Quelle est la précision des compteurs de calories IA ? Ce que les études ont mesuré

Résumer avec : ChatGPT Claude AI Mode Perplexity

11 octobre 2026 • Écrit par NutriScan Team • Technologie nutritionFonctionnalités App

Un compteur de calories IA s'approche assez près du résultat sur une assiette simple et bien éclairée, et se trompe nettement sur un repas copieux, gras ou mélangé. Une revue systématique de 2023 portant sur 52 études, publiée dans Annals of Medicine, a trouvé des erreurs moyennes sur les calories de 0,10 % à 38,3 % par rapport à la valeur réelle. L'essentiel de l'écart vient de la taille de la portion et des graisses que l'appareil photo ne voit pas.

Sources vérifiées le 11 octobre 2026 : une revue systématique, quatre tests évalués par des pairs et un résumé de conférence, chacun lié là où il est cité. Chaque chiffre ci-dessous est celui de l'étude pour son propre jeu de test. Aucun n'est un classement d'applications.

Résumé

• Comment ça marche : l'application nomme les aliments de la photo, estime la quantité de chacun, puis cherche les valeurs nutritionnelles pour cette quantité. Chaque étape ajoute sa propre erreur.
• Quelle précision : la revue de 2023 de Shonkoff et ses collègues a trouvé des erreurs moyennes sur les calories de 0,10 % à 38,3 % selon les méthodes IA, les plus faibles sur des aliments simples et isolés.
• Où ça se trompe : les grosses portions sont sous-estimées, l'huile de cuisson est invisible et les plats mélangés cachent leurs ingrédients.
• Face aux humains : la même revue rapporte des estimations humaines allant de 30 % de sous-estimation à 1 % de surestimation. Les fourchettes se recoupent.
• Comment s'améliorer : dis à l'application ce qu'elle ne peut pas voir (quantité, mode de cuisson, huile) et corrige la portion après le scan.

Comment un compteur de calories IA estime-t-il les calories à partir d'une photo ?

Tous les compteurs de calories par photo suivent les trois mêmes étapes, quelle que soit la marque.

1. Reconnaissance. Un modèle de vision nomme ce qu'il y a dans l'assiette : riz, poulet grillé, un curry.
2. Estimation de la portion. Le modèle estime le poids ou le volume de chaque aliment. Une photo de téléphone est plate : la taille doit donc être déduite de l'assiette, des couverts et de ce qu'est une portion normale.
3. Recherche nutritionnelle. L'application multiplie la quantité estimée par les calories et macros par gramme d'une base alimentaire, ou laisse le modèle produire directement les chiffres.

Les erreurs se multiplient tout au long de la chaîne. Un nom correct avec une portion trop petite de 40 % donne un total de calories trop petit de 40 %. Une portion correcte associée à la mauvaise fiche de la base fait le même dégât. Notre article sur les fiches alimentaires vérifiées et communautaires (en anglais) traite de cette troisième étape.

Quelle est la précision des compteurs de calories IA dans les tests publiés ?

Les chercheurs testent ces systèmes en photographiant des repas dont le contenu a été pesé d'avance, puis en comparant l'estimation à la valeur pesée.

Étude / Publiée par	Ce qui a été testé	Ce qu'ils ont trouvé
Shonkoff et al., 2023 Tufts University et Merrimack College, Annals of Medicine	Revue systématique de 52 études d'images par IA	Erreur moyenne sur les calories de 0,10 % à 38,3 %, erreur de volume de 0,09 % à 33 %
Thames et al., 2021 Google Research, CVPR	Un modèle entraîné sur environ 5 000 plats de cantine pesés à 1 g près	Erreur sur les calories de 26,1 % à partir d'une image 2D, 16,5 % avec des données de profondeur
O'Hara et al., 2025 Royal College of Surgeons in Ireland, Nutrients	114 photos de repas en petites, moyennes et grandes portions, lues par ChatGPT-4	Poids sous-estimé sur 76,3 % des photos ; écart moyen de 27,8 %
Fridolfsson et al., 2025 Current Developments in Nutrition	52 photos d'aliments standardisées, trois modèles d'IA généralistes	Erreur d'énergie de 35,8 % pour deux modèles et de 64,2 % pour le troisième
Isobe et al., 2026 Nutrients	15 repas d'hôpital pesés, 10 diététiciens contre 10 modèles d'IA	Énergie à moins de 10 % sur 86,7 % des repas pour les diététiciens, 73,3 % pour le meilleur modèle d'IA

L'écart est large parce que les repas de test diffèrent. Shonkoff et ses collègues rapportent que les erreurs étaient plus faibles pour les aliments simples et isolés, et plus fortes pour les plats mélangés comme les currys et pour les aliments qui se chevauchent. Ils n'ont pas pu regrouper les études en un seul chiffre, car les méthodes variaient trop. Seules 27 % des études utilisaient des aliments pesés comme référence ; 51 % utilisaient des tables nutritionnelles.

La profondeur aide. Dans Nutrition5k, l'équipe de Google Research a scanné des plats sur un dispositif avec balance numérique et caméra de profondeur. L'erreur absolue moyenne de leur modèle sur les calories était de 70,6 kcal (26,1 %) à partir d'une image plate et de 41,3 kcal (16,5 %) quand le volume calculé par la profondeur s'y ajoutait. La plupart des photos de téléphone ne donnent à une application que l'image plate.

Les personnes formées restent devant sur les repas contrôlés. Dans l'étude Isobe, chaque repas était photographié à la verticale sous un éclairage fixe. Les diététiciens diplômés tombaient à moins de 10 % de l'énergie réelle sur 86,7 % des repas, ChatGPT-4o sur 73,3 % et Gemini 1.5 Pro sur 60,0 %. Les auteurs recommandent de garder un humain dans la boucle et d'ajouter des détails de cuisson à la photo.

Et les applications de calories elles-mêmes ?

La plupart des tests publiés utilisent des modèles de recherche ou des chatbots généralistes. Un seul test d'applications grand public existe pour l'instant, et il n'a pas été évalué par des pairs. À NUTRITION 2026, la réunion de l'American Society for Nutrition en juillet 2026, des chercheurs du National Institute of Diabetes and Digestive and Kidney Diseases américain ont présenté un résumé dans lequel 102 repas d'une cuisine métabolique, aux ingrédients pesés à 0,1 g près, ont été photographiés et passés dans quatre applications : MyFitnessPal, LoseIt!, CalAI et Appediet.

Les quatre ont sous-estimé les calories, d'environ 250 à 345 kcal par repas en moyenne, et les lipides d'environ 30 g. Les glucides étaient estimés de façon plus constante, et les repas cétogènes riches en graisses étaient les plus difficiles. Considère ces chiffres comme préliminaires tant que l'article complet n'est pas publié. Le conseil des chercheurs dans le communiqué (traduit de l'anglais) : « Les personnes qui utilisent une application de suivi par photo sans ajuster les portions ni saisir les quantités d'aliments devraient prendre les résultats avec des pincettes. »

Où les estimations de calories par photo se trompent-elles ?

La taille de la portion

La portion est la plus grande source d'erreur à elle seule, et sur les gros repas elle va toujours dans le même sens. Dans l'étude d'O'Hara du Royal College of Surgeons in Ireland, qui utilisait les tailles de portion de l'enquête nationale irlandaise sur la nutrition des adultes, ChatGPT-4 estimait bien les petits repas (408 g réels contre 431 g estimés). Les repas moyens de 581 g étaient jugés à 426 g, et les gros repas de 798 g à 530 g.

Fridolfsson et ses collègues ont observé la même pente avec ChatGPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Pro : plus la portion est grosse, plus la sous-estimation est grande. Dans un cas, une portion de 480 g de curry de lentilles a été estimée à 255 g.

L'huile et la graisse cachées

Une cuillère à soupe d'huile absorbée par le riz ou mélangée à une sauce ne laisse presque aucune trace visuelle, et les lipides apportent plus du double de calories par gramme que les glucides ou les protéines. C'est aussi sur les lipides que les études divergent le plus. Le résumé du NIH a trouvé les quatre applications en sous-estimation d'environ 30 g de lipides par repas. L'étude Isobe a trouvé que tous les modèles d'IA surestimaient les lipides sur les repas d'hôpital, avec un biais moyen supérieur à 20 %. Dans les deux cas, les lipides sont le chiffre à vérifier en premier.

Les plats mélangés et les aliments couverts

Une caméra voit la couche du dessus. La revue de Shonkoff désigne les plats mélangés et les aliments qui se chevauchent comme plus risqués, et l'étude Fridolfsson a vu la précision baisser quand les légumes à l'avant de l'assiette cachaient le féculent et la protéine derrière. La reconnaissance peut aussi échouer : le même article note qu'un modèle a pris des œufs brouillés pour des pâtes, ce qui a faussé le chiffre des glucides de 1 788 %.

Comment une estimation par photo se compare-t-elle à la saisie manuelle ?

Les humains ne sont pas non plus une référence précise. La revue de Shonkoff cite des travaux antérieurs situant l'estimation humaine entre 30 % de sous-estimation et 1 % de surestimation. Une autre revue systématique sur l'évaluation alimentaire comparée à l'eau doublement marquée, la méthode de référence pour mesurer la dépense énergétique, inclut une étude américaine de Park et ses collègues dans laquelle les relevés alimentaires de 4 jours sous-déclaraient l'apport énergétique de 18 à 21 % et les questionnaires de fréquence de consommation de 29 à 34 %.

Une photo et un journal écrit se trompent donc dans des proportions comparables. Une photo capture le repas en quelques secondes, et tu corriges ensuite la ou les deux choses qu'elle n'a pas pu voir.

Quelle est la précision de NutriScan ?

NutriScan identifie les aliments avec une précision de 95 % ou plus pour les produits couverts par notre propre base alimentaire. C'est notre chiffre, issu de la vérification interne des données alimentaires. Aucun tiers ne l'a certifié et ce n'est pas un résultat d'étude. Il ne décrit en outre qu'une seule étape, nommer l'aliment. Il ne dit rien de la quantité d'aliments dans l'assiette.

Nous indiquons les limites sur notre page des sources de données : la taille de la portion est la partie difficile, et un plat absent de la base retombe sur la recherche et l'estimation par IA, où l'erreur est plus large. C'est pourquoi chaque repas scanné reste modifiable.

Comment obtenir de meilleurs résultats avec un compteur de calories par photo ?

Ces étapes découlent des endroits où les études ont trouvé les erreurs. Les noms d'écrans et de boutons en gras sont ceux de NutriScan ; la plupart des trackers photo ont quelque chose de similaire.

1. Photographie d'en haut, avec une bonne lumière et toute l'assiette dans le cadre. L'étude Isobe utilisait un angle de 90 degrés au-dessus, et le bord de l'assiette donne au modèle une référence de taille.
2. Étale les aliments avant la photo. Le modèle ne peut compter que ce qu'il voit.
3. Indique la quantité, si tu la connais. Dans NutriScan, tu peux ajouter des détails en texte, comme la taille de la portion et le nom des aliments, avant le traitement du scan.
4. Parle-lui de la graisse. Règle le tag Cooking Method (mode de cuisson) et le curseur Oil/Butter (huile/beurre : No, Low, Default ou High) pour que l'huile que la caméra ne voit pas soit comptée.
5. Corrige la portion ensuite. Touche la pastille de portion d'un aliment dans Nutrition Details pour changer la quantité, l'unité ou les grammes. Utilise Type missing item (saisir un aliment manquant) pour tout ce que le scan a oublié, et retire ce qu'il a inventé.
6. Pèse une fois les aliments riches en calories. Une balance de cuisine sur l'huile, les noix, le fromage et le riz pendant une semaine apprend à ton œil ce que pèsent tes portions habituelles.

Home > + > Scan Meal. Le mode de cuisson et la quantité d'huile sont les deux détails qu'une photo ne peut pas montrer. Le guide complet est dans notre guide du scan de repas.

Nutrition Details. Chaque aliment a sa propre pastille de portion, et changer les grammes recalcule les calories et les macros de cet aliment.

Si un résultat paraît quand même faux, Refresh Meal relance l'analyse avec la raison que tu choisis, et Edit Macros te laisse remplacer les totaux par les chiffres d'une étiquette.

Quel compteur de calories IA choisir ?

Choisis celui qui te laisse le corriger vite. Les chercheurs du NIH et les auteurs de l'étude Isobe désignent tous deux la correction humaine comme l'étape qui comble l'écart. Vérifie trois choses avant de t'engager : si tu peux modifier la portion de chaque aliment, si tu peux ajouter la graisse de cuisson et d'où viennent les données nutritionnelles.

L'offre gratuite de NutriScan comprend 5 scans par semaine, et l'application compte plus de 150 000 téléchargements et une note de 4,6 étoiles. Pour des comparaisons côte à côte, lis nos articles sur NutriScan comme alternative à Cal AI, NutriScan contre SnapCalorie (tous deux en anglais) et les meilleures applications gratuites de suivi des calories par IA. Si tu as seulement besoin d'un objectif quotidien à suivre, le calculateur de calories en ligne t'en donne un sans compte.

Un mot sur la santé

Les estimations de calories servent au suivi général. Si tu as un diabète, un trouble du comportement alimentaire ou une autre condition médicale, suis les conseils de ton médecin ou de ton diététicien sur ce qu'il faut suivre et comment.

Que demandent d'autre les gens sur les compteurs de calories IA ?

Quelle est la précision des compteurs de calories IA ?

Cela dépend du repas. Une revue systématique de 2023 dans Annals of Medicine, qui couvre 52 études, a trouvé des erreurs moyennes sur les calories de 0,10 % à 38,3 % par rapport à la valeur réelle. Les aliments simples et isolés se situent en bas de la fourchette. Les grosses portions, les plats mélangés et les repas riches en graisses se situent en haut.

Pourquoi les compteurs de calories IA sous-estiment-ils les calories ?

Deux raisons ressortent des tests publiés. D'abord, les modèles sous-estiment les grosses portions : dans une étude de 2025 dans Nutrients, ChatGPT-4 jugeait correctement les petits repas mais estimait en moyenne à 530 g les repas de 798 g. Ensuite, la graisse de cuisson est difficile à voir. Un test préliminaire du NIH sur quatre applications et 102 repas pesés a trouvé des lipides sous-estimés d'environ 30 g par repas.

L'IA peut-elle deviner la taille d'une portion sur une photo ?

Seulement de façon approximative. Une photo seule ne contient aucune information de profondeur : le modèle déduit donc la taille d'après l'assiette, les couverts et l'aspect habituel des aliments. Dans l'étude Nutrition5k de Google Research, ajouter des données de profondeur a fait passer l'erreur sur les calories de 26,1 % à 16,5 %. Saisir la quantité, ou ajuster la portion après le scan, supprime l'essentiel de cette part de devinette.

Un compteur de calories IA est-il plus précis qu'une saisie manuelle ?

Les résultats publiés se recoupent. La revue de 2023 dans Annals of Medicine rapporte pour l'estimation humaine une fourchette allant de 30 % de sous-estimation à 1 % de surestimation, contre 0,10 % à 38,3 % d'erreur moyenne pour les méthodes IA. Une photo est plus rapide, et une photo que tu corriges ensuite à la main profite des forces des deux approches.

Quelle est la précision de NutriScan ?

NutriScan identifie les aliments avec une précision de 95 % ou plus pour les produits couverts par sa propre base alimentaire. C'est le chiffre propre à NutriScan, issu de la vérification interne des données alimentaires. Aucune étude externe ne l'a testé, et il décrit seulement le fait de nommer correctement l'aliment. La quantité dans l'assiette est une estimation à part, que tu peux modifier à chaque repas.