách sa analyzujú ľahšie než naskladané alebo zmiešané. Ak máš viac položiek, pomôže ich pred fotením rozložiť.
• Referenčné objekty. Ak do záberu zahrnieš okraj taniera, vidličku alebo iný známy predmet, pomôže to modelu kalibrovať veľkosť porcie. Kúsok kurčaťa vyzerá v mierke veľmi inak vedľa vidličky než úplne sám.

Zmiešané jedlá sú náročnejšie než jednotlivé potraviny

Grilované kuracie prsia vedľa ryže a brokolice sú tri odlišné tvary s jasnými okrajmi. Kari, dusené mäso, zapekaný pokrm alebo dresovaný šalát je jedna vizuálna hmota, v ktorej sa zložky prekrývajú, navzájom skrývajú a líšia sa hustotou. AI odhaduje druhý typ jedla výrazne menej presne, a práve toto je jediný najsilnejší predikátor toho, či bude odhad z fotky blízko realite.

Systematický prehľad z roku 2023 v časopise Annals of Medicine, ktorý pokrýva 52 štúdií publikovaných medzi rokmi 2010 a 2023, zistil priemerné relatívne chyby pri kalóriách v rozmedzí od 0,10 % do 38,3 % a uviedol, že chyby „bývali menšie pri fotkách jedného jedla v porovnaní s fotkami viacerých jedál“. Priamo vymedzuje aj náročný prípad: „fotky so zmiešanými pokrmami (napríklad kari) alebo taniere s viacerými prekrývajúcimi sa potravinami rôznych výšok alebo s nejasnými hranicami predstavujú vyššie riziko chýb v klasifikácii alebo segmentácii“. Z 22 najnižších chýb odhadu objemu naprieč skúmanými štúdiami ich 68 % pochádzalo z fotiek jedného jedla.

Analýza GPT-4V oproti váženým referenčným jedlám, publikovaná v časopise IEEE Journal of Biomedical and Health Informatics v roku 2024, dala tomuto rozdielu čísla. Odhadovanie jednej potraviny naraz, naprieč 32 položkami, prinieslo priemernú absolútnu chybu kalórií 69,2 kcal. Odhadovanie celej epizódy stravovania, naprieč 10 epizódami, prinieslo 151,2 kcal, teda zhruba dvojnásobok. Príčinou je kumulácia: veľkosť porcie je dominantným zdrojom chyby a zmiešané jedlo si vyžaduje samostatný odhad porcie pre každú zložku, pričom každá nesie vlastnú chybu.

Toto nie je úplne vyriešené. Štúdia z roku 2025 v časopise Nutrients, ktorá analyzovala 195 jedál, zistila len slabú súvislosť medzi počtom ingrediencií a chybou (r najviac 0,37) a dospela k záveru, že počet zložiek nie je kľúčovým faktorom. Poctivé zhrnutie znie, že viac než počet ingrediencií záleží na vizuálnej oddelenosti: tanier so šiestimi zreteľne oddelenými potravinami je jednoduchší než miska s tromi zmiešanými.

Čo to znamená v praxi

• Odfoť pred zamiešaním. Odfoť zložky, kým sú ešte oddelené, nie zamiešanú misku.
• Zmiešané jedlo rozdeľ na dve fotky, kde je to rozumne možné. Dva jednoduché odhady sú lepšie ako jeden kombinovaný.
• Uprav odhad pre všetko miešané, s omáčkou alebo vrstvené. Tuk je živina, ktorá sa v každej štúdii najčastejšie podceňuje, a olej v omáčke je na fotke neviditeľný.
• Domáce dusené jedlá a kari ber ako najhorší prípad, a keď na jedle záleží, zapisuj ich podľa ingrediencií, nie podľa fotky.

V porovnaní s čím?

Užitočné porovnanie nie je AI oproti dokonalému číslu, ale AI oproti tomu, ako by si jedlo zaznamenala inak – a to je tiež nepresné.

Štúdia z roku 2018 v časopise Nutrients požiadala 38 odborníkov na výživu, aby odhadli porcie z fotografií jedál. Len 23,7 % ich odhadov sa zmestilo do 10 % skutočnej odváženej hmotnosti, s priemernou absolútnou percentuálnou odchýlkou 47,6 %. Práca Nutrition5k prezentovaná na CVPR 2021 vykonala vedľa svojho súboru údajov s približne 5 000 jedlami menšiu ľudskú kontrolu: 4 odborníci na výživu a 16 amatérov hodnotili 10 jedál vybraných tak, aby boli jednoduchšie než priemer súboru. Odborníci mali priemernú chybu 41 % a amatéri 53 %. Ber to ako rádový odhad na priaznivej vzorke, nie ako odhad pre celú populáciu.

Ručný zápis v aplikácii má vlastné skreslenie, hoci menšie, než naznačuje hlavné číslo. Metaanalýza z roku 2021 v časopise Advances in Nutrition, ktorá spojila 11 štúdií aplikácií na záznam stravy, zistila, že v priemere podhodnocujú energetický príjem o 202 kcal denne (95% CI: 319 až 85 kcal). Väčšina tohto rozdielu ide na vrub tabuľky zloženia potravín, nie samotnému zápisu: tam, kde aplikácia a referenčná metóda používali rovnakú tabuľku, klesol súhrnný rozdiel na 57 kcal denne (95% CI: schodok 116 kcal až prebytok 2 kcal) a rozptyl medzi štúdiami klesol na nulu. Pri dni s 2 000 kalóriami je to menej než 3 %, takže starostlivý ručný zápis oproti zodpovedajúcej databáze je skutočne presnejšia metóda.

Odhad z fotky pri zmiešanom jedle je teda nepresný, rovnako ako odhad dietologičky pri pohľade na ten istý tanier. Starostlivé ručné zadávanie prekoná oboje v presnosti a prehráva s oboma v tom, či pri ňom vydržíš. Fotozáznam nemení presnosť, ale to, či jedlo vôbec zapíšeš, a zapísané jedlo s opraviteľným odhadom je lepšie než jedlo nezapísané.

Buď skeptická k tvrdeniam o presnosti

Niekoľko webov zverejňuje presne znejúce čísla presnosti pre aplikácie na počítanie kalórií, niektoré citujú štúdie a DOI, ktoré neexistujú. Žiadna aplikácia nemá zverejnenú, recenzovanú validáciu svojho skutočne vydávaného produktu. Kde za číslom nestojí pomenovaný časopis, veľkosť vzorky a metodológia, ber to ako marketing. Platí to aj pre nás: čísla na tejto stránke odkazujú na nezávislý výskum, nie na naše vlastné testovanie.

Je „dostatočne presné“ dosť dobré?

Pre väčšinu ľudí áno. Dvojciferná odchýlka znie samostatne významne, no záleží na kontexte.

Ani ručné zápisy z databázy nie sú dokonale presné. Databázy naplnené používateľmi obsahujú chyby, definície veľkosti porcií sa medzi zdrojmi líšia a domáce jedlá málokedy zodpovedajú presnému spôsobu prípravy predpokladanému v databázovom zázname. Praktická presnosť ručného zapisovania domácich jedál je nižšia, než si väčšina ľudí myslí.

Dôležitejšie je, že na účely sledovania záleží viac na konzistentnosti než na presnosti. Ak porovnávaš sledovače založené na AI s tradičnými aplikáciami s databázou, praktické rozdiely v prístupe k zaznamenávaniu nájdeš v porovnaní VitaCal vs MyFitnessPal. Ak je AI systematicky mimo o 15 % pri konkrétnom jedle, ktoré ješ pravidelne, tvoj zaznamenaný príjem stále odráža tvoj skutočný príjem v relatívnom vyjadrení. Tvoje týždenné trendy, reakcie na zmeny v strave aj celkový pokrok stále majú zmysel. Cieľom sledovania je budovať povedomie a odhaľovať vzorce, nie dosiahnuť laboratórnu presnosť merania každého jedla.

Sledovanie nerozbíja miera chyby. Sledovanie rozbíja opustenie návyku, pretože zapisovanie je príliš pomalé alebo namáhavé. Zapisovanie z fotiek pomocou AI rieši tento problém priamo.

Ako dosiahnuť lepšie výsledky

Niekoľko jednoduchých návykov zlepší kvalitu odhadov AI:

• Pred potvrdením záznamu skontroluj, čo AI identifikovala. Ak jej niečo uniklo alebo niečo rozpoznala nesprávne, môžeš to pred uložením opraviť.
• Foť z kolmého uhla zhora a pri dobrom osvetlení. Zaberie to o sekundu navyše a urobí to merateľný rozdiel.
• Pri jedlách, kde záleží na presnosti, zapisuj jednotlivé zložky samostatne, nie ako jeden tanier. To dáva modelu čistejšiu úlohu pre každú položku.
• Na balené potraviny používaj manuálne zadávanie. Ak je na obale nutričný štítok, použi ho. AI zaznamenávanie si nechaj na jedlá, kde má skutočnú výhodu: varené jedlo, reštauračné jedlá a čokoľvek, čo by si inak musela vyhľadávať.

Prístup VitaCal

Ako si zápis podľa fotiek vedie naprieč aplikáciami, ktoré ho ponúkajú, sa dozvieš v sprievodcovi AI aplikáciami na rozpoznávanie jedla podľa fotiek.

VitaCal ti presne ukáže, čo AI identifikovala na tvojej fotke, ešte predtým, než sa čokoľvek zapíše. Vidíš jednotlivé potraviny, ich odhadované porcie a výsledné kalórie a makroživiny. Ak niečo vyzerá nesprávne, môžeš upraviť porcie alebo odstrániť položky pred potvrdením. Nič sa nezapíše bez tvojej kontroly.

Ak chceš vidieť, ako AI zaznamenávanie funguje v praxi, vyskúšaj VitaCal zadarmo. Bezplatný plán zahŕňa päť AI analýz týždenne bez reklám.