Recherche Septembre 2026 · 7 min de lecture

Quelle est la précision du comptage de calories par photo ? Ce que dit la recherche (2026)

Réponse courte : une estimation fondée sur la seule photo tombe en moyenne à 15–30 % du nombre réel de calories — plus près pour un aliment simple, plus loin pour les plats composés, les sauces et tout ce qui est caché sous autre chose. Ajouter une brève description écrite ou vocale (« blanc de poulet, environ 150 g, avec du riz ») réduit cette erreur de moitié environ. C'est comparable, voire supérieur, à l'estimation humaine à l'œil nu, et sans commune mesure avec le fait de ne rien enregistrer. Mais cela reste une estimation, et toute application annonçant plus de 95 % de précision sur des repas réels cite un laboratoire.

Pourquoi la question compte

Toute publicité pour un compteur à IA montre une assiette, un appareil photo et un chiffre assuré. Les sceptiques — diététiciennes, forums, personnes ayant vu 380 kcal pour un burrito — posent la question évidente : comment l'application sait-elle ?

Elle ne sait pas. Elle estime, en quatre étapes, et chacune peut se tromper. Comprendre ces étapes fait la différence entre bien utiliser l'outil et se laisser égarer par lui.

Comment fonctionne réellement l'estimation

Presque toutes les applications photo en 2026, CalMePlease comprise, suivent cette chaîne :

Segmentation. L'image est découpée en zones : assiette, arrière-plan, chaque aliment distinct.
Classification. Chaque zone reçoit un nom — poulet grillé, riz blanc, brocoli, sauce. C'est ici que les aliments visuellement proches se confondent : cuisse et blanc, riz et risotto, beurre et margarine.
Estimation des quantités. Le modèle devine le volume ou le poids à partir de l'image. La profondeur doit être déduite d'une photo plane, et c'est le plus difficile. Le recouvrement et l'angle de prise de vue nuisent tous deux.
Correspondance nutritionnelle. L'aliment identifié et la quantité estimée sont rapprochés d'une base nutritionnelle puis convertis en calories et macros.

Les erreurs s'additionnent. Dix pour cent d'écart sur la quantité plus une mauvaise entrée pour la sauce produisent 30 % d'écart sur le résultat. C'est pourquoi deux applications peuvent regarder la même assiette et diverger d'un tiers.

Ce que disent les études

**Revue systématique, 2023 (Shonkoff et coll., Annals of Medicine).** A comparé l'évaluation alimentaire par IA à des valeurs de référence. Les erreurs relatives sur les calories allaient de moins de 1 % à 38 % selon les travaux, avec des erreurs plus faibles pour les aliments simples. Conclusion : les méthodes fondées sur l'IA égalent voire dépassent l'estimation humaine, mais les performances varient énormément selon le jeu de données.

Nutrients, 2025. A testé un modèle d'IA généraliste actuel sur des images de repas. Image seule : environ 30,5 % d'erreur absolue moyenne en pourcentage. Image accompagnée d'une brève description des ingrédients : environ 13,9 %. Le contexte a plus que réduit l'erreur de moitié.

Fridolfsson et coll., 2025. Ont testé ChatGPT, Claude et Gemini sur 52 images. L'erreur sur le poids et l'énergie approchait 40 % pour les deux meilleurs modèles et 65–70 % pour le troisième, avec 42 à 110 % d'erreur sur les macronutriments, les protéines étant les plus mal estimées. Les modèles de langage généralistes sans chaîne dédiée à l'alimentation font nettement moins bien que les applications conçues pour cela.

Comparatifs indépendants, 2026. Deux tests portant chacun sur six applications ont établi que les applications purement photo présentent, en tant que catégorie, des erreurs supérieures aux méthodes combinant saisie manuelle et code-barres, les plats composés produisant des erreurs 50 à 70 % plus élevées que les assiettes à un seul aliment. Ils ont aussi montré que le sens de l'erreur compte : certaines applications sous-estiment systématiquement, d'autres surestiment, et un biais constant est plus gênant pour la gestion du poids qu'un bruit aléatoire, car il ne se compense pas sur une semaine.

Étude participative, 2018 (JMIR). Pour situer : quand on a demandé à 2 028 personnes d'estimer les calories à partir de photos, la personne moyenne est tombée dans les 20 % du chiffre réel 5 fois sur 20. Les évaluateurs formés n'ont pas fait mieux. Les humains sont mauvais à cet exercice.

D'où vient l'erreur, par ordre d'importance

Plats composés. Curry, ragoût, gratin, pâtes en sauce, burrito. Le modèle ne voit ni les proportions ni la quantité d'huile.
Calories invisibles. Vinaigrette, huile de cuisson, beurre, sucre dans la sauce, crème dans la soupe. Invisibles sur une photo, souvent 100 à 300 kcal.
La profondeur des portions. Un bol vu du dessus paraît identique qu'il contienne 150 ou 300 g de riz.
Les sosies. Yaourt entier ou allégé, boissons sucrées ou non, morceaux maigres ou gras.
Lumière et angle. Un mauvais éclairage dégrade la classification ; un angle rasant dégrade l'estimation des quantités.

Ce que valent les annonces de précision

Quand une application annonce « 90 % de précision », demandez : sur quoi ? Les tests de laboratoire utilisent un fond uni, un bon éclairage, un aliment par assiette et des portions connues. Ce n'est pas votre bureau à midi. La fourchette honnête pour un vrai plat composé est de 15 à 30 %. Certains éditeurs publient leurs propres mesures avec ±1 à 2 % d'erreur ; traitez avec scepticisme tout chiffre inférieur à 5 % sur des repas réels tant que la méthode n'est pas publique et vérifiée indépendamment.

La FAQ de Cal AI annonce environ 80 % de précision, ce qui est une manière rafraîchissante de dire ±20 %. C'est le niveau de la catégorie.

Comment obtenir le chiffre le plus juste

La recherche dessine une marche à suivre claire, et c'est ainsi que CalMePlease est conçue :

1. Ajoutez une phrase. Une photo accompagnée de « blanc de poulet, riz, environ un bol, huile d'olive » réduit l'erreur de moitié environ. Dans CalMePlease, vous pouvez la dire à la voix juste après la photo, dans l'une des neuf langues.

2. Filmez les assiettes complexes. Deux secondes de panoramique donnent au modèle davantage d'angles qu'une prise unique en plongée.

3. Scannez les produits emballés. Une étiquette lue est exacte. Ne photographiez pas une barre protéinée : scannez-la.

4. Corrigez ce que vous savez. Si l'application indique 200 g de riz et que vous savez qu'il y en avait 100, changez-le. Toutes le permettent ; les bonnes en un geste.

5. Regardez la tendance, pas le repas. Une estimation isolée peut se tromper de 25 %. Une semaine d'estimations à erreur aléatoire converge vers un chiffre bien plus serré.

6. Comptez autre chose que les calories. Une erreur de 20 % sur les calories est agaçante. Ignorer totalement sucre, fibres et sel — ce que font la plupart des applications à quatre macros — constitue un angle mort bien plus large. CalMePlease suit dix indicateurs par repas, si bien qu'un chiffre imparfait s'accompagne du contexte qui explique votre forme.

Est-ce assez précis ?

Pour la plupart des gens, oui, à une condition : l'objectif est la prise de conscience et la direction, pas la précision de laboratoire.

S'il vous faut atteindre exactement 1 847 kcal pour un protocole clinique, pesez vos aliments et utilisez une base. Si vous voulez savoir que vos déjeuners sont chargés en glucides rapides, qu'il vous manque 30 g de protéines la plupart des jours et que le sucre du week-end double celui de la semaine, une estimation photo accompagnée d'une brève description suffit largement — et c'est la seule méthode que la plupart des gens poursuivront au-delà de la deuxième semaine.

Le compteur le plus précis est celui que vous utilisez encore au troisième mois.

Questions fréquentes

Est-ce assez précis pour perdre du poids ? Oui. La perte de poids dépend d'un déficit constant sur plusieurs semaines. Des erreurs aléatoires de 15 à 25 % par repas se compensent largement ; l'essentiel est d'enregistrer chaque repas, et la photo rend cela bien plus probable.

Quelle application est la plus précise ? Aucun comparatif indépendant n'inclut toutes les applications. Celles qui combinent photo, code-barres et texte, et permettent de corriger vite, obtiennent de meilleurs résultats. La pesée associée au code-barres surpasse tout, au prix d'un abandon fréquent.

Une description aide-t-elle vraiment ? Oui : les travaux publiés montrent une erreur passant d'environ 30 % à environ 14 % avec une brève description des ingrédients.

Pourquoi l'application se trompe-t-elle au restaurant ? Les plats de restaurant contiennent huile, beurre et sucre invisibles, et les portions sont plus grandes qu'elles n'en ont l'air. Attendez-vous à une sous-estimation et ajoutez une note du type « restaurant, sans doute gras ».

Peut-on compter les calories depuis une vidéo ? Oui. La vidéo apporte plusieurs angles, ce qui améliore l'estimation des quantités. CalMePlease accepte de courts clips.

CalMePlease enregistre les repas par photo, vidéo, voix ou code-barres et suit dix indicateurs par repas. Gratuite sur l'App Store.