Cómo funciona el reconocimiento de comida con IA

1. ¿Qué pasa cuando haces una foto?

Cuando capturas un plato en Cals2Gains ocurren cuatro cosas en orden, normalmente en menos de 3 segundos:

1. Compresión local: la foto se reduce a un máximo de 1024 px para enviarla rápido. La original se mantiene en tu dispositivo.
2. Análisis con visión IA: enviamos la imagen a un modelo de visión (GPT-4o-mini, modo zero-retention). El modelo identifica ingredientes visibles y estima la porción de cada uno.
3. Cálculo de macros: cruzamos los ingredientes con nuestro catálogo nutricional (USDA + OpenFoodFacts + base propia) para calcular calorías, proteínas, hidratos, grasas y fibra.
4. Confirmación visible: te mostramos qué detectó, qué porciones estimó, y qué macros salen. Puedes editar cualquier paso antes de guardar.

2. Qué hace bien

Platos comunes y bien fotografiados

Pollo con arroz y verduras, pasta con tomate, ensaladas con ingredientes visibles, tostadas, fruta cortada, sándwiches. Aquí el margen de error suele estar en el 5-15% sobre los macros que daría un dietista mirando la misma foto.

Productos con etiqueta o código de barras

Para alimentos envasados, mejor usar el escáner de códigos de barras (precisión exacta del fabricante) o el escáner OCR de etiqueta nutricional (lee directamente los gramos por porción).

Recetas que cocinas a menudo

Si guardas tus recetas con sus ingredientes y porciones, las macros se calculan al gramo: la IA solo se usa para reconocer la receta cuando la fotografías otra vez.

3. Qué hace peor (y cómo lo compensamos)

Estofados y guisos

El aceite, la mantequilla y los azúcares disueltos no se ven en la foto. Cals2Gains hace una estimación conservadora basándose en el tipo de plato, pero pedimos confirmación cuando detecta uno de estos.

Porciones imposibles de medir

Una foto desde arriba sin referencia de tamaño dificulta estimar el peso. Si pones la mano o un cubierto en la foto, la IA usa la referencia para calibrar; si no, asume porciones medias para el plato detectado.

Comidas con muchos ingredientes ocultos

Sushi, pizza con mucha cobertura, postres complejos. En estos casos la IA detecta el plato como un todo y aplica la receta canónica del recetario. Si tu versión es más grasa o más ligera, edita los macros antes de guardar.

4. Cómo entrenamos el sistema sin tus datos

No usamos tus fotos ni tus correcciones para entrenar el modelo de visión directamente. En lugar de eso:

• Guardamos métricas agregadas y anónimas: qué ingredientes se editan más, qué porciones se ajustan más, qué platos generan más fricción.
• Cada semana revisamos esas métricas y mejoramos: nuestro prompt al modelo, nuestro catálogo nutricional, las reglas de fallback.
• Para platos regionales (paella, gazpacho, fabada, etc.) mantenemos un catálogo curado con valores realistas — no calculados solo por el modelo.

Preguntas frecuentes