Calcolare le calorie da una foto: Quanto è precisa l’IA?

Come l’IA stima le calorie da una foto

Contare le calorie da un’immagine richiede tre passaggi, e i modelli di IA moderni li svolgono insieme.

1. Riconoscimento. Il modello guarda l’immagine e dà un nome a ciò che vede: riso, salmone, avocado, un uovo fritto. È la parte in cui l’IA va meglio, perché ha imparato da un’enorme quantità di immagini di cibo.
2. Stima delle porzioni. Poi stima quanto c’è di ogni alimento, di solito in grammi. Usa indizi visivi come la dimensione del piatto, una forchetta accanto o l’altezza di un mucchietto di riso.
3. Valori nutrizionali. Infine trasforma ogni quantità in calorie, proteine, carboidrati e grassi in base a ciò che sa dei valori nutrizionali tipici.

Gli errori possono insinuarsi in ogni passaggio, e si sommano. Se il modello riconosce bene il cibo ma stima 150 g di pasta dove ce ne sono 250 g, le calorie risulteranno circa il 40% in meno, per quanto buono sia stato il riconoscimento.

Dove le stime da foto fanno fatica

Dimensioni delle porzioni. Una foto è piatta, quindi la profondità è difficile da giudicare. Una ciotola di riso profonda e una bassa possono sembrare uguali viste dall’alto. Una ricerca sui modelli di IA generici ha rilevato che sottostimavano sempre di più man mano che le porzioni crescevano.

Olio, burro e condimenti. I grassi aggiunti in cottura sono quasi invisibili e molto calorici. Un cucchiaio di olio d’oliva ha circa 119 kcal e un cucchiaio di burro circa 102 kcal (USDA). I ricercatori dell’Università di Sydney definiscono l’incapacità di rilevare gli ingredienti aggiunti in cottura “a recognised limitation of current food image recognition technology”, cioè un limite noto dell’attuale tecnologia di riconoscimento delle immagini di cibo.

Piatti misti e salse. Curry, stufati, sformati e bowl a strati nascondono ciò che c’è dentro. Nello stesso studio, le stime energetiche per piatti come il bibimbap, il pho di manzo e le uova su pane tostato variavano molto da un’app all’altra, con alcune ben sopra e altre ben sotto.

Bevande. Un bicchiere di tè al latte o un latte macchiato non mostra quanto zucchero contiene né che tipo di latte c’è dentro. Nello studio di Sydney, le app hanno sottostimato l’energia del bubble tea (tè al latte con perle di tapioca) fino al 76%.

Cibi meno familiari. Il team di Sydney ha rilevato che le app spesso non riuscivano a individuare i componenti di piatti asiatici come il pho di manzo e il bubble tea, e ha chiesto di addestrare di più l’IA su “mixed dishes and culturally diverse foods”, cioè piatti misti e cibi di culture diverse.

Cosa dice la ricerca

Questi sono studi sottoposti a revisione paritaria che puoi leggere direttamente. Ognuno ha testato app o modelli diversi in condizioni diverse, quindi i numeri non sono direttamente confrontabili.

Università di Sydney, 2024. I ricercatori hanno testato 18 app di nutrizione, 7 delle quali con riconoscimento delle foto tramite IA, in uno studio pubblicato su Nutrients. Le due app migliori hanno identificato correttamente il 97% e il 92% dei componenti alimentari nelle foto di prova. Gli autori hanno comunque concluso che “automatic energy estimations from AI-enabled food image recognition were inaccurate”, cioè che le stime energetiche automatiche erano imprecise, soprattutto per i piatti misti. Le foto di prova erano scattate con una buona luce e da un’angolazione costante, quindi le foto di tutti i giorni potrebbero andare peggio.

ChatGPT e le foto dei pasti, 2025. Uno studio su Nutrients ha dato a ChatGPT-4 le foto di 114 pasti. Ha identificato correttamente gli alimenti nel 93% dei casi. La sua stima del peso del pasto corrispondeva bene alla realtà per i pasti piccoli e male per quelli medi e grandi, e ha sottostimato 11 nutrienti.

Tre modelli di IA a confronto, 2025. Uno studio su Current Developments in Nutrition ha testato ChatGPT-4o, Claude 3.5 Sonnet e Gemini 1.5 Pro su 52 foto di cibo standardizzate. ChatGPT e Claude avevano un errore medio sull’energia di circa il 36%, Gemini 1.5 Pro errori più grandi. Tutti e tre sottostimavano di più man mano che le porzioni crescevano. CaloriePix usa modelli Google Gemini più recenti, che quello studio non ha testato.

Nemmeno la registrazione manuale è esatta. Nello stesso studio di Sydney, le 16 app con registrazione manuale degli alimenti hanno sovrastimato in media di circa 250 kcal (1.040 kJ) una giornata di pasti occidentali e sottostimato di circa 360 kcal (1.520 kJ) una giornata di pasti asiatici. Una revisione sistematica del 2019 su 59 studi ha confrontato l’apporto alimentare dichiarato con un metodo di laboratorio preciso (l’acqua doppiamente marcata) e ha rilevato che la maggior parte degli studi mostrava una sottostima significativa. Sia una stima da foto sia un diario compilato a mano contengono errori. Quello che aiuta di più è registrare con costanza e correggere le parti che sai essere sbagliate.

Come se ne occupa CaloriePix

Visto che le parti difficili sono le porzioni e gli ingredienti nascosti, CaloriePix è fatta per permetterti di correggerle con pochi tocchi.

• Un elenco di voci modificabile. Una scansione restituisce ogni alimento separatamente, con quantità stimata, calorie, proteine, carboidrati e grassi. Tocca una voce per cambiarne quantità o unità, o per correggerne i valori nutrizionali, fino a zero se l’IA ha aggiunto qualcosa che non c’è. Puoi anche rinominare il pasto o ridimensionarlo tutto.
• Le ipotesi della stima. La schermata di revisione include note sulle ipotesi dietro la stima, così vedi cosa ha dato per scontato prima di accettarla.
• I valori della confezione per i cibi confezionati. La scansione del codice a barre cerca il prodotto nel database di Open Food Facts, e la scansione dell’etichetta nutrizionale legge i numeri direttamente dalla confezione.
• Le parole, quando la foto non basta. Descrivi il pasto o dettalo, con quantità come “2 cucchiai di pesto” o “un cappuccino grande con latte d’avena”. Puoi anche cercare gli alimenti per nome in USDA FoodData Central.

Quando analizzi una foto o una descrizione, questa viene inviata all’API Gemini di Google per ottenere la stima. Il tuo diario invece resta sul telefono. La stima serve per il monitoraggio di tutti i giorni e non è un consiglio medico.

Consigli per stime migliori

• 
  Usa una buona luce e inquadra tutto il piattoOmbre e bordi tagliati nascondono il cibo.
• 
  Lascia in vista il piatto e una forchetta o un cucchiaioDanno un’idea della scala e aiutano a stimare la porzione.
• 
  Un piatto per fotoPiatti condivisi e tavole affollate sono più difficili da separare.
• 
  Aggiungi quello che la fotocamera non vedeRegistra olio di cottura, burro, condimenti e salse come voce separata, oppure descrivi il pasto a parole e citali.
• 
  Controlla le porzioni grandiLe stime tendono a uscire basse quando le porzioni crescono, quindi guarda due volte un piatto abbondante di pasta o di riso.
• 
  Per i cibi confezionati usa il codice a barre o l’etichettaI valori della confezione battono qualsiasi stima.
• 
  Descrivi le bevandeIndica la dimensione, il tipo di latte e se è zuccherata.
• 
  Pesa il cibo ogni tantoPesare una volta qualche alimento comune ti insegna com’è fatta una porzione da 100 g e rende più rapide le tue correzioni.

Domande frequenti

Fonti

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. Comunicato dell’Università di Sydney: AI food tracking apps need improvement to address accuracy, cultural diversity (29 agosto 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: olio d’oliva (171413), burro senza sale (173430)
7. FAQ di Cal AI: www.calai.app/faq (verificato il 9 ottobre 2026)
8. Informativa sulla privacy di CaloriePix: shape-up-me-privacy-policy.vercel.app

Inizia dal tuo prossimo pasto
Scatta, controlla e tieni d’occhio il totale della giornata.