L'IA estime la portion en comparant l'aliment de la photo à des objets de taille connue, comme l'assiette, le bol ou la fourchette, et aux portions typiques vues pendant l'entraînement. C'est utile mais pas précis : lors d'un test de 2025, les meilleurs modèles généralistes se sont trompés en moyenne de 36 % sur le poids des aliments, et ils sous-estimaient surtout les grosses portions.
Vous pouvez combler une grande partie de cet écart. Indiquer à l'application ce que l'appareil photo ne voit pas (l'huile, le poids, la taille de la boisson) améliore les chiffres plus que n'importe quelle astuce photo.
Points clés
- La taille de la portion est une source majeure d'erreur dans le comptage calorique par IA. Une photo plate ne donne pas d'information fiable sur la hauteur ni sur la densité.
- L'erreur typique est importante : environ 36 à 37 % pour le poids et l'énergie avec ChatGPT-4o et Claude 3.5 Sonnet sur des photos standardisées.
- Les grosses portions sont davantage sous-estimées que les petites, et les matières grasses cachées sont faciles à rater ou à mal évaluer.
- Le contexte aide. Une courte description ou les quantités d'ingrédients ont rendu plus précises les estimations caloriques de ChatGPT-5 dans une étude de 2025.
- Meilleure photo : par le dessus, assiette entière dans le cadre, aliments superposés étalés, bonne lumière.
Comment l'IA transforme une photo plate en grammes
Une photo d'aliment donne la largeur et la longueur, mais aucune mesure directe de la profondeur. Pour passer des pixels aux calories, une estimation de portion suit en général cinq étapes :
- Repérer chaque aliment. Le modèle délimite séparément le riz, le poulet et la salade.
- Chercher une règle. Assiettes, bols, couverts et mains ont des tailles assez prévisibles, ils servent donc de repères. Un système de recherche imite la façon de travailler des diététiciens : il évalue l'aliment par rapport à des volumes de référence appris, comme une cuillère à café, une balle de golf ou une tasse.
- Deviner la hauteur. La profondeur se déduit des ombres, de la forme et de l'angle. Des jeux de données comme Nutrition5k associent des photos de plats à des images de profondeur et à des poids mesurés, pour que les modèles apprennent à le faire.
- Appliquer les a priori de portion. Le modèle sait à quoi ressemble une portion typique de pâtes ou de blanc de poulet, et s'appuie dessus quand l'image est ambiguë.
- Convertir en calories. Le volume estimé devient des grammes grâce à la densité typique de l'aliment, puis les grammes deviennent calories et macronutriments.
Chaque étape ajoute de l'incertitude, et les erreurs se multiplient. Un bon repérage de l'aliment associé à une mauvaise estimation de la hauteur donne quand même un mauvais chiffre de calories. Pour un panorama plus large sur la reconnaissance, voir comment fonctionne la reconnaissance des aliments par IA.
Quelle est la précision de l'estimation de portion par IA ?
Les tests publiés varient beaucoup dans leur mise en place, il faut donc les comparer selon ce qu'ils ont mesuré.
| Étude | Ce qui a été testé | Résultat principal |
|---|---|---|
| Fridolfsson et al., 2025 (Current Developments in Nutrition) | ChatGPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Pro sur 52 photos standardisées en 3 tailles de portion | Erreur sur le poids d'environ 36-37 % pour ChatGPT et Claude ; erreur de 64 à 110 % pour Gemini selon les nutriments ; tous sous-estimaient, davantage pour les grosses portions |
| Isobe et al., 2026 (Nutrients) | 10 modèles d'IA contre 10 diététiciens sur 15 repas d'hôpital photographiés par le dessus en lumière vive | Diététiciens et meilleurs modèles ont atteint tous deux r > 0,8 pour les calories, souvent à 10 % près ; chaque modèle a surestimé les matières grasses de plus de 20 % |
| Rodriguez-Jimenez et al., 2025 (Nutrients) | ChatGPT-5 sur 195 plats, avec plus ou moins de contexte | La précision s'est améliorée pas à pas : photo seule, puis photo plus description, puis photo plus quantités d'ingrédients |
| Nakagawa et Yamamoto, 2026 (Nutrients) | 6 modèles vision-langage sur 2 159 photos de repas japonais et américains | La taille de la portion était une source majeure d'erreur, et la formulation de la consigne faisait monter ou baisser les estimations |
Les auteurs de l'étude Fridolfsson ont jugé que les modèles généralistes sont comparables aux journaux alimentaires déclarés par les personnes, mais pas assez précis là où les chiffres exacts comptent, comme en soins cliniques ou pour les sportifs. Notre analyse détaillée de la précision du comptage calorique par IA porte, elle, sur le volet identification.
Où l'estimation de l'IA déraille
Les grosses portions. Dans l'étude Fridolfsson, plus la portion était grande, plus les modèles la sous-estimaient. Une assiette de restaurant bien garnie est le cas le plus difficile.
Les aliments empilés et superposés. Un burger à deux steaks et un burger à trois se ressemblent beaucoup vus du dessus. Il en va de même pour une pile de pancakes haute ou basse. Les lasagnes et les gratins cachent entièrement leurs couches.
Les liquides. Soupes, currys et boissons remplissent un récipient à une profondeur que l'appareil photo ne peut pas mesurer. Les conseils de scan de Nutrify le disent clairement : l'IA ne peut pas mesurer la profondeur d'un liquide, donc indiquez la taille (« jus de 355 ml (12 oz) », « grand café glacé au lait »).
Les matières grasses cachées. Huile, beurre et vinaigrette apportent beaucoup de calories et se voient peu. L'IA peut les oublier, ou les corriger de façon excessive : l'étude hospitalière de 2026 a constaté que chaque modèle surestimait les matières grasses.
| Ingrédient caché | Quantité | Calories | Lipides (g) |
|---|---|---|---|
| Huile d'olive | 13,5 g (1 cuillère à soupe) | 119 | 13,5 |
| Huile d'olive | 4,5 g (1 cuillère à café) | 40 | 4,5 |
| Beurre | 14,2 g (1 cuillère à soupe) | 102 | 11,5 |
| Crème fraîche épaisse | 15 g (1 cuillère à soupe) | 51 | 5,4 |
Valeurs issues de USDA FoodData Central (FDC 171413, 173410, 170859).
Pourquoi une erreur de 20 % sur la portion compte
Imaginez que vous mangez 150 g de blanc de poulet cuit et que l'estimation en donne 120 g. Avec les 165 calories pour 100 g indiquées par l'USDA, cela fait 248 calories, enregistrées comme 198 : 50 calories manquantes en un seul repas. Ajoutez une cuillère à soupe d'huile de cuisson qui n'a jamais été notée, et l'écart atteint environ 170 calories.
Si cela se produit presque chaque jour, cela peut effacer un déficit calorique modeste. De petites erreurs répétées comptent plus qu'une grosse erreur occasionnelle, d'où l'intérêt de vérifier vos repas les plus fréquents. Notre guide sur la mesure des calories à la maison montre comment peser un repas une fois et réutiliser les chiffres, et le calculateur de déficit calorique indique la marge d'erreur que permet votre objectif.
Comment photographier les aliments pour de meilleures estimations
Les quatre premiers conseils sont ceux que Nutrify affiche dans son tutoriel de scan :
- Photographiez par le dessus. Une vue à vol d'oiseau permet à l'IA de mesurer l'assiette et les aliments sur la même échelle.
- Faites tenir tout dans le cadre. Gardez l'assiette ou le bol entièrement visibles, bords compris, sans rien de coupé.
- Rendez chaque élément visible. Ouvrez le burger, déroulez le wrap, retirez couvercles et films. Pour les menus composés, scannez chaque élément séparément.
- Utilisez une lumière vive et uniforme, un fond neutre, et tenez le téléphone stable.
- Photographiez avant de manger. Si vous ne finissez pas, ajustez la quantité ensuite.
D'autres habitudes pour les photos sont décrites dans comment obtenir les meilleurs résultats avec la reconnaissance des aliments par IA et dans notre guide du journal alimentaire photo.
Corriger l'estimation après le scan
La caméra voit l'aliment. Vous, vous connaissez la recette. Dans Nutrify, vous pouvez corriger une portion en quelques secondes :
- Ajoutez du contexte avant ou après la photo. Tapez ou dites des détails comme « cuit dans 1 cuillère à soupe d'huile d'olive » ou « environ 200 g ». L'option AI Refine accepte des notes comme « j'en ai mangé environ 200 g » ou « c'était frit ».
- Modifiez la quantité ou la portion. Calories et macronutriments se recalculent automatiquement.
- Ajoutez ou supprimez des ingrédients pour compter la sauce, la vinaigrette ou l'accompagnement que vous avez réellement mangés.
- Vérifiez avec une balance. Pesez un repas que vous mangez souvent, comparez-le à l'estimation, et vous saurez s'il faut revoir à la hausse ou à la baisse les saisies suivantes.
Nutrify propose un essai gratuit de 7 jours, puis un abonnement payant.
Sources
- Fridolfsson J, et al. Performance evaluation of 3 large language models for nutritional content estimation from food images. Curr Dev Nutr, 2025.
- Isobe T, et al. Accuracy of AI-based nutrient estimation from standardized hospital meal images. Nutrients, 2026.
- Rodriguez-Jimenez M, et al. Image-based dietary energy and macronutrients estimation with ChatGPT-5. Nutrients, 2025.
- Nakagawa S, Yamamoto A. A Japanese-dietitian prompt systematically shifts portion estimates in LLM-based nutrient estimation. Nutrients, 2026.
- Yang Z, et al. Human-mimetic estimation of food volume from a single-view RGB image using an AI system. Electronics, 2021.
- Thames Q, et al. Nutrition5k: towards automatic nutritional understanding of generic food. CVPR, 2021.
- USDA FoodData Central : chicken breast, roasted, FDC 171477 ; olive oil, FDC 171413 ; butter, salted, FDC 173410 ; heavy whipping cream, FDC 170859.
- Nutrify sur l'App Store (fiche consultée le 2026-10-26).



