Hur exakt är AI-igenkänning av mat? Det här kan du förvänta dig

Publicerad april 2026

AI-driven fotologgning av måltider är betydligt snabbare än att söka manuellt i en livsmedelsdatabas. Men en vanlig fråga innan man byter är: hur exakt är den egentligen? Det ärliga svaret är att det beror på vad du äter och hur du fotograferar. Här är vad tekniken kan och inte kan göra.

AI för matigenkänning: så fungerar tekniken

AI för matigenkänning är datorseende tillämpat på en tallrik: en modell som tränats på märkta matbilder och som identifierar vad som finns på ett foto och uppskattar hur mycket det är. Samma typ av modell driver konsumentappar för kalorier och de kommersiella API:er för matigenkänning som restauranger, sjukhus och hälsoplattformar bygger på. Varje implementering går igenom samma fem steg.

• Detektering. Modellen hittar de delar av bilden som alls innehåller mat och skiljer dem från tallriken, bordet och bakgrunden.
• Segmentering. Varje matområde delas upp i separata delar, så att en wok blir protein, grönsaker, ris och sås i stället för ett enda objekt.
• Klassificering. Varje segment matchas mot de livsmedelskategorier som modellen tränats på. Det här är steget som numera är pålitligt: moderna modeller känner igen tusentals rätter.
• Volym- och portionsuppskattning. Modellen drar slutsatser om hur mycket av varje del som finns utifrån dess skenbara storlek jämfört med tallriken, bestick eller andra referensobjekt. Det är i det här steget, inte i klassificeringen, som nästan allt fel uppstår.
• Näringsuppslag. Varje identifierat livsmedel skalas till sin uppskattade portion och matchas mot kalori- och makronäringsvärden.

När du tar ett foto av en måltid analyserar en AI-bildmodell bilden för att identifiera enskilda livsmedel. Den tittar på former, färger, texturer och sammanhang för att avgöra vad som finns på tallriken. När livsmedlen är identifierade uppskattar systemet portionsstorlekar utifrån visuella ledtrådar, bland annat hur stor varje sak ser ut i förhållande till tallriken, bestick eller andra referenspunkter i bilden.

Utifrån dessa uppskattningar beräknar den kalorier och makronutrienter med hjälp av näringsvärdena för de identifierade livsmedlen. Hela processen tar vanligtvis några sekunder.

Hur exakt är det?

För vanliga, tydligt synliga måltider är AI-igenkänning av mat någorlunda exakt. En tallrik med kycklingbröst, ris och ångade grönsaker är den sortens måltid där AI presterar bra. De enskilda delarna syns, portionsstorlekarna går att uppskatta och maten är sådan som modellen sett många gånger. Hur nära uppskattningen hamnar går inte ärligt att reducera till en enda procentsats. Den systematiska översikten från 2023 i Annals of Medicine gick igenom 14 059 publikationer, behöll 52 publicerade mellan 2010 och 2023 och fann genomsnittliga relativa fel för kalorier på mellan 0,1 % och 38,3 % i dem. Författarna kunde inte slå ihop studierna till en enda siffra, eftersom bilddatabaserna för mat och de rapporterade resultaten varierade för mycket för en metaanalys. Det översikten däremot visar är riktningen: felen var lägre för bilder av enstaka eller enkla livsmedel.

Noggrannheten sjunker för blandade rätter. En skål gryta, en ugnsform eller en curry innehåller ingredienser som är delvis eller helt dolda. AI:n kan identifiera vilken rätt det är, men inte se vad som finns inuti, så uppskattningarna bygger mer på typiska recept än på vad som faktiskt finns i din kastrull. Felmarginalen blir större.

Såser, oljor och dressingar är genomgående svåra. En sallad med olivolja och en sallad med en lätt vinägrett ser nästan identiska ut på ett foto. Kaloriskillnaden mellan dem kan vara stor. Matolja som tillsatts i pannan före wokning syns inte alls på det färdiga fotot.

Förpackade livsmedel med näringsdeklaration hanteras bättre med manuell inmatning eller streckkodsskanning. En portion på 200 g av en viss yoghurtsort har en känd, exakt näringsprofil. AI-uppskattning tillför onödig osäkerhet när facit står tryckt på förpackningen.

Vad som påverkar noggrannheten

Flera praktiska faktorer påverkar hur väl AI:n presterar på ett givet foto:

• Ljus. Väl upplysta foton ger modellen mer visuell information att arbeta med. Dåligt ljus plattar ut texturer och minskar färgnoggrannheten, vilket gör maten svårare att identifiera korrekt.
• Vinkel. Foton uppifrån (rakt ovanför tallriken) tenderar att ge bäst resultat. Sidovinklar kan skymma livsmedel bakom andra livsmedel och göra portionsuppskattningen mindre tillförlitlig.
• Hur maten ligger. Mat som ligger utspridd på tallriken i tydliga portioner är lättare att analysera än travad eller blandad mat. Om du äter flera saker hjälper det att sprida ut dem innan du fotograferar.
• Referensföremål. Om du har med en tallrikskant, en gaffel eller något annat välbekant föremål i bilden hjälper det modellen att kalibrera portionsstorleken. En bit kyckling ser väldigt annorlunda ut i skala bredvid en gaffel än bredvid ingenting.

Blandade måltider är svårare än enskilda livsmedel

Ett grillat kycklingbröst bredvid ris och broccoli är tre tydliga former med skarpa kanter. En curry, en gryta, en ugnsrätt eller en tillagad sallad är en enda visuell massa där delarna överlappar, döljer varandra och varierar i täthet. AI uppskattar den andra sortens måltid betydligt sämre, och det är den enskilt största faktorn för om en fotouppskattning hamnar nära.

Den systematiska översikten från 2023 i Annals of Medicine, som omfattade 52 studier publicerade mellan 2010 och 2023, fann genomsnittliga relativa fel för kalorier på mellan 0,10 % och 38,3 %, och rapporterade att felen ”tended to be smaller for the single food images compared to multiple food images”. Den pekar direkt ut det svåra fallet: ”images with mixed dishes (such as curries) or plates with a variety of overlapping foods of varying heights or with unclear boundaries present higher risk for classification or segmentation errors”. Av de 22 lägsta volymuppskattningsfelen i de granskade studierna kom 68 % från bilder med en enda mat.

En analys med GPT-4V mot vägda referensmåltider, publicerad i IEEE Journal of Biomedical and Health Informatics 2024, satte siffror på glappet. Att uppskatta ett livsmedel i taget, över 32 livsmedel, gav ett genomsnittligt absolut kalorifel på 69,2 kcal. Att uppskatta hela måltiden, över 10 måltider, gav 151,2 kcal, ungefär dubbelt så mycket. Orsaken är att felen ackumuleras: portionsstorlek är den dominerande felkällan, och en blandad rätt kräver en separat portionsbedömning för varje del, där varje bedömning har sitt eget fel.

Det här är inte helt avgjort. En studie från 2025 i Nutrients som analyserade 195 rätter fann bara svag korrelation mellan antalet ingredienser och felet (r högst 0,37) och drog slutsatsen att antalet komponenter inte var en avgörande faktor. Det ärliga sammandraget är att visuell separerbarhet spelar större roll än antalet ingredienser: en tallrik med sex tydligt åtskilda livsmedel är lättare än en skål med tre blandade.

Vad det betyder i praktiken

• Fotografera före blandning. Ta bilden på delarna medan de fortfarande är åtskilda, inte på den omrörda skålen.
• Dela upp en blandad måltid i två foton där du rimligen kan. Två enskilda uppskattningar slår en sammansatt uppskattning.
• Rätta uppskattningen för allt som är blandat, har sås eller ligger i lager. Fett är det näringsämne som oftast underskattas i alla studier, och olja i en sås syns inte på ett foto.
• Behandla hemlagade grytor och curryrätter som värsta fall och logga dem utifrån ingredienserna i stället för ett foto när måltiden spelar roll.

Jämfört med vad?

Den användbara jämförelsen är inte AI mot ett perfekt tal, utan AI mot hur du annars skulle logga måltiden, vilket också är oexakt.

En studie från 2018 i Nutrients lät 38 näringsexperter uppskatta portioner utifrån matbilder. Bara 23,7 % av deras uppskattningar av tallriken låg inom 10 % av den faktiska vägda mängden, med en genomsnittlig absolut procentuell skillnad på 47,6 %. Nutrition5k-arbetet som presenterades på CVPR 2021 gjorde en mindre mänsklig kontroll vid sidan av sin datamängd på cirka 5 000 rätter: 4 nutritionister och 16 amatörer bedömde 10 rätter som valts för att vara enklare än datamängdens genomsnitt. Nutritionisterna hade i snitt 41 % fel och amatörerna 53 %. Läs det som en storleksordning på ett gynnsamt urval, inte som en uppskattning för befolkningen.

Manuell loggning i appar har sin egen snedvridning, men en mindre än siffran i rubriken antyder. En metaanalys från 2021 i Advances in Nutrition som slog samman 11 studier av appar för kostregistrering fann att de underskattade energiintaget med i genomsnitt 202 kcal per dag (95 % KI: 319 till 85 kcal). Det mesta av glappet beror på livsmedelstabellen snarare än på loggningen: där appen och referensmetoden använde samma tabell sjönk det sammanvägda underskottet till 57 kcal per dag (95 % KI: ett underskott på 116 kcal till ett överskott på 2 kcal) och heterogeniteten mellan studierna sjönk till noll. På en dag med 2 000 kalorier är det under 3 %, så noggrann manuell inmatning mot en matchande databas är faktiskt den mer exakta metoden.

Fotouppskattning av en blandad rätt är alltså oexakt, och det är en dietist som tittar på samma tallrik också. Noggrann manuell inmatning slår båda på träffsäkerhet och förlorar mot båda på om du fortsätter göra det. Det fotologgning ändrar är inte träffsäkerheten utan om du loggar måltiden alls, och en loggad måltid med en uppskattning som går att rätta slår en ologgad.

Var skeptisk till påståenden om träffsäkerhet

Flera webbplatser publicerar exakt klingande träffsäkerhetssiffror för kaloriappar, vissa med hänvisning till studier och DOI-nummer som inte finns. Ingen app har en publicerad, referentgranskad validering av sin levererade produkt. Där en siffra saknar namngiven tidskrift, urvalsstorlek och metod bakom sig, behandla den som marknadsföring. Det gäller även oss: siffrorna på den här sidan hänvisar till oberoende forskning, inte till våra egna tester.

Är ”tillräckligt nära” tillräckligt bra?

För de flesta, ja. En felmarginal på tvåsiffriga procent låter stor isolerad, men sammanhanget spelar roll.

Manuella databasposter är inte heller helt exakta. Användarinskickade databaser innehåller fel, portionsstorlekar definieras olika mellan källor och hemlagad mat stämmer sällan med det tillagningssätt som antagits i en databaspost. Den praktiska noggrannheten vid manuell loggning av hemlagad mat är lägre än de flesta tror.

Viktigare är att konsekvens betyder mer än precision när det gäller loggning. Om du jämför AI-baserade räknare med traditionella databasappar går jämförelsen VitaCal mot MyFitnessPal igenom de praktiska skillnaderna i hur man loggar. Om AI:n systematiskt ligger fel med 15 % för en måltid du äter regelbundet speglar ditt loggade intag fortfarande ditt faktiska intag i relativa termer. Dina veckotrender, dina reaktioner på kostförändringar och dina framsteg över tid är fortfarande meningsfulla. Målet med loggning är att skapa medvetenhet och hitta mönster, inte att uppnå mätning i laboratoriekvalitet av varje måltid.

Det som förstör spårningen är inte felmarginalen. Det som förstör spårningen är att överge vanan för att loggningen är för långsam eller för krävande. AI-fotologgning tar itu med just det problemet.

Så får du bättre resultat

Några enkla vanor förbättrar kvaliteten på dina AI-uppskattningar:

• Granska vad AI:n identifierade innan du bekräftar loggningen. Om den missat en ingrediens eller identifierat något fel kan du rätta det innan du sparar.
• Ta foton rakt uppifrån i bra ljus. Det tar en extra sekund och gör en mätbar skillnad.
• För måltider där noggrannhet spelar roll, logga de enskilda delarna separat i stället för som en hel tallrik. Det ger modellen en tydligare uppgift för varje del.
• Använd manuell inmatning för förpackade livsmedel. Om det finns en näringsdeklaration, använd den. Spara AI-loggningen till måltider där den har en verklig fördel: lagad mat, restaurangmåltider och allt du annars skulle behöva söka efter.

VitaCals tillvägagångssätt

Hur fotologgning jämförs mellan de appar som erbjuder det finns i guiden till appar för kaloriräkning med fotoigenkänning.

VitaCal visar exakt vad AI:n identifierade i ditt foto innan något loggas. Du ser de enskilda livsmedlen, deras uppskattade portioner och de resulterande kalorierna och makrona. Om något ser fel ut kan du justera portioner eller ta bort poster innan du bekräftar. Inget loggas utan din granskning.

Om du vill se hur AI-loggning fungerar i praktiken kan du prova VitaCal gratis. Gratisnivån innehåller fem AI-analyser per vecka utan reklam.