Die Wissenschaft hinter der Portionsschätzung aus einem einzigen Foto

Den Nährwertgehalt einer Mahlzeit aus einem einzigen Foto zu schätzen klingt oberflächlich betrachtet, als müsste es viel zu ungenau sein, um nützlich zu sein. Es ist keine Waage im Spiel, keine exakte Zutatenliste, und keine Möglichkeit zu sehen, was im Inneren des Essens passiert. Und trotzdem landet die fotobasierte Schätzung in der Praxis nah genug, um für die überwiegende Mehrheit der Alltagsmahlzeiten wirklich nützlich zu sein. Der Grund liegt darin, wie viel visuelle Information ein Teller Essen tatsächlich enthält.

Ein Foto liefert gleichzeitig mehrere nützliche Signale: die erkennbaren Lebensmittel und ihre allgemeine Kategorie (Eiweiß, Beilage, Gemüse, Sauce), ihre relativen Proportionen zueinander, ihr Volumen im Verhältnis zu bekannten Referenzobjekten wie Teller, Schüssel oder Besteck im Bild, und visuelle Hinweise zur Zubereitungsart — frittiert versus gegrillt zum Beispiel, was selbst bei derselben Grundzutat ein deutlich anderes Kalorienprofil mit sich bringt.

Das ist ein ähnlicher Prozess, nur in viel größerem und schnellerem Maßstab, wie ihn ein ausgebildeter Ernährungsberater bei der visuellen Schätzung einer Mahlzeit während einer Beratung durchführt — auch er wiegt den Teller nicht, sondern schließt aus Erfahrung, was ein bestimmtes Volumen eines bestimmten Lebensmitteltyps typischerweise wiegt und enthält. Ein Sprachmodell, das mit riesigen Mengen an Lebensmittelbildern und Nährwertdaten trainiert wurde, führt eine Version dieses gleichen visuellen Schlussfolgerns durch, nur automatisiert und nahezu sofort.

Die Genauigkeit dieses Ansatzes ist naturgemäß je nach Lebensmitteltyp unterschiedlich. Eine gegrillte Hähnchenbrust, eine Ofenkartoffel oder eine Schüssel Reis lassen sich relativ leicht genau schätzen, weil ihr Volumen und ihre Dichte ziemlich vorhersehbar und ihre visuellen Grenzen klar sind. Ein Eintopf, ein Auflauf oder alles, bei dem Zutaten vermischt und teilweise verborgen sind — zusätzliches Öl, Butter oder Sahne in eine Sauce eingerührt — ist von Natur aus schwerer präzise zu schätzen, weil ein bedeutender Teil des Kaloriengehalts schlicht nicht sichtbar ist.

Genau deshalb wird die Foto-Schätzung als schnelle, vernünftige Schätzung positioniert, nicht als Anspruch auf Laborpräzision, und deshalb wird sie mit Barcode-Scanning für abgepackte Lebensmittel kombiniert, für die bereits eine exakte, aufgedruckte Antwort verfügbar ist. Die beiden Methoden passen zu unterschiedlichen Problemen: Barcode-Scanning dort, wo exakte Daten bereits existieren, Foto-Schätzung dort, wo sie es nicht tun und nie tun werden, weil die Mahlzeit ohnehin nie mit einem Etikett kommen würde.

Es lohnt sich auch zu erwähnen, dass sich die Foto-Schätzung mit zusätzlichem Kontext verbessert, weshalb die Angabe eines Gerichtnamens oder einer kurzen Beschreibung zusammen mit dem Foto — "Hähnchenpfanne mit Reis" statt nur ein unbeschriftetes Bild — meist eine genauere Schätzung liefert, als das Foto allein hergibt. Sowohl die visuelle Information als auch die Textbeschreibung grenzen die Spanne wahrscheinlicher Nährwerte ein, und die Kombination beider übertrifft konsequent das Verlassen auf nur eine der beiden.

Die realistische Sichtweise auf fotobasierte Schätzung ist die einer deutlichen Genauigkeitsverbesserung gegenüber der Alternative, die sie tatsächlich ersetzt — eine grobe Vermutung aus einer Datenbanksuche nach dem am ehesten passenden Namen —, nicht als Konkurrentin zu einer Küchenwaage und einer vollständigen Zutatenliste. Für die überwältigende Mehrheit hausgemachter Mahlzeiten ist das eine deutlich bessere Schätzung in einem Bruchteil der Zeit, und das ist der Kompromiss, der tatsächlich darüber entscheidet, ob das Tracking Tag für Tag fortgesetzt wird.