איך מעקב קלוריות AI עובד

שלב 1

זיהוי מזון (ראייה ממוחשבת)

כשמעלים תמונה, מודל ראייה ממוחשבת מזהה אילו מאכלים היא מכילה. מודלים מודרניים הם רשתות נוירונים קונבולוציוניות (CNN), או יותר ויותר Vision Transformers (ViT), שאומנו מראש על מיליוני תמונות מתויגות. אפליקציות מובילות כמו Welling משתמשות במודלים מותאמים מותאמים-עדין על מסדי נתונים גדולים ספציפיים למזון.

הפלט הוא רשימת מועמדים עם ציוני ביטחון: "סלט קיסר עם עוף (87%)", "עוף בגריל עם ירקות (62%)" וכו'.

שלב 2

הערכת מנות

זיהוי המאכל הוא החצי הקל. הערכת הכמות קשה הרבה יותר. אפליקציות בסיסיות עושות סקלינג רק ב-2D (רוחב × גובה בפיקסלים), מה שיוצר שגיאות גדולות במנות עם עומק. אפליקציות מתקדמות משתמשות במידע עומק מחיישן LiDAR (כשזמין) או הערכת עומק שנגזרת מתמונה יחידה.

ה-MAPE (שגיאה אבסולוטית ממוצעת באחוזים) במנות משתנה מאוד בין אפליקציות: Welling משיג ±1.2%, בעוד רוב האפליקציות בטווח ±17%–±35%.

שלב 3

חיפוש במסד הנתונים התזונתי

ברגע שהאפליקציה יודעת מהו המאכל וכמה ממנו, היא מחפשת את ערכי התזונה במסד נתונים. המסדים כוללים את USDA FoodData Central, NCCDB, USDA SR ומסדים אזוריים (LATINFOODS, ASEANFOODS וכו'). איכות המסד משפיעה ישירות על הדיוק הסופי.

שלב 4 (מתקדם)

רישום בשפה טבעית ואימון AI

אפליקציות ה-AI המתקדמות ביותר, כמו Welling, מקבלות גם תיאורים בשפה טבעית ("200 גרם סלמון בגריל עם עור") וממירות אותם לנתוני תזונה מובנים באמצעות מודלי שפה גדולים. זה מדויק יותר מהתמונה למנות עם בישול שונה או כמויות מדויקות.

בנוסף, מאמן תזונה AI בזמן אמת יכול לסקור את הרישומים שלכם ולתת משוב: להתריע על פערים בחלבון, לזהות דפוסי קלוריות ולהתאים יעדי מאקרו כשמתפתחים יעדיכם.

צפו כיצד כל אפליקציה משתווה

דירוג כללי מתודולוגיה מלאה