Compter les calories avec une photo: L’IA est-elle fiable ?

Comment l’IA estime les calories d’une photo

Compter les calories à partir d’une photo passe par trois étapes, que les modèles d’IA modernes réalisent d’un seul tenant.

1. Reconnaissance. Le modèle analyse l’image et nomme ce qu’il voit : riz, saumon, avocat, œuf au plat. C’est ce que l’IA fait le mieux, car elle a appris sur d’énormes quantités d’images d’aliments.
2. 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 posée à côté ou la hauteur d’un tas de riz.
3. Valeurs nutritionnelles. Enfin, il convertit chaque quantité en calories, protéines, glucides et lipides, à partir de ce qu’il sait des valeurs nutritionnelles habituelles.

Des erreurs peuvent se glisser à chaque étape, et elles s’additionnent. Si le modèle reconnaît bien les pâtes mais en estime 150 g alors que vous en avez 250 g, les calories seront environ 40 % trop basses, aussi bonne que soit la reconnaissance.

Là où les estimations par photo peinent

La taille des portions. Une photo est plate : la profondeur est difficile à juger. Vus du 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.

Huiles, beurre et sauces. Les graisses ajoutées en cuisine sont en grande partie invisibles, et très caloriques. Une cuillère à soupe d’huile d’olive apporte 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 en cuisine de « limite reconnue de la technologie actuelle de reconnaissance d’images d’aliments ».

Plats composés et sauces. Currys, ragoûts, gratins et bowls en couches 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 toast variaient fortement d’une appli à l’autre, certaines bien au-dessus, d’autres bien en dessous.

Les boissons. Un thé au lait ou un latte ne montre ni la quantité de sucre ni le type de lait. Dans l’étude de Sydney, les applis sous-estimaient jusqu’à 76 % l’énergie d’un bubble tea (thé au lait aux perles).

Les aliments moins familiers. L’équipe de Sydney a constaté que les applis échouaient souvent à identifier les composants de plats asiatiques comme le pho au bœuf ou le bubble tea, et a appelé à entraîner davantage l’IA sur « les plats composés et les aliments de cultures diverses ».

Ce que dit la recherche

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

Université de Sydney, 2024. Des chercheurs ont testé 18 applis de nutrition, dont 7 avec reconnaissance d’images par IA, dans une étude parue dans Nutrients. Les deux meilleures applis ont correctement identifié 97 % et 92 % des composants alimentaires des photos de test. Les auteurs ont pourtant conclu que « les estimations automatiques d’énergie issues de la reconnaissance d’images d’aliments par IA étaient inexactes », en particulier pour les plats composés. Leurs photos de test ont été prises sous une bonne lumière et sous un angle constant : des photos du quotidien peuvent donc faire moins bien.

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

Trois modèles d’IA comparés, 2025. Une étude parue 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 présentaient une erreur moyenne sur l’énergie d’environ 36 %, et Gemini 1.5 Pro des erreurs plus importantes. Les trois sous-estimaient davantage à mesure que les portions augmentaient. CaloriePix utilise des modèles Google Gemini plus récents, que cette étude n’a pas testés.

La saisie manuelle n’est pas exacte non plus. Dans la même étude de Sydney, les 16 applis à saisie manuelle surestimaient en moyenne une journée de repas occidentaux d’environ 250 kcal (1 040 kJ) 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 les apports alimentaires déclarés à une méthode de laboratoire précise (l’eau doublement marquée) : la plupart des études montraient une sous-déclaration importante. Une estimation par photo comme une saisie à la main comportent une marge d’erreur. Ce qui aide le plus, c’est de noter régulièrement et de corriger les éléments que vous savez faux.

Comment CaloriePix s’y prend

Comme les difficultés viennent des portions et des ingrédients cachés, CaloriePix est conçu pour que vous puissiez les corriger rapidement.

• Une liste d’aliments modifiable. Un scan 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 corriger ses valeurs nutritionnelles, jusqu’à zéro si l’IA a ajouté quelque chose qui n’y est pas. Vous pouvez aussi renommer le repas ou l’ajuster en entier, à la hausse comme à la baisse.
• Ce que l’estimation a supposé. L’écran de vérification comprend des notes sur les hypothèses de l’estimation : vous voyez ce qu’elle a tenu pour acquis avant de l’accepter.
• Les valeurs de l’emballage pour les produits emballés. Scanner un code-barres cherche le produit dans la base Open Food Facts, et scanner l’étiquette nutritionnelle lit les valeurs 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 au lait d’avoine ». Vous pouvez aussi rechercher 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 pour obtenir l’estimation. Votre journal, lui, reste sur votre téléphone. L’estimation sert au suivi du quotidien et ne constitue pas un avis médical.

Conseils pour de meilleures estimations

• 
  Une bonne lumière, 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 juger la taille des portions.
• 
  Une assiette par photoLes plats partagés et les tables bien garnies sont plus difficiles à décomposer.
• 
  Ajoutez ce que l’appareil photo ne voit pasEnregistrez l’huile de cuisson, le beurre, les vinaigrettes et les sauces comme une entrée séparée, ou décrivez le repas avec des mots en les mentionnant.
• 
  Vérifiez les grosses portionsLes estimations ont tendance à être trop basses quand les portions grossissent : regardez à deux fois un grand bol de pâtes ou de riz.
• 
  Code-barres ou étiquette pour les produits emballésLes valeurs de l’emballage valent mieux que n’importe quelle estimation.
• 
  Décrivez les boissonsPrécisez la taille, le type de lait et si la boisson est sucrée.
• 
  Pesez de temps en tempsPeser une fois quelques aliments courants vous apprend à quoi ressemblent 100 g, et rend vos corrections plus rapides.

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 doux (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 dès votre prochain repas
Une photo, une vérification, et votre journée est à jour.