AI는 사진 속 음식을 접시, 그릇, 포크처럼 크기를 아는 물건과 비교하고, 학습한 이미지 속 일반적인 1인분 양과도 맞춰 분량을 추정해요. 도움은 되지만 정확하지는 않아요. 2025년 테스트에서 최고 수준의 범용 AI 모델도 무게를 평균 36% 정도 빗나갔고, 특히 많은 양은 적게 추정했어요.
카메라에 안 보이는 것(기름, 무게, 음료 크기)을 앱에 알려 주면, 어떤 촬영 요령보다 숫자가 더 나아져요.
핵심 요약
- 분량은 AI 칼로리 오차의 주요 원인이에요. 평면 사진에서는 높이와 밀도를 확실하게 읽어낼 수 없어요.
- 오차는 커요. 표준화된 사진으로 테스트했을 때 ChatGPT-4o와 Claude 3.5 Sonnet은 무게와 에너지를 약 36~37% 빗나갔어요.
- 많은 양은 적게 추정되기 쉽고, 숨은 지방은 빠지거나 잘못 판단되기 쉬워요.
- 맥락이 도움이 돼요. 2025년 연구에서 짧은 설명이나 재료의 양을 함께 주자 ChatGPT-5의 칼로리 추정이 더 정확해졌어요.
- 가장 좋은 사진: 바로 위에서, 접시 전체가 들어오게, 겹친 음식은 펼쳐서, 밝은 빛에서 찍으세요.
AI가 평면 사진을 그램으로 바꾸는 과정
음식 사진에서 모델은 가로와 세로는 알 수 있지만, 깊이는 직접 잴 수 없어요. 픽셀에서 칼로리까지 가려면 분량 추정은 보통 다섯 단계를 거쳐요.
- 음식을 찾아요. 모델이 밥, 닭고기, 샐러드를 각각 윤곽으로 나눠요.
- 기준 자를 찾아요. 접시, 그릇, 수저, 손은 크기가 어느 정도 일정해서 눈금 역할을 해요. 한 연구 시스템은 영양사의 방식을 흉내 내서, 작은술, 골프공, 컵 같은 학습된 기준 부피와 비교해 음식을 가늠해요.
- 높이를 추측해요. 깊이는 그림자, 모양, 각도로 추론해요. Nutrition5k 같은 데이터셋은 요리 사진에 깊이 이미지와 실제 측정 무게를 짝지어, 모델이 이를 배우게 해요.
- 분량의 사전 지식을 적용해요. 모델은 파스타나 닭가슴살 한 접시의 일반적인 모습을 알고 있어서, 사진이 애매하면 그 지식에 기대요.
- 칼로리로 바꿔요. 추정한 부피는 그 음식의 일반적인 밀도로 그램이 되고, 그램은 칼로리와 영양소로 바뀌어요.
각 단계마다 불확실성이 있고, 오차는 서로 곱해져요. 음식 인식은 잘 됐어도 높이 추측이 틀리면 칼로리 숫자도 틀려요. 인식 쪽을 더 알고 싶다면 AI 음식 인식의 원리를 참고하세요.
AI 분량 추정은 얼마나 정확한가
발표된 테스트는 설정이 제각각이라, 무엇을 측정했는지로 비교해 보세요.
| 연구 | 테스트 대상 | 주요 결과 |
|---|---|---|
| Fridolfsson et al., 2025 (Current Developments in Nutrition) | 3가지 분량으로 찍은 표준화 사진 52장에서 ChatGPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro 평가 | ChatGPT와 Claude의 무게 오차 약 36~37%. Gemini는 영양소별로 64~110% 오차. 모든 모델이 적게 추정했고 큰 분량일수록 더 심함 |
| Isobe et al., 2026 (Nutrients) | 밝은 빛 아래에서 위에서 찍은 병원식 15끼를 AI 모델 10종과 영양사 10명이 추정 | 영양사와 상위 모델 모두 칼로리에서 r > 0.8에 도달했고, 종종 10% 이내. 모든 모델이 지방을 20% 넘게 과대평가 |
| Rodriguez-Jimenez et al., 2025 (Nutrients) | 195가지 음식을 ChatGPT-5로, 맥락을 달리해 추정 | 사진만, 사진과 설명, 사진과 재료 분량 순으로 정확도가 단계적으로 올라감 |
| Nakagawa and Yamamoto, 2026 (Nutrients) | 일본과 미국의 식사 사진 2,159장으로 비전-언어 모델 6종 평가 | 분량이 주요 오차 원인이었고, 프롬프트 문구에 따라 분량 추정이 위로도 아래로도 바뀜 |
Fridolfsson 연구진은 범용 AI 모델이 자가 보고 식사 기록과 비슷한 수준이라고 평가했지만, 임상 치료나 운동선수처럼 정확한 숫자가 중요한 경우에는 충분히 정밀하지 않다고 봤어요. 인식 쪽까지 포함한 자세한 내용은 AI 칼로리 계산은 얼마나 정확한가에서 다뤘어요.
AI 분량 추정이 빗나가는 경우
큰 분량. Fridolfsson 연구에서는 양이 많을수록 모델의 과소평가가 커졌어요. 식당에서 수북하게 담긴 접시가 가장 어려운 경우예요.
쌓이거나 겹친 음식. 위에서 보면 패티가 두 장인 버거와 세 장인 버거가 거의 똑같아 보여요. 낮게 쌓인 팬케이크와 높게 쌓인 팬케이크도 마찬가지예요. 라자냐나 캐서롤은 층이 완전히 가려져요.
액체. 수프, 카레, 음료는 카메라로 잴 수 없는 깊이까지 그릇을 채워요. Nutrify의 스캔 팁에도 분명히 나와 있어요. AI는 액체의 깊이를 잴 수 없으니 크기를 입력하라고요(예: "주스 355 ml(12 oz)", "라지 아이스 라떼").
숨은 지방. 기름, 버터, 드레싱은 칼로리를 많이 더하지만 보이는 양은 적어요. AI는 이를 놓치거나 반대로 과하게 보정하기도 해요. 2026년 병원식 연구에서는 모든 모델이 지방을 과대평가했어요.
| 숨은 재료 | 양 | 칼로리 | 지방 (g) |
|---|---|---|---|
| 올리브유 | 13.5 g (1큰술) | 119 | 13.5 |
| 올리브유 | 4.5 g (1작은술) | 40 | 4.5 |
| 버터 | 14.2 g (1큰술) | 102 | 11.5 |
| 생크림 | 15 g (1큰술) | 51 | 5.4 |
수치는 USDA FoodData Central(FDC 171413, 173410, 170859)을 기준으로 해요.
분량 20% 오차가 중요한 이유
조리된 닭가슴살을 150 g 먹었는데 AI가 120 g으로 추정했다고 해 볼게요. USDA 기준 100 g당 165칼로리이므로, 실제로는 248칼로리인데 198칼로리로 기록된 셈이에요. 한 끼에 50칼로리를 놓친 거예요. 기록하지 않은 조리용 기름 1큰술을 더하면 차이는 약 170칼로리가 돼요.
이런 차이가 매일 쌓이면 적당한 칼로리 적자는 쉽게 사라져요. 가끔 크게 틀리는 것보다 작은 누락이 반복되는 게 더 큰 문제예요. 그래서 자주 먹는 식사는 한 번쯤 확인해 볼 가치가 있어요. 한 끼를 한 번 재고 그 수치를 다시 쓰는 방법은 집에서 칼로리를 재는 법에서 볼 수 있어요. 목표에 얼마나 여유가 있는지는 칼로리 적자 계산기로 확인해 보세요.
더 정확한 분량 추정을 위한 사진 찍는 법
처음 네 가지는 Nutrify 스캔 튜토리얼에서 알려 주는 팁이에요.
- 바로 위에서 찍으세요. 위에서 보면 AI가 접시와 음식을 같은 축척으로 잴 수 있어요.
- 모든 것을 프레임에 담으세요. 접시나 그릇을 가장자리까지 전부 보이게 하고, 잘린 부분이 없도록 하세요.
- 모든 항목이 보이게 하세요. 버거는 펼치고, 랩은 펴고, 뚜껑과 포일은 벗겨 주세요. 세트 메뉴는 항목별로 따로 스캔하세요.
- 밝고 고른 빛과 단순한 배경을 쓰세요. 휴대폰은 흔들리지 않게 잡아 주세요.
- 먹기 전에 찍으세요. 다 먹지 못했다면 나중에 양을 조정하세요.
더 많은 사진 습관은 AI 음식 인식에서 최고의 결과 얻기와 사진 음식 일기 가이드에서 볼 수 있어요.
스캔한 뒤에 추정 고치기
카메라는 음식을 보지만, 레시피는 당신만 알아요. Nutrify에서는 몇 초 만에 분량을 고칠 수 있어요.
- 사진 전후에 맥락을 더하세요. "올리브유 1큰술로 조리" 또는 "약 200 g" 같은 내용을 입력하거나 말로 전해 주세요. AI Refine 기능에서는 "약 200 g 먹었어요" 또는 "튀긴 음식이에요" 같은 메모도 쓸 수 있어요.
- 수량이나 분량을 편집하세요. 칼로리와 영양소는 자동으로 함께 바뀌어요.
- 재료를 추가하거나 삭제하세요. 실제로 먹은 소스, 드레싱, 곁들임을 포함하세요.
- 저울로 가끔 확인하세요. 자주 먹는 식사를 재서 추정과 비교해 보면, 다음 기록을 올릴지 내릴지 알 수 있어요.
Nutrify는 7일 무료 체험 후 유료 구독으로 이용할 수 있어요.
출처
- 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.
- App Store의 Nutrify(2026-10-26 기준 등록 정보 확인).



