Bluff Parlor › Blog › IA

Cómo funciona el conteo de calorías por foto con IA

Publicado: · 4 min de lectura · English version · Magyar változat · Deutsche Version · Wersja polska · Versiunea în română · Slovenská verzia · Česká verze · Version française · Versione italiana · Hrvatska verzija · Версия на русском

How AI Photo Calorie Counting Works (and Where It's Off)
Kép / Image: Bluff Parlor

Qué hace en realidad un contador de calorías por foto

Un contador de calorías por foto suele hacer tres cosas seguidas. Reconoce los alimentos del plato, estima la cantidad de cada uno y después convierte esa cantidad en calorías y macros (proteínas, carbohidratos, grasas) mediante una tabla de composición de alimentos. El primer paso es el reconocimiento de imágenes. El segundo, estimar el tamaño de la ración a partir de una imagen plana, es la parte difícil. El tercero es una consulta: entre los ejemplos públicos de estas tablas figura FoodData Central del USDA, que reúne datos de composición de alimentos en varios tipos de datos, desde alimentos analizados hasta productos de marca.

En conjunto se obtiene una estimación, no una medición. Saber cuál es el paso más débil indica dónde conviene volver a comprobar.

Cómo se relacionan las calorías con los macros

Las calorías y los macros se vinculan mediante una aritmética sencilla. Los factores generales de Atwater, de uso habitual en las calorías de las etiquetas, son de unos 4 kcal por gramo de proteína, 4 kcal por gramo de carbohidrato, 9 kcal por gramo de grasa y 7 kcal por gramo de alcohol. Son promedios, y la energía real de un alimento concreto puede diferir algo.

Un ejemplo: una comida con 30 g de proteína, 50 g de carbohidratos y 20 g de grasa suma 30 × 4 + 50 × 4 + 20 × 9 = 120 + 200 + 180 = 500 kcal. Si una app muestra macros y calorías que no cuadran exactamente, el redondeo y los factores específicos de cada alimento son motivos frecuentes.

¿Qué precisión tiene?

La investigación ofrece un panorama variado, pero útil:

  • Una revisión sistemática de 2023 publicada en Annals of Medicine (Shonkoff y colaboradores) abarcó 52 estudios sobre estimaciones totalmente automatizadas, basadas en IA, del volumen, la energía o los nutrientes de los alimentos a partir de imágenes digitales. En promedio, el rendimiento de la IA fue similar al de los evaluadores humanos, y los errores fueron menores en alimentos individuales o sencillos. Los errores relativos medios notificados oscilaron entre aproximadamente un 0,1 % y un 38 % para las calorías, y entre un 0,1 % y un 33 % para el volumen. Los estudios eran demasiado dispares para combinarlos en una sola cifra.
  • Una revisión sistemática de 2020 publicada en Nutrition Reviews (Amoutzopoulos y colaboradores) concluyó que las herramientas de estimación de raciones basadas en imágenes (un grupo más amplio que las apps de IA actuales) obtuvieron mejores resultados que los modelos físicos de alimentos y los utensilios domésticos en los estudios de validación examinados, aunque señaló que pocos de ellos eran de alta calidad.

En términos sencillos: las estimaciones por foto pueden competir con otros métodos, pero el margen de error es amplio, y las comidas simples y bien visibles resultan más fáciles que las complejas.

Dónde fallan las estimaciones

  • Tamaño de la ración. Una foto no tiene profundidad. El mismo cuenco puede contener cantidades muy distintas.
  • Lo que la cámara no ve. El aceite de cocinar, los aliños, las salsas y los rellenos bajo una cobertura no se aprecian en una imagen.
  • Platos mixtos. Los guisos, los gratinados y las comidas por capas son más difíciles que un plato con elementos separados.
  • Alimentos parecidos. Alimentos distintos pueden tener un aspecto similar y, sin embargo, diferir en calorías.

Cómo sacar más partido a una app basada en fotos

Conviene tratar el primer resultado como punto de partida y corregirlo. En PlateFit se fotografía el plato, la IA estima las calorías y los macros, y el resultado puede editarse después, que es justo donde encaja lo que se sabe sobre el aceite, la ración o la salsa. Algunos hábitos ayudan en cualquier app de este tipo: fotografiar el plato desde arriba y con buena luz, mantener separados los alimentos siempre que sea posible y ajustar las cantidades cuando se conocen.

PlateFit es nuestra app de IA para la alimentación y el entrenamiento. Además de las estimaciones de calorías y macros a partir de fotos, ofrece planes de entrenamiento para perder grasa, ganar músculo y aumentar la fuerza, así como recetas saludables con menú diario y lista de la compra. Funciona en el navegador y como app para Android. Hay un plan individual de 4,99 € al mes y un plan familiar para hasta 8 personas por 7,99 € al mes, con 14 días de prueba gratuita.

Una nota sobre la salud

Las cifras de calorías y macros son una herramienta para tomar conciencia, no un consejo médico. Ante necesidades dietéticas específicas, enfermedades o dudas sobre trastornos de la conducta alimentaria, lo adecuado es consultar a un médico o a un dietista-nutricionista titulado.

Los resultados de la investigación son los publicados en las revisiones citadas; las cifras de precisión varían según el estudio y el método. Esta guía tiene fines meramente informativos.

Preguntas

¿Cómo funciona un contador de calorías por foto?

Reconoce los alimentos de la foto, estima las raciones y las convierte en calorías y macros (proteínas, carbohidratos, grasas) a partir de datos de composición de alimentos.

¿Qué precisión tiene el conteo de calorías con IA a partir de una foto?

Una revisión de 2023 sobre 52 estudios halló errores relativos medios de aproximadamente un 0,1 % a un 38 % en las calorías, con errores menores en alimentos individuales o sencillos. El resultado debe considerarse una estimación.

¿Cuántas calorías tiene un gramo de proteína, de carbohidratos y de grasa?

Los factores generales de Atwater son de unos 4 kcal por gramo de proteína, 4 kcal por gramo de carbohidrato y 9 kcal por gramo de grasa (7 kcal por gramo de alcohol).

¿Se puede editar lo que estima PlateFit?

Sí. PlateFit estima las calorías y los macros a partir de una foto del plato, y el resultado puede editarse después.

Fuentes

  • Shonkoff et al., AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review (Annals of Medic
  • Amoutzopoulos et al., Portion size estimation in dietary assessment: a systematic review of existing tools, their strengths and limitations
  • USDA FoodData Central
  • University of Minnesota Nutrition Coordinating Center: primary energy sources (Atwater factors)

Elaborado a partir de las fuentes citadas; los datos pueden cambiar tras la publicación.

Más en IA

Últimas publicaciones