Como a IA estima as calorias de uma foto
Calcular calorias a partir de uma foto envolve três etapas, e os modelos de IA atuais fazem as três juntas.
- Reconhecimento. O modelo olha a imagem e diz o que vê: arroz, salmão, abacate, um ovo frito. É a parte em que a IA vai melhor, porque ela aprendeu com uma quantidade enorme de imagens de comida.
- Estimativa da porção. Depois, ele 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.
- Nutrientes. Por fim, ele transforma cada quantidade em calorias, proteína, carboidratos e gordura com base no que sabe sobre os valores nutricionais típicos.
Erros podem aparecer em qualquer etapa, e eles se somam. Se o modelo acerta o alimento mas calcula 150 g de macarrão quando há 250 g no prato, as calorias vão ficar cerca de 40% abaixo, por melhor que tenha sido o reconhecimento.
Onde as estimativas por foto têm mais dificuldade
Tamanho da porção. Uma foto é plana, então a profundidade é difícil de avaliar. Uma tigela funda de arroz e uma rasa podem parecer iguais vistas de cima. Uma pesquisa com modelos de IA de uso geral mostrou que eles subestimavam mais à medida que as porções cresciam.
Óleos, manteiga e molhos. A gordura usada no preparo fica quase invisível, e ela 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 pesquisadores da Universidade de Sydney chamam a incapacidade de detectar ingredientes adicionados no preparo de “uma limitação reconhecida da tecnologia atual de reconhecimento de imagens de alimentos”.
Pratos mistos e molhos. Curries, ensopados, escondidinhos e bowls em camadas escondem o que há dentro. No mesmo estudo, as estimativas de energia para pratos como bibimbap, pho de carne e ovos na torrada variaram muito entre os apps, com alguns bem acima e outros bem abaixo.
Bebidas. Um copo de chá com leite ou um latte não mostra quanto açúcar tem nem que tipo de leite foi usado. No estudo de Sydney, os apps subestimaram a energia do chá com leite e pérolas de tapioca (bubble tea) em até 76%.
Alimentos menos conhecidos. A equipe de Sydney viu que os apps muitas vezes não conseguiam identificar os componentes de pratos asiáticos como o pho de carne e o bubble tea, e pediu mais treinamento de IA com “pratos mistos e alimentos culturalmente diversos”.
O que dizem as pesquisas
Estes são estudos revisados por pares que você mesmo pode ler. Cada um testou apps ou modelos diferentes, em condições diferentes, então os números não são diretamente comparáveis.
Universidade de Sydney, 2024. Pesquisadores testaram 18 apps de nutrição, 7 deles com reconhecimento de fotos por IA, num estudo publicado na revista Nutrients. Os dois melhores apps identificaram corretamente 97% e 92% dos componentes dos alimentos nas fotos de teste. Mesmo assim, os autores concluíram que “as estimativas automáticas de energia feitas pelo reconhecimento de imagens de alimentos com IA foram imprecisas”, principalmente para pratos mistos. As fotos de teste foram tiradas com boa luz e num ângulo constante, então as fotos do dia a dia podem se sair pior.
ChatGPT e fotos de refeições, 2025. Um estudo na Nutrients mostrou ao ChatGPT-4 fotos de 114 refeições. Ele identificou os alimentos corretamente em 93% das vezes. A estimativa do peso da refeição bateu bem com a realidade nas refeições pequenas e mal nas médias e grandes, e ele 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 padronizadas de alimentos. 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 cresciam. O CaloriePix usa modelos Google Gemini mais novos, que esse estudo não testou.
O registro manual também não é exato. No mesmo estudo de Sydney, os 16 apps com registro manual superestimaram um dia de refeições ocidentais em cerca de 250 kcal (1.040 kJ), em média, e subestimaram um dia de refeições asiáticas em cerca de 360 kcal (1.520 kJ). Uma revisão sistemática de 2019 com 59 estudos comparou o consumo relatado pelas próprias pessoas com um método de laboratório preciso (a água duplamente marcada) e viu que a maioria dos estudos mostrava subnotificação significativa. Tanto a estimativa por foto quanto o registro digitado à mão têm erro. O que mais ajuda é registrar com constância e corrigir as partes que você sabe que estão erradas.
Como o CaloriePix lida com isso
Como as partes difíceis são as porções e os ingredientes escondidos, o CaloriePix foi feito para você corrigir esses pontos com facilidade.
- Uma lista de itens que você edita. O escaneamento traz cada alimento separado, com a quantidade estimada e as calorias, proteína, carboidratos e gordura. Toque em qualquer item para mudar a quantidade ou a unidade, ou para corrigir os nutrientes, até zerar se a IA incluiu algo que não está no prato. Você também pode renomear a refeição ou ajustar a refeição inteira para mais ou para menos.
- O que a estimativa considerou. A tela de revisão traz notas sobre as suposições por trás da estimativa, para você ver o que ela deu como certo antes de aceitar.
- Os números da própria embalagem. Ao escanear um código de barras, o app busca o produto no banco de dados Open Food Facts e, ao escanear o rótulo nutricional, lê os números direto da embalagem.
- Palavras quando a foto não mostra. Descreva a refeição ou fale em voz alta, com quantidades como “2 colheres de sopa de pesto” ou “um latte grande com leite de aveia”. Você também pode buscar alimentos pelo nome no USDA FoodData Central.
Quando você analisa uma foto ou uma descrição, ela é enviada para a API Gemini do Google, que devolve a estimativa. O seu diário continua no seu celular. A estimativa serve para o acompanhamento do dia a dia e não é orientação médica.
Dicas para estimativas melhores
Use boa luz e enquadre o prato inteiroSombras e bordas cortadas escondem comida.
Deixe o prato e um garfo ou colher à vistaEles dão noção de escala, o que ajuda a estimar a porção.
Um prato por fotoTravessas compartilhadas e mesas cheias são mais difíceis de separar.
Acrescente o que a câmera não vêRegistre o óleo do preparo, a manteiga, os molhos e o tempero da salada como um item separado, ou descreva a refeição em palavras e cite esses ingredientes.
Confira as porções grandesAs estimativas tendem a ficar baixas conforme a porção cresce, então olhe duas vezes um prato cheio de macarrão ou de arroz.
Use o código de barras ou o rótulo nos embaladosOs números da embalagem são melhores do que qualquer estimativa.
Descreva as bebidasDiga o tamanho, o tipo de leite e se tem açúcar.
Pese de vez em quandoPesar alguns alimentos comuns uma vez ensina como são 100 g e deixa as suas correções mais rápidas.
Perguntas frequentes
A contagem de calorias por IA é precisa?
Ela costuma ser boa para identificar os alimentos e menos confiável para quantidades, gorduras escondidas e pratos mistos. Estudos com apps e modelos de IA encontraram erros consideráveis de calorias, muitas vezes para menos nas porções maiores. Use a estimativa como ponto de partida e corrija o que for preciso.
O Cal AI é preciso?
As perguntas frequentes do próprio Cal AI dizem que ele é “about 80% accurate” (cerca de 80% preciso), conforme verificado em 09/10/2026. Nós não testamos o Cal AI, e não encontramos nenhum estudo independente que o tenha medido. Os limites descritos nesta página valem para as estimativas por foto em geral.
Dá para contar calorias por foto de graça?
Alguns chatbots de IA de uso geral, inclusive no WhatsApp, estimam calorias a partir de uma foto; um app de calorias guarda isso num diário alimentar, com itens editáveis e uma meta diária. O app do CaloriePix para Android tem um plano grátis com 3 análises por IA; depois disso, e no iPhone, os recursos de IA fazem parte da assinatura, que começa com 7 dias de teste grátis no plano anual.
A foto é mais precisa do que registrar à mão?
Não necessariamente. O registro manual pode ser preciso se você pesa a comida e escolhe os itens certos, mas as pesquisas mostram que as pessoas relatam comer menos do que realmente comem. A foto é mais rápida, o que pode facilitar registrar todas as refeições, e você ainda pode editar o resultado.
Por que a IA não vê o óleo do preparo?
O óleo é absorvido pela comida ou fica embaixo dela, então a câmera não consegue ver quanto foi usado. Acrescente você mesmo: 1 colher de sopa de azeite tem cerca de 119 kcal.
O que acontece com as fotos da minha comida?
Quando você pede ao CaloriePix para analisar uma foto, ela é enviada para a API Gemini do Google, que devolve a estimativa. A política de privacidade do CaloriePix explica que o Google pode guardar os comandos e as respostas por até 55 dias para monitorar abusos. O seu diário, incluindo as fotos de refeições salvas, fica no seu celular.
Fontes
- 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 da Universidade de Sydney: AI food tracking apps need improvement to address accuracy, cultural diversity (29 de agosto de 2024). Em inglês.
- 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 (em inglês)
- 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 (em inglês)
- 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 (em inglês)
- 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 (em inglês)
- U.S. Department of Agriculture. FoodData Central: azeite de oliva (171413), manteiga sem sal (173430). Em inglês.
- Perguntas frequentes do Cal AI: www.calai.app/faq (verificado em 09/10/2026, em inglês)
- Política de privacidade do CaloriePix: shape-up-me-privacy-policy.vercel.app
Fotografe, confira e acompanhe o total do dia.
