Compter les calories avec une photo : comment fait l’IA et ce qu’elle ne voit pas

Noter ses repas en photo supprime la partie la plus fastidieuse du suivi : chercher dans une base de données et saisir chaque ingrédient. Pour beaucoup de gens, c’est la différence entre noter ses repas une semaine et le faire pendant des mois. Mais l’estimation d’une photo n’est pas une mesure, et savoir où elle se trompe rend tes chiffres plus fiables.

Comment une IA compte-t-elle les calories à partir d’une photo ?

Quelle que soit la technologie, le travail se résume à trois questions : qu’est-ce que c’est, combien y en a-t-il, et que contient cette quantité ? Une revue systématique de 2022 décrit ces étapes : séparer les aliments dans l’assiette, classer chacun d’eux, puis estimer son volume, ses calories ou ses nutriments.

Étape 1 : reconnaître les aliments

Le modèle repère chaque aliment dans l’image (du riz ici, un curry là) et lui donne un nom. L’apprentissage profond a beaucoup amélioré cette étape pour les plats courants et bien visibles. Les erreurs apparaissent avec les plats régionaux, les aliments cachés sous une sauce et les aliments qui se ressemblent : dans une étude de 2025, un modèle d’IA a pris des falafels pour des boulettes de viande, et son estimation des protéines était plusieurs fois trop élevée.

Étape 2 : estimer la portion

C’est l’étape difficile. Une photo est plate : elle montre la surface couverte par la nourriture, pas sa hauteur. La revue de 2022 indique que certains systèmes utilisent une deuxième photo prise de côté, ou un objet de référence de taille connue – une pièce, une carte, une assiette, une tasse, voire ton pouce – pour convertir les pixels en dimensions réelles. Il faut ensuite passer du volume au poids grâce à la densité de l’aliment, et la densité varie : un même volume de riz léger et aéré pèse moins que du riz tassé.

Étape 3 : trouver les nutriments

Enfin, le poids estimé est associé à une table de composition des aliments, comme FoodData Central du ministère de l’Agriculture des États-Unis (USDA) ou, en France, la table Ciqual de l’ANSES. Choisir la bonne entrée compte : dans FoodData Central, le riz blanc long grain cuit apporte environ 130 kcal pour 100 g et le riz cru environ 365 kcal, donc se tromper de forme multiplie presque le chiffre par trois.

Ce qu’une photo ne voit pas

• La matière grasse de cuisson. L’huile imprègne les légumes, le riz et les fritures ; le beurre fond dans la soupe. Tu vois au mieux un reflet brillant, pas les cuillerées.
• Les sauces et les tartinables. Une salade légèrement assaisonnée et une salade noyée de vinaigrette se ressemblent vues d’en haut ; la mayonnaise dans un sandwich est invisible.
• Les garnitures. Burritos, raviolis, bricks, pains farcis et tourtes gardent leurs calories à l’intérieur.
• La profondeur et la densité. Une photo prise d’en haut ne distingue pas une fine couche de riz d’un bol profond et tassé. Une revue de 2020 souligne que les portions d’aliments sans forme et d’aliments très caloriques sont particulièrement difficiles à estimer en image.
• Les sosies. La même revue cite le soda light face au soda classique, ou le frit face au cuit au four, comme des cas qui demandent souvent une précision de l’utilisateur. Le lait entier et le lait écrémé sont identiques dans un verre.
• Les plats mijotés et mélangés. Dans un ragoût, un tajine, un curry ou un sauté, l’appareil photo doit deviner la recette en plus de la portion.

Garde le sens des proportions : même les chiffres imprimés sont des approximations. Aux États-Unis, les calories d’une étiquette sont arrondies aux 5 kcal près jusqu’à 50 kcal et aux 10 kcal près au-delà, et un produit n’est considéré comme mal étiqueté que si ses calories dépassent l’étiquette de plus de 20 %. Les bases de données donnent elles aussi des moyennes. Les photos ajoutent de l’incertitude, mais aucune méthode du quotidien n’est exacte.

Quelle est la précision du comptage des calories par photo ?

• Une revue de 2020 conclut que les méthodes les moins contraignantes tendent à être les moins précises, et que distinguer des aliments très semblables demandera sans doute toujours une vérification de l’utilisateur.
• Une étude de 2025 a testé trois modèles d’IA généralistes sur 52 photos de repas standardisées, avec assiettes et couverts visibles pour l’échelle. Les meilleurs modèles étaient à peu près aussi précis que les relevés alimentaires classiques autodéclarés, mais les trois sous-estimaient de façon systématique, et l’écart grandissait avec la taille des portions.
• Une autre étude de 2025 a montré que les estimations pour 195 plats s’amélioraient quand la photo était accompagnée de détails difficiles à voir – type et quantité de matière grasse, édulcorant, teneur en matière grasse des produits laitiers, type de viande – et encore davantage avec la liste complète des ingrédients.

La leçon : une photo plus quelques réponses rapides vaut mieux qu’une photo seule, et les repas copieux, mélangés ou gras méritent un second regard.

Comment obtenir de meilleures estimations à partir d’une photo

1. Cadre toute l’assiette avec une bonne lumière, sous un angle d’environ 45 degrés pour que la hauteur soit visible. Ajoute une vue de dessus pour les bols profonds.
2. Inclus un objet de taille connue, comme une fourchette standard ou ton assiette habituelle. Utiliser la même vaisselle rend aussi tes propres estimations plus constantes.
3. Sépare les éléments quand c’est possible. Prends la photo avant de mélanger la salade ou de verser la sauce. Pour les wraps et les plats farcis, montre la coupe.
4. Réponds aux questions de suivi sur l’huile, le lait, le sucre ou la vinaigrette. Elles comblent exactement ce que l’appareil photo ne voit pas.
5. Vérifie la portion avant d’enregistrer. Si l’appli indique 300 g de pâtes et que tu sais qu’il y en avait moins, corrige. Un bol, un verre ou deux tranches sont souvent plus faciles à juger que des grammes.
6. Note à part les boissons et les extras : le café au lait, le jus, une poignée d’oléagineux, le beurre sur ta tartine.
7. Utilise le code-barres ou l’étiquette pour les produits emballés. Scanner des chiffres imprimés vaut mieux que les estimer.

Quand la photo suffit-elle ?

Pour prendre conscience de ton alimentation ou faire évoluer ton poids progressivement, la régularité compte plus que la précision. Si tes estimations sont un peu hautes ou un peu basses de la même façon chaque jour, l’évolution de ton poids sur deux à quatre semaines montre quand même si tes apports collent à ton objectif. Notre guide sur le déficit calorique et les plateaux explique comment lire cette tendance, et celui pour compter les calories avec précision présente les habitudes de saisie qui comptent le plus.

La photo convient moins quand des chiffres précis comptent pour ta santé, par exemple si tu comptes les glucides pour ajuster ton insuline, si tu suis un régime médical pour une maladie rénale ou une autre affection, ou si tu es enceinte. Parle avec ton médecin ou un diététicien de la méthode adaptée. Et si le suivi devient source d’anxiété, tu peux arrêter et en parler à un professionnel.

Les questions de confidentialité à poser à toute appli alimentaire avec IA

Une photo de repas peut en révéler plus que ton déjeuner. Cherche des réponses claires à ces questions dans la politique de confidentialité ou les réglages.

• Ma photo est-elle conservée après l’estimation ? Où, et pendant combien de temps ?
• Mes photos ou mes saisies servent-elles à entraîner des modèles d’IA, et puis-je refuser ?
• L’appli me demande-t-elle un consentement explicite avant d’envoyer quoi que ce soit à un service d’IA ?
• Puis-je l’utiliser sans compte, et supprimer facilement mes données ?
• Mes données sont-elles vendues ou partagées avec des annonceurs ?
• La localisation ou d’autres métadonnées quittent-elles mon téléphone avec la photo ?

Dans l’Union européenne, le RGPD te donne le droit de demander l’effacement de tes données personnelles ; selon la CNIL, l’organisme doit y procéder sous un mois, délai qui peut être porté à trois pour une demande complexe.

Comment Portiva gère la saisie par photo

Portiva traite une photo comme le début d’une estimation, pas comme le dernier mot. Quand un détail changerait beaucoup les calories – l’huile dans la poêle, le beurre dans la soupe, une sauce, la taille de la portion –, l’appli te pose une question courte au lieu de deviner. Chaque aliment affiche sa portion en grammes ou en mesures du quotidien comme les bols, verres, cuillères et tranches, et tu peux tout modifier avant d’enregistrer.

• Note tes repas par photo, scan caméra en direct, voix ou texte ; pour les produits emballés, scanne le code-barres ou photographie l’étiquette nutritionnelle.
• Les fonctions d’IA ne fonctionnent qu’après ton consentement explicite. Portiva ne conserve pas les photos de repas et ne les utilise pas pour entraîner des modèles d’IA.
• Fonctionne sans compte ; la version gratuite comprend une saisie IA par jour et une saisie manuelle et par code-barres illimitée.

Questions fréquentes

Le comptage des calories par photo avec l’IA est-il fiable ?

Cela dépend du repas. Les aliments simples et bien visibles sont bien mieux estimés que les plats copieux, mélangés ou gras. Des études sur des modèles d’IA généralistes ont montré qu’ils ont tendance à sous-estimer, davantage pour les grosses portions, et qu’ils font mieux quand tu ajoutes ce que l’appareil photo ne voit pas, comme la matière grasse de cuisson. Considère le résultat comme un point de départ.

Une appli d’IA peut-elle voir la quantité d’huile dans mon plat ?

Pas de façon fiable. L’huile pénètre dans les aliments et s’étale en couche fine, donc une photo montre au mieux un reflet. C’est important, car une cuillère à soupe d’huile d’olive (13,5 g) apporte environ 119 kcal. Une bonne appli te demande comment le plat a été cuisiné ou combien d’huile tu as utilisé ; si la tienne ne le fait pas, ajoute l’huile comme un élément séparé.

La photo est-elle aussi précise que la pesée ?

Non. Peser supprime l’estimation de la portion, c’est donc plus précis. Mais peser chaque repas est difficile à tenir, et une méthode que tu utilises tous les jours vaut souvent mieux qu’une méthode précise que tu abandonnes. Un bon compromis : note tes repas en photo et pèse de temps en temps les aliments les plus caloriques, comme l’huile, les purées d’oléagineux, le fromage, le riz et les pâtes.

Pourquoi mon appli de calories me pose-t-elle des questions sur mon repas ?

Parce qu’une partie des informations les plus importantes ne se voit pas. Le type et la quantité de matière grasse, les édulcorants, la teneur en matière grasse des produits laitiers ou ce qu’il y a dans un wrap peuvent beaucoup changer les calories d’un repas. Des recherches ont montré qu’ajouter ce type d’informations à une photo rendait les estimations de l’IA plus précises. Une question courte est plus rapide que corriger une mauvaise estimation.

Mes photos de repas sont-elles conservées ou utilisées pour entraîner l’IA ?

Cela varie selon les applis : vérifie la politique de confidentialité avant de commencer – conservation des photos après l’analyse, entraînement des modèles, consentement demandé au préalable, possibilité de supprimer tes données. Portiva ne conserve pas les photos de repas, ne les utilise pas pour entraîner des modèles d’IA, et ses fonctions d’IA ne s’activent qu’après ton consentement.

Sources

1. Applying Image-Based Food-Recognition Systems on Dietary Assessment: A Systematic Review, Dalakleidi KV et al., Advances in Nutrition (2022).
2. Review of the validity and feasibility of image-assisted methods for dietary assessment, Höchsmann C, Martin CK, International Journal of Obesity (2020).
3. Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images, Fridolfsson J et al., Current Developments in Nutrition (2025).
4. Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios, Rodríguez-Jiménez M et al., Nutrients (2025).
5. FoodData Central (SR Legacy), U.S. Department of Agriculture, Agricultural Research Service.
6. Table de composition nutritionnelle des aliments Ciqual, Agence nationale de sécurité sanitaire de l’alimentation, de l’environnement et du travail (ANSES).
7. 21 CFR 101.9 – Nutrition labeling of food, U.S. Government Publishing Office, Code of Federal Regulations (2025).
8. Le droit à l’effacement : supprimer vos données en ligne, Commission nationale de l’informatique et des libertés (CNIL) (2018).