Подсчет калорий по фото с помощью ИИ - полезная оценка, а не измерение. В независимых тестах оценки по фото отличались примерно на четверть-треть и чаще оказывались заниженными. Тест NIH четырех популярных приложений показал, что они занижали на 250-345 калорий на прием пищи.
Точность заметно растет, когда вы сообщаете приложению, что в блюде и сколько, а для продуктов, которые едите чаще всего, используете штрихкод или весы.
Ключевые выводы
- Ошибки смещаются вниз: большинство исследований показали, что ИИ занижает калории, особенно при больших порциях и блюдах с большим количеством жира.
- Определить еду проще, чем взвесить: ИИ часто верно называет блюдо, но ошибается с количеством и скрытым маслом.
- Контекст помогает: в исследовании ChatGPT 2025 года добавление ингредиентов и количеств сделало оценки точнее.
- Люди тоже не идеальны: дневники по памяти пропускали до половины реального потребления.
- Проверяйте по весам: сравнение записанных калорий и изменения веса за 2-4 недели покажет, не занижаете ли вы.
Что показали исследования
| Исследование | Что тестировали | Основной результат |
|---|---|---|
| NIH (NIDDK), представлено в июле 2026 | MyFitnessPal, Lose It!, Cal AI и Appediet на фото 102 приемов пищи с известным составом | Калории на 250-345 ниже на прием в среднем; жир около 30 г ниже; сложнее всего высокожирные кетодиетические блюда. Предварительные данные, не прошли рецензирование |
| Fridolfsson и соавт., 2025 | ChatGPT-4o, Claude 3.5 Sonnet и Gemini 1.5 Pro на 52 стандартизированных фото еды | Средняя ошибка по калориям 35,8% у ChatGPT и Claude; Gemini 64-110% по разным нутриентам; все занижали большие порции |
| Rodríguez-Jiménez и соавт., 2025 | ChatGPT-5 на 195 блюдах, с все большим контекстом | Ошибка снижалась по мере добавления описаний и количеств ингредиентов; без фото становилось хуже |
| Nakagawa и Yamamoto, 2026 | Три модели Claude на 691 японском и 1 463 американских фото блюд и около 1 000 фото упакованных продуктов из Японии | Claude Sonnet 4.6 ошибался в среднем на 117 калорий на американское фото; упакованные продукты оценивались лучше блюд; соль оценивалась плохо |
| Vedovelli и соавт., 2026 | 40 визуально-языковых моделей против профессиональных диетологов | Важнее всего была модель; дополнительные ракурсы фото не помогали; диетологи были намного точнее, особенно по белку |
| Serra и соавт., 2026 | Одно приложение с ИИ по фото (SNAQ) в повседневной жизни 7 дней против дважды меченой воды, 20 женщин с ожирением | Приложение занижало потребление на 25% (817 калорий в день); 24-часовой опрос о питании занижал на 50% |
Два паттерна проходят через все эти исследования. Ошибки достаточно велики, чтобы иметь значение для одного приема пищи, и в основном они указывают в одну сторону: вниз.
Почему калории по ИИ выходят заниженными
Камера видит верх тарелки. Она не может взвесить еду, увидеть глубину миски или понять, сколько масла ушло на сковороду. Калории прячутся именно там.
- Размер порции: одно и то же фото может показать 150 г или 250 г пасты. В исследовании 2025 года занижение росло вместе с порциями.
- Скрытый жир: сливочное масло, растительное масло, заправки и кремовые соусы калорийны и плохо видны. В тесте NIH жир занижался сильнее всего, а блюда с высоким содержанием жира были сложнее всего.
- Смешанные блюда: рагу, карри, запеканки и буррито прячут большую часть ингредиентов внутри.
- Необычные или региональные блюда: модель, которая видела меньше примеров блюда, имеет меньше данных для оценки.
Исключение - упакованные продукты, потому что работу делает этикетка. Поэтому для всего, что продается в упаковке, сканирование штрихкода лучше фото. Подробнее о том, как приложения оценивают количество, читайте в статье как ИИ оценивает размер порции.
ИИ, ручной учет и память
ИИ не соревнуется с идеалом. У любого способа подсчета калорий есть погрешность:
- Память: в классическом исследовании людей, которые говорили, что не могут похудеть на меньше чем 1 200 калорий, их реальное потребление занижалось на 47%, а физическая активность завышалась на 51% (Lichtman и соавт., 1992). В исследовании SNAQ 2026 года 24-часовой опрос пропускал 50%, что хуже, чем 25% у приложения.
- Этикетки на продуктах: FDA считает упакованный продукт неправильно маркированным, только если калорий больше заявленных на 20%, поэтому небольшие превышения допустимы.
- Цифры ресторанов: в лабораторных тестах 269 ресторанных блюд заявленные калории были в среднем верными, но у 19% блюд было на 100 калорий и больше, чем указано (Urban и соавт., 2011).
- Взвешивание и ручной учет: по-прежнему самый точный домашний метод, но и самый затратный по времени.
Поэтому оценка по фото менее точна, чем взвешенная запись по штрихкоду, а в некоторых исследованиях точнее памяти. Сравнение методов - в статьях ИИ или ручной учет калорий и сканирование штрихкода или распознавание фото ИИ.
Достаточно ли точен подсчет калорий с ИИ для похудения?
Может быть достаточно, если вы учитываете направление ошибки. Случайная ошибка, когда одни приемы пищи записаны выше, а другие ниже, за неделю в основном взаимно компенсируется. Систематическое занижение не компенсируется.
Допустим, ваша цель - дефицит 500 калорий в день. Если вы занижаете три приема по 250 калорий каждый, на деле вы съедаете на 750 калорий больше, чем думаете, и дефицит исчезает. Примерно такой разрыв и нашел тест NIH.
Решение - простая проверка:
- Записывайте все 2-4 недели и взвешивайтесь несколько раз в неделю в одно и то же время дня.
- Сравните средний записанный объем с трендом веса. Если вы записываете дефицит 500 калорий, а вес не меняется, скорее всего, записи занижены.
- Скорректируйте: либо записывайте точнее (см. ниже), либо снизьте цель по калориям на найденную разницу.
Ваш TDEE - отправная точка для этого сравнения.
Как сделать учет калорий с ИИ точнее
- Снимайте сверху, чтобы в кадре была вся тарелка. Вилка или рука в кадре дают представление о масштабе.
- Добавляйте то, что камера не видит. Напишите или скажите «приготовлено на 1 столовой ложке оливкового масла» или «с 2 столовыми ложками ранча». Контекст улучшил оценки в исследовании ChatGPT-5.
- Указывайте количество, если оно известно. «200 г куриной грудки» всегда точнее догадки.
- Исправьте порцию до сохранения. Если оценка выглядит меньше того, что вы съели, скорее всего, так и есть.
- Используйте штрихкод для упакованных продуктов и кухонные весы для того, что едите каждый день, например овсянки, риса, ореховой пасты и растительного масла.
- Разделяйте смешанные блюда, когда это возможно, или записывайте основные ингредиенты рагу, а не просто «рагу».
В нашем гайде по точному учету калорий больше о ресторанах и питании вне дома.
Когда лучше что-то другое, а не фото
- Упакованные продукты: сканируйте штрихкод.
- Продукты, которые едите каждый день: взвесьте один раз, сохраните и используйте запись повторно.
- Лечебные диеты: если вы управляете диабетом, болезнью почек или другим состоянием через питание, оценка по фото недостаточно точна. Работайте с врачом или зарегистрированным диетологом.
Где здесь Nutrify
Nutrify объединяет учет по фото, штрихкоду и голосу в одном месте. Фото удобно для быстрой тарелки, а штрихкод или введенное количество - когда нужна точность. Любую оценку можно поправить перед сохранением. В Nutrify есть 7-дневный бесплатный пробный период, затем платная подписка. Если вы сравниваете приложения, см. Cal AI или MyFitnessPal.
Источники
- American Society for Nutrition via ScienceDaily, Your AI calorie-tracking app may be off by 345 calories (26 июля 2026; исследование NIDDK, представлено на NUTRITION 2026).
- Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S. Performance evaluation of 3 large language models for nutritional content estimation from food images. Curr Dev Nutr, 2025.
- Rodríguez-Jiménez M, et al. Image-based dietary energy and macronutrients estimation with ChatGPT-5. Nutrients, 2025.
- Nakagawa S, Yamamoto A. Prompt engineering and model selection for LLM-based nutritional estimation from food images. Nutrients, 2026.
- Vedovelli L, et al. Model architecture dominates nutritional estimation accuracy in vision-language systems. Sci Rep, 2026.
- Serra M, et al. Limited validity of an AI-powered app for dietary assessment in females with obesity. NPJ Digit Med, 2026.
- Lichtman SW, et al. Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. N Engl J Med, 1992.
- Urban LE, et al. Accuracy of stated energy contents of restaurant foods. JAMA, 2011.
- US Code of Federal Regulations, 21 CFR 101.9(g)(5), соответствие маркировки питания.



