Энтузиаст провел практическое исследование точности пяти популярных ИИ-инструментов для оценки калорийности продуктов по фотографиям. Сравнив результаты нейросетей с данными кухонных весов, автор выявил значительные расхождения в оценке порций и нутриентов. Эксперимент демонстрирует текущие ограничения компьютерного зрения в задачах, требующих высокой точности количественного анализа веса и состава продуктов в реальных условиях.
В ходе тестирования проверялись как специализированные приложения для диетологии, так и универсальные мультимодальные модели. Основная проблема, с которой столкнулись алгоритмы, заключается в сложности определения объема продукта по 2D-изображению без эталонных объектов для масштабирования. Даже при наличии четкого снимка нейросети часто ошибались в оценке плотности пищи, что приводило к погрешностям в расчетах до 30–50% по сравнению с фактическим весом, зафиксированным на весах.
Результаты показывают, что текущие ИИ-решения могут быть полезны для примерного отслеживания рациона, но не подходят для медицинских целей или строгого контроля питания. Разработчики подобных систем сталкиваются с фундаментальным препятствием: отсутствием данных о глубине и массе объекта, что делает автоматизированный подсчет калорий скорее оценочным инструментом, чем точным измерительным прибором.
Ключевые факты
- Тестирование проводилось путем сравнения данных пяти ИИ-моделей с эталонными показателями кухонных весов.
- Средняя погрешность в оценке веса порций составила от 30% до 50% в зависимости от типа продукта.
- Основным фактором ошибки стала неспособность моделей точно определять объем и плотность еды по фотографии.
- Исследование подтверждает, что текущие технологии компьютерного зрения требуют дополнительных инструментов (например, AR-линеек или эталонов веса) для повышения точности.