Contar calorias por foto com IA: Até que ponto é fiável?

Como a IA estima as calorias a partir de uma foto

Contar calorias por foto passa por três passos, e os modelos de IA atuais fazem-nos em conjunto.

1. Reconhecimento. O modelo analisa a imagem e dá nome ao que vê: arroz, salmão, abacate, um ovo estrelado. É a parte em que a IA é melhor, porque aprendeu com enormes quantidades de imagens de comida.
2. Estimativa da porção. Depois calcula quanto há de cada alimento, normalmente em gramas. Para isso usa pistas visuais, como o tamanho do prato, um garfo ao lado ou a altura de um monte de arroz.
3. Valores nutricionais. Por fim, converte cada quantidade em calorias, proteína, hidratos e gordura, com base no que sabe sobre os valores nutricionais típicos.

Pode haver erros em cada passo, e eles somam-se. Se o modelo reconhece bem a massa mas calcula 150 g quando tens 250 g, as calorias ficam cerca de 40% abaixo do real, por melhor que tenha sido o reconhecimento.

Onde as estimativas por foto falham

Tamanho da porção. Uma foto é plana, por isso é difícil avaliar a profundidade. Uma taça funda de arroz e uma rasa podem parecer iguais vistas de cima. Um estudo com modelos de IA de uso geral concluiu que subestimavam mais à medida que as porções cresciam.

Azeite, manteiga e molhos. A gordura usada a cozinhar fica quase toda invisível e é muito calórica. Uma colher de sopa de azeite tem cerca de 119 kcal e uma colher de sopa de manteiga cerca de 102 kcal (USDA). Os investigadores da Universidade de Sydney chamam à incapacidade de detetar os ingredientes acrescentados na confeção «uma limitação reconhecida da tecnologia atual de reconhecimento de imagens de alimentos» (tradução nossa).

Pratos compostos e molhos. Caris, estufados, gratinados e taças por camadas escondem o que têm dentro. No mesmo estudo, as estimativas de energia de pratos como bibimbap, pho de vaca e ovos em torrada variaram muito de app para app: umas ficaram bem acima e outras bem abaixo.

Bebidas. Num copo de chá com leite ou num galão não se vê quanto açúcar levam nem que leite foi usado. No estudo de Sydney, as apps subestimaram a energia do bubble tea (chá com leite e pérolas de tapioca) em até 76%.

Alimentos menos comuns. A equipa de Sydney viu que as apps muitas vezes não conseguiam identificar os componentes de pratos asiáticos, como o pho de vaca e o bubble tea, e pediu mais treino da IA em «pratos compostos e alimentos de culturas diversas» (tradução nossa).

O que diz a investigação

Estes estudos foram revistos por pares e podes lê-los tu mesmo. Cada um testou apps ou modelos diferentes, em condições diferentes, por isso os números não são diretamente comparáveis.

Universidade de Sydney, 2024. Os investigadores testaram 18 apps de nutrição, 7 delas com reconhecimento de fotos por IA, num estudo publicado na Nutrients. As duas melhores apps identificaram corretamente 97% e 92% dos componentes dos alimentos nas fotos de teste. Ainda assim, os autores concluíram que «as estimativas automáticas de energia do reconhecimento de imagens de alimentos com IA eram imprecisas» (tradução nossa), sobretudo em pratos compostos. As fotos de teste foram tiradas com boa luz e sempre do mesmo ângulo, por isso as fotos do dia a dia podem sair-se pior.

ChatGPT e fotos de refeições, 2025. Um estudo publicado na Nutrients deu ao ChatGPT-4 fotos de 114 refeições. Identificou corretamente os alimentos em 93% dos casos. A estimativa do peso da refeição ficou próxima da realidade nas refeições pequenas e longe dela nas médias e grandes, e subestimou 11 nutrientes.

Três modelos de IA comparados, 2025. Um estudo na Current Developments in Nutrition testou o ChatGPT-4o, o Claude 3.5 Sonnet e o Gemini 1.5 Pro com 52 fotos de alimentos padronizadas. O ChatGPT e o Claude tiveram um erro médio de energia de cerca de 36%, e o Gemini 1.5 Pro errou mais. Os três subestimaram mais à medida que as porções aumentavam. O CaloriePix usa modelos Google Gemini mais recentes, que esse estudo não testou.

O registo manual também não é exato. No mesmo estudo de Sydney, as 16 apps com registo manual de alimentos sobrestimaram um dia de refeições ocidentais em cerca de 250 kcal (1040 kJ), em média, e subestimaram um dia de refeições asiáticas em cerca de 360 kcal (1520 kJ). Uma revisão sistemática de 2019, com 59 estudos, comparou o que as pessoas dizem comer com um método de laboratório preciso (a água duplamente marcada) e concluiu que a maioria dos estudos mostrava uma subdeclaração significativa. Tanto a estimativa de uma foto como um registo escrito à mão têm erro. O que mais ajuda é registar com regularidade e corrigir as partes que sabes que estão erradas.

Como o CaloriePix lida com isto

Como as partes difíceis são as porções e os ingredientes escondidos, o CaloriePix foi pensado para que as possas corrigir depressa.

• Uma lista de alimentos que podes editar. Cada digitalização devolve os alimentos um a um, com a quantidade estimada e as calorias, proteína, hidratos e gordura de cada um. Toca num alimento para mudar a quantidade ou a unidade, ou para corrigir os valores nutricionais, até zero se a IA tiver acrescentado algo que não está no prato. Também podes mudar o nome da refeição ou aumentá-la ou reduzi-la por inteiro.
• O que a estimativa assumiu. O ecrã de revisão inclui notas sobre os pressupostos da estimativa, para veres o que foi dado como certo antes de a aceitares.
• Os valores da embalagem nos produtos embalados. Ao ler um código de barras, a app procura o produto na base de dados Open Food Facts, e ao digitalizar o rótulo nutricional lê os valores da própria embalagem.
• Palavras quando a foto não mostra tudo. Descreve a refeição por escrito ou em voz alta, com quantidades como «2 colheres de sopa de pesto» ou «um galão grande com bebida de aveia». Também podes pesquisar alimentos pelo nome na USDA FoodData Central.

Quando analisas uma foto ou uma descrição, ela é enviada para a API Gemini da Google, que devolve a estimativa. O teu diário fica no telemóvel. A estimativa serve para o registo do dia a dia e não é aconselhamento médico.

Dicas para estimativas melhores

• 
  Procura boa luz e apanha o prato inteiroAs sombras e as margens cortadas escondem comida.
• 
  Mostra o prato e um garfo ou colherDão uma noção de escala, o que ajuda a avaliar a porção.
• 
  Um prato em cada fotoTravessas partilhadas e mesas cheias são mais difíceis de separar.
• 
  Junta o que a câmara não vêRegista o óleo, a manteiga e os molhos como um registo à parte, ou descreve a refeição por palavras e menciona-os.
• 
  Revê as porções grandesAs estimativas tendem a ficar abaixo do real à medida que as porções crescem, por isso olha duas vezes para um prato grande de massa ou de arroz.
• 
  Nos embalados, usa o código de barras ou o rótuloOs valores da embalagem são melhores do que qualquer estimativa.
• 
  Descreve as bebidasIndica o tamanho, o tipo de leite e se tem açúcar.
• 
  Pesa a comida de vez em quandoPesar uma vez alguns alimentos habituais ensina-te como são 100 g e torna as tuas correções mais rápidas.

Perguntas frequentes

Fontes

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. Comunicado de imprensa da Universidade de Sydney: AI food tracking apps need improvement to address accuracy, cultural diversity (29 de agosto de 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. Departamento de Agricultura dos EUA (USDA). FoodData Central: azeite (171413), manteiga sem sal (173430)
7. Perguntas frequentes do Cal AI: www.calai.app/faq (verificado a 9 de outubro de 2026)
8. Política de privacidade do CaloriePix: shape-up-me-privacy-policy.vercel.app

Começa pela próxima refeição
Fotografa-a, confirma-a e vê o teu dia ganhar forma.