Estimer les calories avec une photo, ça marche vraiment ? La science derrière Tabeku

Nous recevons souvent des questions mêlant émerveillement et scepticisme logique. De nombreux utilisateurs, habitués aux applications de nutrition du passé, posent une question très légitime :

“Comment une application peut-elle savoir combien de calories et de macros contient ma nourriture simplement en regardant une photo ?”

Après avoir passé des années à chercher manuellement des aliments et à les peser gramme par gramme tous les jours, il est tout à fait compréhensible qu’une fonctionnalité d’estimation visuelle ressemble à de la magie ou à du marketing exagéré.

Cependant, ce qui opère à chaque fois que vous appuyez sur le bouton de l’appareil photo n’a rien de magique. Il s’agit d’une convergence technologique de réseaux de neurones de vision par ordinateur agissant de concert avec de grands modèles de langage (LLMs).

Ci-dessous, nous décomposons exactement comment ce processus fonctionne à partir du moment où vous prenez la photo jusqu’à l’obtention de vos macronutriments.

Les 3 piliers qui rendent possible la révolution visuelle de Tabeku

Permettre à un appareil photo de comprendre la nutrition est l’une des avancées technologiques récentes les plus utiles. Notre système associe plusieurs couches d’intelligence artificielle capables d’analyser des données complexes en quelques microsecondes :

1. Détection et analyse visuelle des ingrédients

La première étape consiste à identifier les composants du plat. Cependant, le système ne se contente pas de simplement classer « viande » ou « pain ». Les réseaux de neurones sont entraînés sur des millions d’images pour détecter les textures, les densités et les états de cuisson.

Par exemple, en analysant les pores de la mie et la teinte de la cuisson, il peut différencier une tranche de brioche riche en beurre d’un pain de seigle complet dense. De plus, l’IA examine les reflets et la brillance visuelle des aliments pour découvrir la présence d’huiles de cuisson ajoutées. Elle peut déterminer si une pomme de terre est simplement cuite au four, sautée ou frite, ajustant drastiquement l’impact calorique estimé.

2. Inférences volumétriques 3D et perspective

Localiser un morceau de saumon sur une photo n’est que la moitié de l’équation ; déterminer combien il pèse est le véritable défi. Une simple image en 2D ne suffit pas pour connaître la profondeur d’un aliment.

En calculant la perspective géométrique et en utilisant des références visuelles universelles (comme la taille standard des couverts, le diamètre habituel d’une assiette ou l’angle de la caméra), les algorithmes déduisent le volume en trois dimensions des portions.

Le système comprend le concept de densité nutritionnelle : il sait qu’un bol rempli de feuilles d’épinards occupe un grand volume visuel mais possède une quantité de calories extrêmement faible, tandis qu’une seule grosse cuillère de beurre de cacahuète, occupant une fraction de cet espace visuel, représente dix fois la valeur calorique.

3. Contexte humain via les Modèles de Langage (LLM)

Les algorithmes de vision par ordinateur excellent dans la reconnaissance de pixels, mais ils manquent de bon sens humain. C’est pourquoi les données visuelles détectées passent par un grand modèle de langage (LLM), qui apporte un contexte situationnel et culturel profond.

Imaginez que vous preniez une photo d’une boîte à emporter classique remplie de nouilles asiatiques. L’IA visuelle détectera « nouilles, viande, légumes ». Mais le LLM va plus loin dans son raisonnement :

“Il s’agit d’un emballage typique d’un restaurant rapide asiatique commercial. Les nouilles présentent un aspect glacé foncé suggérant un assaisonnement généreux avec des sauces sucrées à base de soja, cuites dans un wok avec beaucoup d’huile végétale.”

De cette manière, l’application ajoute automatiquement à l’estimation structurelle ces ingrédients « invisibles » (graisses cachées, édulcorants, réductions de sauces) qui dissimulent la majorité des calories d’origine commerciale — et qui sont la cause principale de la stagnation lors d’une perte de poids.

Le facteur clé : L’apprentissage itératif continu

Ce qui rend Tabeku véritablement puissant comparé à une base de données statique, c’est sa capacité d’apprentissage itératif.

Si l’IA interprète occasionnellement votre purée de pommes de terre comme du houmous (une erreur possible vu leur ressemblance visuelle), vous pouvez intervenir et corriger l’application en disant “Non, c’est de la purée de pommes de terre”.

Le modèle assimile cette correction en temps réel, en interagissant avec vous sous forme de conversation. Il met à jour les macros de votre repas actuel et utilise ces points de données pour affiner sa précision globale au fil du temps.

L’objectif ultime : La constance sans friction

Aucun algorithme visuel ne sera parfait à 100 %, tout comme l’étiquetage nutritionnel commercial a des marges d’erreur légalement autorisées allant jusqu’à 20 %. Exiger une perfection mathématique d’une assiette de nourriture est une approche biologiquement erronée.

Le véritable objectif de l’IA de Tabeku est de réduire à zéro la friction logistique de l’enregistrement quotidien. En éliminant le processus ennuyeux, lent et bureaucratique consistant à compter les calories ou chercher des codes-barres, vous évitez la fatigue mentale. Et lorsque le processus est facile et n’interfère pas avec votre vie sociale, les chances de maintenir des habitudes nutritionnelles efficaces pour le reste de votre vie sont radicalement multipliées.