Calculer les calories avec une photo: L’IA est-elle précise?

Comment l’IA estime les calories d’une photo

Compter les calories à partir d’une image demande trois étapes, et les modèles d’IA modernes les font en même temps.

1. La reconnaissance. Le modèle examine l’image et nomme ce qu’il voit : riz, saumon, avocat, œuf au miroir. C’est ce que l’IA fait de mieux, parce qu’elle a appris à partir d’énormes quantités d’images d’aliments.
2. L’estimation des portions. Il évalue ensuite la quantité de chaque aliment, généralement en grammes. Il s’appuie sur des indices visuels comme la taille de l’assiette, une fourchette à côté ou la hauteur d’une montagne de riz.
3. Les valeurs nutritives. Enfin, il convertit chaque quantité en calories, protéines, glucides et lipides, à partir de ce qu’il sait des valeurs nutritives typiques.

Des erreurs peuvent se glisser à chaque étape, et elles s’additionnent. Si le modèle nomme correctement l’aliment, mais estime 150 g de pâtes alors que vous en avez 250 g, les calories seront environ 40 % trop basses, peu importe la qualité de la reconnaissance.

Là où les estimations par photo ont du mal

La taille des portions. Une photo est plate, ce qui rend la profondeur difficile à juger. Vus de dessus, un bol de riz profond et un bol peu profond peuvent se ressembler. Une étude sur des modèles d’IA généralistes a montré qu’ils sous-estimaient davantage à mesure que les portions grossissaient.

L’huile, le beurre et les vinaigrettes. Le gras ajouté à la cuisson est surtout invisible, et il est très calorique. Une cuillère à soupe d’huile d’olive contient environ 119 kcal, et une cuillère à soupe de beurre environ 102 kcal (USDA). Les chercheurs de l’Université de Sydney qualifient l’incapacité à détecter les ingrédients ajoutés à la cuisson de « limite reconnue de la technologie actuelle de reconnaissance d’images d’aliments ».

Les plats composés et les sauces. Les caris, les ragoûts, les plats mijotés et les bols à étages cachent ce qu’ils contiennent. Dans la même étude, les estimations d’énergie pour des plats comme le bibimbap, le pho au bœuf ou les œufs sur rôtie variaient beaucoup d’une application à l’autre : certaines étaient bien au-dessus, d’autres bien en dessous.

Les boissons. Un thé au lait ou un latte ne montre pas combien de sucre il contient ni quel lait a été utilisé. Dans l’étude de Sydney, les applications sous-estimaient l’énergie du thé au lait aux perles jusqu’à 76 %.

Les aliments moins familiers. L’équipe de Sydney a constaté que les applications n’arrivaient souvent pas à distinguer les composantes de plats asiatiques comme le pho au bœuf et le thé au lait aux perles, et a demandé que l’IA soit davantage entraînée sur les « plats composés et les aliments de diverses cultures ».

Ce que dit la recherche

Voici des études révisées par des pairs que vous pouvez lire vous-même. Chacune a testé des applications ou des modèles différents, dans des conditions différentes : les chiffres ne sont donc pas directement comparables.

Université de Sydney, 2024. Des chercheurs ont testé 18 applications de nutrition, dont 7 avec reconnaissance de photos par IA, dans une étude publiée dans Nutrients. Les deux meilleures applications ont correctement identifié 97 % et 92 % des composantes alimentaires des photos de test. Les auteurs ont tout de même conclu que « les estimations automatiques d’énergie issues de la reconnaissance d’images d’aliments par IA étaient inexactes », surtout pour les plats composés. Leurs photos de test étaient prises sous un bon éclairage et selon un angle constant : des photos du quotidien pourraient donner de moins bons résultats.

ChatGPT et photos de repas, 2025. Une étude publiée dans Nutrients a soumis à ChatGPT-4 des photos de 114 repas. Il a correctement identifié les aliments 93 % du temps. Son estimation du poids des repas concordait bien avec la réalité pour les petits repas, et mal pour les moyens et les grands, et il a sous-estimé 11 nutriments.

Trois modèles d’IA comparés, 2025. Une étude publiée dans Current Developments in Nutrition a testé ChatGPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Pro sur 52 photos d’aliments standardisées. ChatGPT et Claude avaient une erreur moyenne d’environ 36 % sur l’énergie, et Gemini 1.5 Pro des erreurs plus grandes. Les trois sous-estimaient davantage à mesure que les portions grossissaient. CaloriePix utilise des modèles Google Gemini plus récents, que cette étude n’a pas testés.

L’enregistrement manuel n’est pas exact non plus. Dans la même étude de Sydney, les 16 applications avec enregistrement manuel surestimaient une journée de repas occidentaux d’environ 250 kcal (1 040 kJ) en moyenne, et sous-estimaient une journée de repas asiatiques d’environ 360 kcal (1 520 kJ). Une revue systématique de 2019 portant sur 59 études a comparé l’apport alimentaire déclaré à une méthode de laboratoire précise (l’eau doublement marquée) et a constaté que la plupart des études montraient une sous-déclaration importante. Une estimation par photo et un journal tapé à la main comportent tous deux des erreurs. Ce qui aide le plus, c’est d’enregistrer de façon régulière et de corriger ce que vous savez être inexact.

Comment CaloriePix s’y prend

Comme les parties difficiles sont les portions et les ingrédients cachés, CaloriePix est conçu pour que vous puissiez les corriger rapidement.

• Une liste d’aliments modifiable. Une analyse renvoie chaque aliment séparément, avec sa quantité estimée et ses calories, protéines, glucides et lipides. Touchez un aliment pour changer sa quantité ou son unité, ou pour corriger ses valeurs nutritives, jusqu’à zéro si l’IA a ajouté quelque chose qui n’y est pas. Vous pouvez aussi renommer le repas ou l’ajuster au complet, à la hausse ou à la baisse.
• Les hypothèses de l’estimation. L’écran de vérification affiche des notes sur les hypothèses derrière l’estimation : vous voyez ce qu’elle a tenu pour acquis avant de l’accepter.
• Les chiffres de l’emballage pour les produits emballés. Scanner un code-barres cherche le produit dans la base de données Open Food Facts, et scanner l’étiquette nutritionnelle lit les chiffres directement sur l’emballage.
• Des mots quand la photo ne suffit pas. Décrivez le repas ou dites-le à voix haute, avec des quantités comme « 2 c. à soupe de pesto » ou « un grand latte à l’avoine ». Vous pouvez aussi chercher des aliments par leur nom dans USDA FoodData Central.

Quand vous analysez une photo ou une description, elle est envoyée à l’API Gemini de Google, qui renvoie l’estimation. Votre journal, lui, reste sur votre téléphone. L’estimation sert au suivi au quotidien et n’est pas un avis médical.

Conseils pour de meilleures estimations

• 
  Un bon éclairage et toute l’assiette dans le cadreLes ombres et les bords coupés cachent des aliments.
• 
  Gardez l’assiette et une fourchette ou une cuillère dans le champElles donnent une idée de l’échelle, ce qui aide à évaluer la portion.
• 
  Une assiette par photoLes plats à partager et les tables bien garnies sont plus difficiles à départager.
• 
  Ajoutez ce que l’appareil photo ne voit pasEnregistrez l’huile de cuisson, le beurre, les vinaigrettes et les sauces comme entrée séparée, ou décrivez le repas en les mentionnant.
• 
  Vérifiez les grosses portionsLes estimations ont tendance à être basses quand les portions augmentent : regardez à deux fois un grand bol de pâtes ou de riz.
• 
  Utilisez le code-barres ou l’étiquette pour les produits emballésLes chiffres de l’emballage valent mieux que n’importe quelle estimation.
• 
  Décrivez vos boissonsPrécisez le format, le lait et si c’est sucré.
• 
  Pesez de temps en tempsPeser une fois quelques aliments courants vous apprend à quoi ressemblent 100 g, et accélère vos corrections.

Questions fréquentes

Sources

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. Communiqué de l’Université de Sydney : AI food tracking apps need improvement to address accuracy, cultural diversity (29 août 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. U.S. Department of Agriculture. FoodData Central : huile d’olive (171413), beurre non salé (173430)
7. FAQ de Cal AI : www.calai.app/faq (vérifiée le 9 octobre 2026)
8. Politique de confidentialité de CaloriePix : shape-up-me-privacy-policy.vercel.app

Commencez par votre prochain repas
Prenez-le en photo, vérifiez l’estimation et voyez le total de votre journée.