Распознавание еды в Nutrify отправляет фото блюда в большую мультимодальную модель ИИ, которая описывает увиденное словами. Поэтому оно не ограничено фиксированным списком обученных блюд. Благодаря этому оно может назвать инджеру с мисир вот, масала доса или миску фо, а также части тарелки.
На региональных и домашних вариантах блюд оно все равно ошибается. Короткая заметка вроде «южноиндийская доса с чатни» (пример, который сама приложение и предлагает) исправляет большинство ошибок.
Ключевые выводы
- Открытый набор, а не фиксированное меню. Модель описывает блюдо, а не выбирает из нескольких сотен категорий, поэтому редкие кухни не отсекаются.
- Правильное название - не весь ответ. Размер порции и скрытый жир (гхи, кокосовое молоко, сливки) все равно могут исказить калории.
- Контекст важнее второго фото. Самый быстрый способ что-то исправить - написать или сказать, что есть в блюде.
- Семейные рецепты стоит сохранять в библиотеку. Импортируйте их один раз и записывайте порцию в одно касание.
- Какой Nutrify это? Эта статья о Nutrify - AI Calorie Tracker, а не о похожих по названию приложениях.
Какой Nutrify это?
Несколько продуктов носят похожее название. Эта статья о Nutrify - AI Calorie Tracker от Tappect LLC, доступном в App Store. Это не Nutrify: Whole Food Tracker, отдельное приложение, которое распознает заданный список из более чем 1 000 цельных продуктов на устройстве, и не NutrifyAI, исследовательский прототип на основе детектора YOLOv8.
Как Nutrify определяет блюдо
- Вы делаете фото или выбираете снимок из галереи. До анализа можно добавить детали текстом или голосом.
- ИИ описывает тарелку. Он называет блюдо и каждый продукт на нем, например «куриный бирьяни, райта, папад».
- Он оценивает количество каждого продукта по тому, что видно на фото.
- Он формирует запись с калориями, белком, углеводами и жирами, а также со списком ингредиентов, который можно редактировать.
- Вы подтверждаете или корректируете. Меняете название, количество или порцию, и цифры пересчитываются.
Если фото неудобно, можно описать блюдо текстом или голосом либо отсканировать штрихкод упакованного продукта. Техническое объяснение есть в статье как работает распознавание еды ИИ.
Почему кухня все еще важна
Старые системы распознавания еды были классификаторами: они учились на фиксированном наборе меток и выбирали ближайшую. Если блюда не было в списке, приложение угадывало что-то похожее. Наборы данных быстро выросли. Food2K, опубликованный в IEEE TPAMI, содержит 2 000 категорий и более 1 млн изображений, примерно в десять раз больше, чем у прежних наборов. Но даже 2 000 меток - мало по сравнению с мировой кухней.
| Подход | Как называет еду | Сильная сторона | Слабое место |
|---|---|---|---|
| Классификатор с фиксированным списком | Выбирает ближайшую из обученных меток | Быстрый, может работать на телефоне | Все, чего нет в списке, получает самый похожий аналог |
| Мультимодальная модель ИИ (Nutrify) | Описывает блюдо и его части словами | Справляется с блюдами и сочетаниями, для которых нет метки | Может уверенно ошибаться в редких региональных блюдах |
Исследования показывают, что кухня влияет на цифры, а не только на название:
- Перуанские обеды: на 510 фото обедов из перуанской кулинарной книги лучшая из протестированных моделей, даже зная название блюда, совпала с калорийностью по рецепту лишь в 45% случаев, со средним отклонением 108 калорий (Journal of Nutrition, 2026).
- Японские обеды: когда исследователи попросили шесть моделей ИИ думать как японский диетолог, все модели снизили оценки калорий, а ошибка на небольших порциях японской столовой упала примерно на 20 пунктов (Nutrients, 2026). Нормы порций различаются от кухни к кухне, поэтому порция по умолчанию у модели может не совпадать с вашей.
Блюда, которым нужна небольшая помощь
Ниже самые частые проблемные случаи и одна деталь, которая исправляет каждый из них.
| Кухня | Сложный случай | Почему | Что добавить |
|---|---|---|---|
| Индийская | Даль, корма, баттер чикен | Гхи, сливки и масло не видны | «Сделано на 1 ст. л. гхи», «ресторанное, сливочное» |
| Южноиндийская | Масала доса, идли с самбаром | Начинка скрыта; глубину самбара трудно оценить | «Масала доса, картофельная начинка», «240 мл (1 чашка) самбара» |
| Эфиопская | Инджера с несколькими вотами | Общее блюдо на подносе; инджера скрыта под соусами | «2 куска инджеры, моя порция с подноса» |
| Тайская и вьетнамская | Карри, фо | Кокосовое молоко и объем бульона | «Зеленое карри с кокосовым молоком», «большая миска» |
| Корейская | Набор банчхан | Много маленьких блюд | Сканируйте или записывайте каждое блюдо, которое съели |
| Мексиканская | Буррито, энчилады | Рис, фасоль и сыр завернуты | Разверните или перечислите начинку |
| Ближневосточная | Мезе, хумус | Оливковое масло скапливается сверху | «Около 1 ст. л. оливкового масла сверху» |
Остальные советы по сканированию: снимайте сверху, держите всю тарелку в кадре, а для комбо-обедов сканируйте каждый продукт отдельно. В нашем руководстве отслеживание международной кухни с ИИ разобраны блюда по одному, а калорийность индийской еды и гид по питательности тайской еды дают цифры для частых заказов. Почему жир здесь так важен, см. в статье как ИИ оценивает размер порции.
Что делать, если ИИ ошибся
- Переименуйте. Нажмите на название блюда и введите правильное.
- Используйте AI Refine. Добавьте заметку, например «приготовлено на кокосовом молоке», «было жареным» или «съел около 200 г», и запись пересчитается.
- Исправьте ингредиенты. Добавьте пропущенный продукт описанием, штрихкодом или этикеткой либо введите вручную. Удалите то, что не было на вашей тарелке.
- Отправьте на проверку. Если результат явно неверный, сообщите о нем из записи, и его проверят.
- Сохраните частые блюда. Импортируйте семейный рецепт по ссылке, фото страницы кулинарной книги или списку ингредиентов, а затем записывайте порцию из библиотеки. Как вести домашние рецепты с ИИ, описано в статье учет домашних рецептов с ИИ.
Nutrify доступен на 15 языках и предлагает 7-дневный пробный период, затем платную подписку.
Источники
- Nutrify - AI Calorie Tracker in the App Store (листинг прочитан 26.10.2026).
- Min W, et al. Large scale visual food recognition (Food2K). IEEE TPAMI.
- Carrillo-Larco RM, et al. Evaluating large language model accuracy in predicting Peruvian meal nutrition. J Nutr, 2026.
- Nakagawa S, Yamamoto A. A Japanese-dietitian prompt systematically shifts portion estimates in LLM-based nutrient estimation from food images. Nutrients, 2026.
- NutrifyAI: an AI-powered system for real-time food detection. arXiv, 2024.
- Nutrify: Whole Food Tracker listing summary, MWM.



