Bluff Parlor › Blog › IA

Come funziona il conteggio calorie con foto e IA

Pubblicato: · 4 min di lettura · English version · Magyar változat · Deutsche Version · Wersja polska · Versiunea în română · Slovenská verzia · Česká verze · Versión en español · Version française · Hrvatska verzija · Версия на русском

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

Cosa fa davvero un contatore di calorie con foto

Un contatore di calorie con foto compie in genere tre operazioni in sequenza. Riconosce gli alimenti presenti nel piatto, stima la quantità di ciascuno e poi converte tale quantità in calorie e macro (proteine, carboidrati, grassi) servendosi di una tabella di composizione degli alimenti. Il primo passaggio è il riconoscimento dell'immagine. Il secondo, stimare la porzione a partire da una foto piatta, è la parte difficile. Il terzo è una consultazione di tabelle: tra gli esempi pubblici figura FoodData Central dell'USDA, che raccoglie dati di composizione degli alimenti in diversi tipi di dati, dagli alimenti analizzati ai prodotti di marca.

Il risultato è una stima, non una misura. Sapere qual è il passaggio più debole indica dove conviene ricontrollare.

Il rapporto tra calorie e macro

Calorie e macro sono legate da una semplice aritmetica. I fattori generali di Atwater, comunemente usati per le calorie riportate in etichetta, sono circa 4 kcal per grammo di proteine, 4 kcal per grammo di carboidrati, 9 kcal per grammo di grassi e 7 kcal per grammo di alcol. Si tratta di valori medi: l'energia effettiva di un alimento specifico può discostarsene in una certa misura.

Un esempio: un pasto con 30 g di proteine, 50 g di carboidrati e 20 g di grassi equivale a 30 × 4 + 50 × 4 + 20 × 9 = 120 + 200 + 180 = 500 kcal. Se un'app mostra macro e calorie che non tornano esattamente, tra i motivi più comuni ci sono gli arrotondamenti e i fattori specifici dei singoli alimenti.

Quanto è accurato?

La ricerca offre un quadro eterogeneo ma utile:

  • Una revisione sistematica del 2023 pubblicata su Annals of Medicine (Shonkoff e colleghi) ha esaminato 52 studi su stime del volume, dell'energia o dei nutrienti degli alimenti a partire da immagini digitali, con metodi basati sull'IA e completamente automatizzati. In media, le prestazioni dell'IA erano simili a quelle di valutatori umani, e gli errori risultavano inferiori per alimenti singoli o semplici. Gli errori relativi medi riportati andavano da circa lo 0,1% al 38% per le calorie e da circa lo 0,1% al 33% per il volume. Gli studi erano troppo diversi tra loro per essere riassunti in un unico valore.
  • Una revisione sistematica del 2020 pubblicata su Nutrition Reviews (Amoutzopoulos e colleghi) ha rilevato che gli strumenti di stima delle porzioni basati su immagini (un gruppo più ampio rispetto alle app di IA odierne) hanno ottenuto risultati migliori dei modelli fisici di alimenti e delle stoviglie domestiche negli studi di validazione esaminati, precisando però che pochi di tali studi erano di alta qualità.

In parole semplici: le stime da foto possono essere competitive rispetto ad altri metodi, ma l'intervallo di errore è ampio, e i pasti semplici e ben visibili sono più facili di quelli complessi.

Dove le stime sbagliano

  • Dimensione della porzione. Una foto non ha profondità. La stessa ciotola può contenere quantità molto diverse.
  • Ciò che la fotocamera non vede. L'olio di cottura, i condimenti, le salse e i ripieni sotto una copertura non compaiono nell'immagine.
  • Piatti misti. Stufati, timballi e piatti a strati sono più difficili di un piatto con elementi separati.
  • Alimenti simili. Alimenti diversi possono avere un aspetto simile pur differendo nelle calorie.

Come sfruttare al meglio un'app basata sulle foto

Conviene considerare il primo risultato un punto di partenza e correggerlo. In PlateFit si fotografa il piatto, l'IA stima calorie e macro e il risultato può essere modificato in seguito: è proprio lì che trovano posto le conoscenze su olio, porzione o salsa. Alcune abitudini aiutano con qualsiasi app di questo tipo: fotografare il piatto dall'alto e con buona luce, tenere separati gli elementi quando possibile e correggere le quantità quando sono note.

PlateFit è la nostra app di IA per alimentazione e allenamento. Oltre alle stime di calorie e macro da foto, offre programmi di allenamento per dimagrire, aumentare la massa muscolare e la forza, oltre a ricette sane con un menu giornaliero e una lista della spesa. Funziona nel browser e come app Android. Esiste un unico piano a 4,99 € al mese e un piano famiglia fino a 8 persone a 7,99 € al mese, con 14 giorni di prova gratuita.

Una nota sulla salute

I valori di calorie e macro sono uno strumento di consapevolezza, non un consiglio medico. Per esigenze alimentari specifiche, condizioni mediche o disturbi del comportamento alimentare, la persona a cui rivolgersi è un medico o un dietista abilitato.

I risultati della ricerca sono quelli pubblicati nelle revisioni citate; i dati sull'accuratezza variano in base allo studio e al metodo. Questa guida ha solo scopo informativo.

Domande frequenti

Come funziona un contatore di calorie con foto?

Riconosce gli alimenti nella foto, stima le porzioni e le converte in calorie e macro (proteine, carboidrati, grassi) in base ai dati di composizione degli alimenti.

Quanto è accurato il conteggio delle calorie con IA da una foto?

Una revisione del 2023 su 52 studi ha rilevato errori relativi medi da circa lo 0,1% al 38% per le calorie, con errori inferiori per alimenti singoli o semplici. Il risultato va considerato una stima.

Quante calorie ci sono in un grammo di proteine, carboidrati e grassi?

I fattori generali di Atwater sono circa 4 kcal per grammo di proteine, 4 kcal per grammo di carboidrati e 9 kcal per grammo di grassi (7 kcal per grammo di alcol).

È possibile modificare le stime di PlateFit?

Sì. PlateFit stima calorie e macro da una foto del piatto e il risultato può essere modificato in seguito.

Fonti

  • 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)

Elaborato a partire dalle fonti citate; i dettagli possono cambiare dopo la pubblicazione.

Altro in IA

Ultimi articoli