Calories estimées à partir d’une photo de repas : quelle fiabilité pour l’IA ?
Quelle est la fiabilité de l’analyse de photos de repas par IA pour suivre les calories ? Ses points forts, ses limites — huile invisible, plats composés, portions — et son utilisation par les coachs.
8 min de lecture · · L’équipe UM
L’analyse de photos de repas par IA reconnaît bien les aliments et accélère beaucoup la saisie, mais elle ne permet pas de calculer les calories au gramme près. Les études constatent un écart moyen d’environ un tiers sur l’apport énergétique, principalement à cause des huiles invisibles, des plats composés et de la taille des portions. Son principal intérêt est de faciliter la régularité du suivi et d’en dégager les tendances, à condition que le client vérifie les quantités et que le coach l’aide à prendre des habitudes qui réduisent l’erreur.
Vos clients détestent peser leurs aliments. Ce n’est un secret pour personne. Demandez-leur de tout enregistrer au gramme près : la plupart tiendront une semaine, puis vous n’aurez plus de nouvelles.
Alors, « photographiez votre assiette et l’application fait les calculs » semble idéal. Mais un coach doit se poser une question simple : puis-je prendre des décisions à partir du chiffre obtenu ?
L’analyse de photos de repas par IA est-elle précise pour compter les calories ?
Elle donne un ordre de grandeur, pas une mesure au gramme près. Une étude publiée en 2025 dans Current Developments in Nutrition a testé les principaux modèles d’IA généralistes sur 52 photos d’aliments mesurés en laboratoire ; même les meilleurs modèles présentaient une erreur moyenne de 35,8 % sur l’apport énergétique.
Les chercheurs ont souligné que ce résultat était comparable aux journaux alimentaires classiques remplis par les utilisateurs, sans l’effort de saisie. La même étude a montré que l’erreur augmentait avec la taille de l’assiette : les modèles sous-estimaient surtout les grosses portions.
Dans des travaux présentés à NUTRITION 2026 par des scientifiques des National Institutes of Health américains, quatre applications de comptage des calories par photo sous-estimaient les repas de 250 à 345 calories en moyenne, et les lipides d’environ 30 grammes. Il s’agit d’une communication à un congrès, pas encore d’un article complet évalué par les pairs.
Quels sont les points forts de l’IA sur les photos de repas ?
Elle est surtout douée pour reconnaître ce qui se trouve dans l’assiette. Une étude publiée en 2024 dans Nutrients a comparé sept applications de reconnaissance alimentaire par image : leur précision pour identifier les composants d’un repas allait de 46 % à 97 %, les meilleures reconnaissant presque tous les éléments.
- Reconnaissance des aliments : poulet, riz, salade, pain. Elle les identifie généralement correctement.
- Rapidité : une photo et quelques secondes suffisent, au lieu de rechercher chaque aliment et de saisir les quantités.
- Régularité du suivi : une saisie plus simple permet de renseigner davantage de journées, ce qui vous donne une vue d’ensemble de la semaine.
- Assiettes simples : un aliment bien visible est ce qu’elle estime le plus facilement.
Où le suivi des calories par photo atteint-il ses limites ?
Trois difficultés principales : les huiles et graisses invisibles, les plats composés et la profondeur des portions.
- Huile invisible : une cuillère à soupe d’huile supplémentaire à la cuisson ajoute environ 120 calories sans apparaître sur la photo. Cela explique en partie pourquoi les lipides sont le macronutriment le plus souvent sous-estimé.
- Plats composés : koshari, mahshi, gratins de pâtes et plats mijotés. Les ingrédients se mélangent et la photo ne permet pas d’en connaître les proportions. L’étude de Nutrients a constaté que les estimations énergétiques étaient peu fiables pour les plats composés et les spécialités locales : dans un cas, une application surestimait une soupe de nouilles de 49 %, tandis qu’une autre sous-estimait une boisson sucrée de 76 %.
- Profondeur des portions : une photo prise du dessus ne montre pas la profondeur du bol. Une tasse de riz étalée peut ressembler à deux tasses disposées en tas.
- Boissons et sauces : jus, café sucré, tahini et assaisonnements peuvent passer inaperçus ou être mal évalués.
| Type d’aliment | Résultat de l’analyse par IA | Conseil pour le coach |
|---|---|---|
| Un seul aliment bien visible (poulet grillé, fruit) | Identifie bien l’aliment et estime bien la portion | Laissez le client enregistrer sa photo normalement |
| Aliments séparés dans l’assiette (riz + poulet + salade) | Identifie bien les aliments, mais estime les quantités approximativement | Demandez au client de séparer les aliments dans l’assiette |
| Plats composés (koshari, mahshi, plats mijotés) | Peu fiable pour les proportions et les calories | Sélectionnez le plat dans la bibliothèque ou ajustez les grammes manuellement |
| Aliments frits ou riches en huile | Sous-estime généralement les lipides | Enregistrez l’huile de cuisson séparément |
| Boissons et sauces | Souvent oubliées ou mal évaluées | Enregistrez-les séparément, en tasses ou en cuillères |
| Portions volumineuses ou servies dans un récipient profond | Les plus fortement sous-estimées | Ajoutez une photo prise de côté |
Comment les coachs doivent-ils utiliser l’analyse de photos de repas ?
Comme un outil de suivi et de régularité, pas comme une balance. Ce qui compte, c’est que le client renseigne ses repas et que la tendance sur deux semaines aille dans le bon sens.
- Toujours une vérification : le client voit les aliments et les grammes avant l’enregistrement et corrige les erreurs.
- Des habitudes dans l’assiette : disposez les aliments côte à côte plutôt qu’empilés, et utilisez la même taille d’assiette chaque jour.
- Une ligne pour l’huile : apprenez aux clients à enregistrer séparément les cuillères d’huile ou de ghee.
- Une pesée par semaine : peser un repas par semaine aide le client à mieux estimer les portions à l’œil.
- Fiez-vous aux résultats, pas seulement au chiffre : si les calories enregistrées correspondent à l’objectif mais que le poids ne bouge pas, un élément n’est pas saisi ou est sous-estimé.
La photo vous dit ce que le client a mangé. La balance et le bilan vous aident à comprendre en quelle quantité. Utilisez les deux.
Comme le dit un coach qui consulte les journaux alimentaires chaque semaine : « Un suivi approximatif tous les jours vaut mieux qu’un suivi parfait deux fois par semaine. »
Comment UM analyse-t-il les photos de repas ?
Dans l’application client UM, disponible sur l’App Store et Google Play, le client photographie son assiette. Un modèle de vision identifie les aliments et estime leur poids en grammes.
Poulet, riz, brocoli- L’IA identifie et estime uniquement : les calories et les macros proviennent d’une base de données alimentaires, pas d’une supposition de l’IA.
- Le client vérifie avant d’enregistrer : il corrige l’aliment ou la quantité avant que le repas soit ajouté à sa journée.
- La photo n’est pas conservée : elle sert uniquement à l’analyse.
- Vous retrouvez toutes les informations : les repas enregistrés figurent dans le dossier du client, à côté de ses bilans, et UM AI les consulte pour analyser son suivi du plan.
Cette fonction fait partie d’UM, le logiciel qui remplace les PDF sur WhatsApp et les tableaux Excel, avec plus de 5 000 repas dans sa bibliothèque. UM est gratuit à vie jusqu’à 3 clients.
Pour approfondir le suivi nutritionnel que les clients parviennent à tenir, UM Academy propose des formations gratuites pour les coachs.
- Fridolfsson et al., Current Developments in Nutrition (2025): Performance of 3 large language models for nutritional content estimation from food images
- Li et al., Nutrients (2024): Manual food logging and AI-enabled food image recognition in apps for nutrition care
- NIDDK researchers at NUTRITION 2026 (conference presentation), via News-Medical: Photo-based calorie-tracking apps fall short
Dernière mise à jour:





