حساب السعرات بالصور: ما مدى دقة الذكاء الاصطناعي؟

كيف يقدّر الذكاء الاصطناعي السعرات من صورة

حساب السعرات من صورة يمر بثلاث خطوات، ونماذج الذكاء الاصطناعي الحديثة تنفذها معًا.

1. التعرّف. ينظر النموذج إلى الصورة ويسمّي ما يراه: أرز، سلمون، أفوكادو، بيضة مقلية. هذا أفضل ما يجيده الذكاء الاصطناعي، لأنه تعلّم من أعداد هائلة من صور الطعام.
2. تقدير الحصة. بعدها يخمّن كمية كل طعام، بالغرام عادةً، مستعينًا بإشارات بصرية مثل حجم الطبق أو شوكة بجانبه أو ارتفاع كومة الأرز.
3. القيم الغذائية. أخيرًا يحوّل كل كمية إلى سعرات وبروتين وكربوهيدرات ودهون، اعتمادًا على ما يعرفه عن القيم الغذائية المعتادة.

قد يتسلل الخطأ في كل خطوة، وتتراكم الأخطاء. فإذا سمّى النموذج الطعام بشكل صحيح لكنه قدّر 150 غ من المعكرونة بينما في طبقك 250 غ، فستخرج السعرات أقل بنحو 40% مهما كان التعرّف جيدًا.

أين يصعب التقدير من الصور

حجم الحصة. الصورة مسطحة، فيصعب الحكم على العمق. صحن أرز عميق وآخر ضحل قد يبدوان متشابهين من الأعلى. ووجدت أبحاث على نماذج الذكاء الاصطناعي العامة أن تقديرها يقل عن الحقيقة أكثر كلما كبرت الحصص.

الزيوت والزبدة والصلصات. الدهون المضافة أثناء الطبخ لا تُرى في الغالب، وهي غنية بالسعرات. ملعقة كبيرة من زيت الزيتون فيها نحو 119 سعرة، وملعقة كبيرة من الزبدة نحو 102 سعرة (بحسب USDA). ويصف باحثو جامعة سيدني عدم القدرة على رصد المكونات المضافة أثناء الطبخ بأنه «قيد معروف في تقنيات التعرّف على صور الطعام الحالية».

الأطباق المشكّلة والصلصات. الكاري واليخنات والصواني والأطباق ذات الطبقات تخفي ما بداخلها، وكذلك أطباق مثل الكبسة والمندي. وفي الدراسة نفسها تفاوتت تقديرات الطاقة لأطباق مثل البيبيمباب وحساء الفو باللحم والبيض على التوست تفاوتًا كبيرًا بين التطبيقات، فبعضها بالغ كثيرًا وبعضها قصّر كثيرًا.

المشروبات. كوب شاي بالحليب أو لاتيه لا يُظهر كمية السكر أو نوع الحليب. وفي دراسة سيدني، قدّرت التطبيقات طاقة شاي الحليب باللؤلؤ بأقل من الحقيقة بنسبة وصلت إلى 76%.

الأطعمة الأقل شيوعًا. وجد فريق سيدني أن التطبيقات كثيرًا ما فشلت في تمييز مكونات أطباق آسيوية مثل حساء الفو باللحم وشاي الحليب باللؤلؤ، ودعا إلى مزيد من تدريب الذكاء الاصطناعي على «الأطباق المشكّلة والأطعمة من ثقافات متنوعة».

ماذا تقول الأبحاث

هذه دراسات محكّمة يمكنك قراءتها بنفسك. اختبرت كل منها تطبيقات أو نماذج مختلفة في ظروف مختلفة، لذلك لا تصلح أرقامها للمقارنة المباشرة.

جامعة سيدني، 2024. اختبر الباحثون 18 تطبيقًا للتغذية، 7 منها تتعرّف على الطعام بالصور بالذكاء الاصطناعي، ونُشرت الدراسة في مجلة Nutrients. تعرّف أفضل تطبيقين على 97% و92% من مكونات الطعام في صور الاختبار. ومع ذلك خلص المؤلفون إلى أن «تقديرات الطاقة التلقائية من التعرّف على صور الطعام بالذكاء الاصطناعي كانت غير دقيقة»، خاصة في الأطباق المشكّلة. وقد التُقطت صور الاختبار في إضاءة جيدة وبزاوية ثابتة، لذا قد تكون نتائج الصور اليومية أسوأ.

ChatGPT وصور الوجبات، 2025. أعطت دراسة في Nutrients نموذج ChatGPT-4 صور 114 وجبة، فتعرّف على الأطعمة بشكل صحيح في 93% من الحالات. وجاء تقديره لوزن الوجبة متوافقًا جيدًا مع الواقع في الوجبات الصغيرة، وضعيفًا في المتوسطة والكبيرة، وقدّر 11 عنصرًا غذائيًا بأقل من حقيقتها.

مقارنة ثلاثة نماذج ذكاء اصطناعي، 2025. اختبرت دراسة في Current Developments in Nutrition نماذج ChatGPT-4o وClaude 3.5 Sonnet وGemini 1.5 Pro على 52 صورة طعام موحّدة. كان متوسط خطأ الطاقة لدى ChatGPT وClaude نحو 36%، وكانت أخطاء Gemini 1.5 Pro أكبر. وقدّرت النماذج الثلاثة بأقل من الحقيقة أكثر كلما كبرت الحصص. يستخدم CaloriePix نماذج Google Gemini أحدث لم تختبرها تلك الدراسة.

التسجيل اليدوي ليس دقيقًا تمامًا أيضًا. في دراسة سيدني نفسها، بالغت التطبيقات الستة عشر التي تعتمد التسجيل اليدوي في تقدير يوم من الوجبات الغربية بنحو 250 سعرة (1,040 كيلوجول) في المتوسط، وقصّرت في تقدير يوم من الوجبات الآسيوية بنحو 360 سعرة (1,520 كيلوجول). وقارنت مراجعة منهجية عام 2019 شملت 59 دراسة بين ما يسجّله الناس بأنفسهم وطريقة مخبرية دقيقة (الماء مزدوج الوسم)، فوجدت أن معظم الدراسات أظهرت تقليلًا ملحوظًا في التسجيل. التقدير من الصورة والسجل المكتوب يدويًا كلاهما فيه خطأ. وأكثر ما يساعد هو الانتظام في التسجيل وتصحيح الأجزاء التي تعرف أنها غير دقيقة.

كيف يتعامل CaloriePix مع ذلك

لأن الجزء الصعب هو الحصص والمكونات المخفية، صُمّم CaloriePix لتصلحها بسهولة.

• قائمة أصناف قابلة للتعديل. يعيد المسح كل طعام على حدة، مع كميته التقديرية وسعراته وبروتينه وكربوهيدراته ودهونه. اضغط أي صنف لتغيير كميته أو وحدته، أو لتصحيح قيمه الغذائية، حتى إلى صفر إذا أضاف الذكاء الاصطناعي شيئًا غير موجود. ويمكنك أيضًا إعادة تسمية الوجبة أو تكبيرها كلها أو تصغيرها.
• افتراضات التقدير. تتضمن شاشة المراجعة ملاحظات عن الافتراضات التي بُني عليها التقدير، فترى ما اعتبره مسلّمًا قبل أن تقبله.
• أرقام العبوة نفسها للأطعمة المعلّبة. مسح الباركود يبحث عن المنتج في قاعدة بيانات Open Food Facts، ومسح ملصق القيم الغذائية يقرأ الأرقام من العبوة.
• الكلمات حين لا تكفي الصورة. صف الوجبة كتابةً أو بصوتك، مع كميات مثل «ملعقتان كبيرتان من صلصة البيستو» أو «لاتيه كبير بحليب الشوفان». ويمكنك أيضًا البحث عن الأطعمة بالاسم في USDA FoodData Central.

عندما تحلّل صورة أو وصفًا، يُرسل إلى Gemini API من Google ليعيد التقدير، أما يومياتك نفسها فتبقى على هاتفك. التقدير للتتبّع اليومي، وليس استشارة طبية.

نصائح لتقدير أدق

• 
  استخدم إضاءة جيدة واجعل الطبق كله في الصورةالظلال والحواف المقصوصة تخفي الطعام.
• 
  أظهر الطبق وشوكة أو ملعقة في الصورةتعطي إحساسًا بالحجم، وهذا يساعد في تقدير الحصة.
• 
  طبق واحد في كل صورةالأطباق المشتركة والسفرة المزدحمة أصعب في التقسيم.
• 
  أضف ما لا تراه الكاميراسجّل زيت الطبخ والزبدة والصلصات كإدخال منفصل، أو صف الوجبة بالكلمات واذكرها.
• 
  راجع الحصص الكبيرةالتقديرات تميل إلى الانخفاض كلما كبرت الحصص، فانظر مرتين في صحن معكرونة أو أرز كبير.
• 
  استخدم الباركود أو الملصق للأطعمة المعلّبةأرقام العبوة أفضل من أي تقدير.
• 
  صِف المشروباتاذكر الحجم ونوع الحليب وهل هو محلّى.
• 
  زِن طعامك بين حين وآخروزن بعض الأطعمة المعتادة مرة واحدة يعلّمك كيف تبدو 100 غ، ويجعل تعديلاتك أسرع.

أسئلة شائعة

المصادر

1. Li X, Yin A, Choi HY, Chan V, Allman-Farinelli M, Chen J. Evaluating the Quality and Comparative Validity of Manual Food Logging and Artificial Intelligence-Enabled Food Image Recognition in Apps for Nutrition Care. Nutrients. 2024;16(15):2573. doi:10.3390/nu16152573. بيان جامعة سيدني الصحفي: AI food tracking apps need improvement to address accuracy, cultural diversity (29 أغسطس 2024)
2. O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients. 2025;17(4):607. doi:10.3390/nu17040607
3. Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S. Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images. Current Developments in Nutrition. 2025;9(10):107556. doi:10.1016/j.cdnut.2025.107556
4. Burrows TL, Ho YY, Rollo ME, Collins CE. Validity of Dietary Assessment Methods When Compared to the Method of Doubly Labeled Water: A Systematic Review in Adults. Frontiers in Endocrinology. 2019;10:850. doi:10.3389/fendo.2019.00850
5. Dalakleidi KV, Papadelli M, Kapolos I, Papadimitriou K. Applying Image-Based Food-Recognition Systems on Dietary Assessment: A Systematic Review. Advances in Nutrition. 2022;13(6):2590–2619. doi:10.1093/advances/nmac078
6. وزارة الزراعة الأمريكية. FoodData Central: olive oil (171413)، butter, unsalted (173430)
7. الأسئلة الشائعة لـ Cal AI: www.calai.app/faq (تم التحقق في 9 أكتوبر 2026)
8. سياسة خصوصية CaloriePix: shape-up-me-privacy-policy.vercel.app

ابدأ مع وجبتك القادمة
صوّرها، راجعها، وتابع يومك وهو يكتمل.