因吹斯汀！只需上传照片，GPT-4V精准识别食物的卡路里和摄入热量

健身和减肥的朋友有福啦！

最近一篇文章探索了GPT-4V在膳食评估领域的强大能力，可以根据饮食图片精准判断食物的种类与重量，并给出营养成分的分析，包括碳水化合物、蛋白质、脂肪占比。

最最重要的是，它还能告诉我们这些食物的卡路里是多少，这对于我们减肥的朋友来说可是超级重要的！

你可以上传吃之前和吃之后的图片，GPT-4V可以轻松判断摄入了多少热量。

比如提供这两张图片：

给模型一些任务提示：

识别提供的图像中的食物类型，包括食用前和食用后。使用周围的对象作为近似分量大小的参考。为每一类食物的摄入量提供合理的克数估计。请注意，这些食品来自加纳和肯尼亚。

输出结果：

为了估算份量，我将使用杯子和盘子作为参考，假设盘子是标准的餐盘大小，直径约为10-12英寸。以这些物体为尺度，我们可以做出以下估计: 食物1（炸鱼）：初始份量约400克；消费份量约300克。食物2（淀粉类配菜，可能是banku或fufu）：初始份量约300克；消费份量约250克。食物3（番茄酱）：初始份量约150克；消费份量约75克。食物4（洋葱片）：初始份量约50克；消费份量约20克。

看看营养成分呢：

计算一下300g炸鱼、250gbanku、75g番茄酱和20g洋葱片的营养成分，包括碳水化合物、蛋白质、脂肪和卡路里。请以下列格式列出结果:碳水化合物:[g]，蛋白质:[g]，脂肪:[g]，卡路里:[千卡]。

输出：

300克炸鱼包括0克碳水化合物，78克蛋白质，33克脂肪，606千卡的热量。250g的banku含有120g碳水化合物，4.5g蛋白质，1g脂肪，527.5千卡热量。75g番茄酱，包含3g碳水化合物，0.75克蛋白质，0.225克脂肪，15千卡的热量。20g洋葱片含有1.8克碳水化合物、0.22克蛋白质、0.02克脂肪和8千卡热量。

它还能像个营养小贴士一样，告诉我们饮食中缺少了哪些营养，并给出合理的建议。这样我们就可以更好地调整自己的饮食。

这顿饭缺少什么营养，吃什么来补充呢?

输出：

根据您提供的图片，这顿饭包括米饭和鸡肉，这可能提供了大量的碳水化合物、蛋白质和脂肪。然而，它似乎缺乏一些纤维和维生素：纤维：没有可见的蔬菜或水果，而这些是提供膳食纤维所必需的。为了增加纤维摄入量，可以考虑加一份混合蔬菜或新鲜沙拉。维生素和矿物质：新鲜水果和蔬菜也是维生素和矿物质的重要来源。乳制品或钙源：没有乳制品或其他富含钙的食物。可以从牛奶，奶酪，酸奶，或钙强化植物选择一份增加钙含量。

看着还挺像那么回事，有了GPT-4V督促，就不用担心一不小心吃多啦！

但上面只是一些例子参考，GPT-4V在膳食评估方面的准确性到底如何呢？本文的作者还进行了多个数据维度的详细定量分析，让我们一起来了解一下吧！

论文标题:
Dietary Assessment with Multimodal ChatGPT: A Systematic Analysis

论文链接:
https://arxiv.org/pdf/2312.08592.pdf

实验数据

作者使用了居住在伦敦的肯尼亚和加纳裔成年人的饮食摄入数据。为每位参与者分配了eButton或AIM摄像机被动记录他们的饮食摄入量。使用标准化的Salter breknell体重秤记录食物初始重量和吃饱后剩余的食物重量。配备经验丰富的营养师作为人工评估基准，与GPT-4V的结果进行比较。

实验结果

食物检测能力

首先来看看GPT-4V能否准确识别食物的类别。

作者对比了是否包含食物来源信息的提示下的模型性能。从结果可以看出，指明食物来源可以显著提高语言模型的能力，准确识别特定文化的食物，**准确率达到了87.5%**，相比不说明食物来源提高了十几个点。

当食物来源未指定时，GPT-4V经常错误将白色淀粉类食物误分类为米饭。当说明了食物来自肯尼亚或加纳时，模型能准确将食物识别为banku或ugali，这是传统的非洲食物。

食物分量估计

下图展示了三种方法包括GPT-4V、人眼估计和基准真值对食物分量的估计，图中观察到的趋势表明，GPT-4V的预测通常与基准真值非常接近。

作者进一步使用绝对误差的度量来比较GPT-4V和人类估计。GPT-4V的估计的平均绝对误差为54.6g。相比之下，人类估计准确性稍微更高一些，平均绝对误差为43.6g。但也说明GPT-4V的表现与人类非常接近。

营养成分估计

在估算出食物分量之后，作者利用GPT-4V模型将食物的重量转化为特定的营养数据，重点关注关键的膳食成分：碳水化合物，蛋白质，脂肪和卡路里。获取的结果与真实值进行比较。

下表展示了10个不同膳食的分量和营养成分估计误差。可以看到，营养估计的准确性在很大程度上取决于分量估计的准确性。

下图显示了GPT-4V预测32种食物的碳水化合物、蛋白质、脂肪和卡路里含量的预测结果，并与真实值进行对比，可以看出，GPT-4V预测的趋势在大部分食物上与真值一致。

处理低可见图像的能力

本文还突显了GPT-4V处理低可见度图像（如在黑暗环境中拍摄的图像）的能力。

在光线暗的地方，如果没有足够的语境提示，GPT-4V可能倾向于会把食物当成米饭或面包这类常见的食物。但是，当我们给了它一些关于食物来源的信息时，它就能准确地识别出来，比如banku和ugali这种传统的非洲食物。

结论

本文分析了GPT-4V在膳食评估中的潜力。即使在没有使用特定食物数据集进行微调或适应的情况下，GPT-4V在食物检测方面准确率高达87.5％。另外GPT-4V可以利用周围的物体作为比例参考来推断食物项目的份量大小，进一步提高将食物重量转化为营养含量的准确性。

虽然GPT-4V很强大，但还不能完全解决复杂的空间关系和精确空间分析任务。比如，它对于估算食物的体积或分量不太准确，因为这需要三维感知能力，超出了它的能力范围。在本文的实验中发现它对重量不到30g的食物类别难以准确估计。

即便如此，它的表现也几乎达到了人类水平。期待未来版本的GPT-4V能更稳健，为我们提供更准确的膳食摄入评估。