# Comment suivre les calories depuis une photo (pas à pas)

> Comment le suivi calorique par photo IA fonctionne en pratique — setup photo optimal, résultats de test de précision, et les aliments où ça pèche.

Canonical: https://www.mycallie.app/fr/blog/how-to-track-calories-from-a-photo
Published: 2026-05-19 · Updated: 2026-09-28
Author: Md Sadab Wasim · Source: https://www.mycallie.app

Si tu as déjà essayé de logger un repas à la main dans MyFitnessPal — chercher « blanc de poulet », scroller 14 variantes communautaires, deviner entre onces et grammes, répéter pour chaque ingrédient — tu sais pourquoi la plupart des gens abandonnent. La photo enlève cette friction. Photo, validation, fini.

Mais « c'est vraiment précis ? » est la question qui suit. Voici la réponse honnête avec des chiffres réels.

## La réponse en 30 secondes

**Photographie l'assiette à environ 30–45° au-dessus, avec une fourchette, ta main ou le bord de l'assiette dans le cadre, vérifie la portion estimée par l'IA, corrige à la voix ou au texte ce qui cloche, puis valide.** Dans notre propre test sur 20 repas pesés à la balance, les estimations photo de Callie ont eu 9,9 % d'erreur moyenne avec ce setup ; en conditions réelles, attends-toi à 13–15 %. Les plats en couches ou en sauce comme les lasagnes et le biryani sont le point faible : ajoute une note d'une ligne, et utilise le code-barres pour les produits emballés.

## Le workflow photo en 7 étapes

La plupart des erreurs photo ne sont pas des erreurs de modèle — ce sont des erreurs de setup. Fais ça bien et la précision monte.

1. **Pose l'assiette sur une surface contrastante.** Assiette blanche sur table en bois, OK. Assiette blanche sur nappe blanche, ça brouille la segmentation.
2. **Inclue une référence de taille.** Une fourchette, une main, ou le bord de l'assiette dans le cadre. Sans ça, le modèle doit deviner la taille de l'assiette.
3. **Photographie à environ 30–45° au-dessus du plat.** Verticale pure → perte de profondeur ; angle latéral → portions déformées.
4. **Cadre tout le repas.** Crop trop serré, le modèle rate les ingrédients sur les bords.
5. **Lumière correcte.** Lumière du jour ou intérieure chaude — pas la lueur orange d'un resto à la bougie. Le modèle vision doit voir les couleurs nettement.
6. **Un repas par photo.** Si tu as deux plats distincts (plat + salade), photographie chacun séparément.
7. **Ajoute une note d'une ligne pour les plats en sauce ou en couches.** « La portion de curry, c'est environ un poing. » Cette seule phrase fait monter la précision de ~10 points sur les plats à masse cachée.

## Un vrai test de précision

On a pesé 20 repas à la balance 0,1 g, photographié chacun avec une fourchette dans le cadre, et loggé via Callie. Puis calculé l'erreur absolue moyenne (MAE) contre les calories dérivées de la balance.

| Repas | kcal balance | kcal photo Callie | Erreur |
|---|---|---|---|
| Blanc de poulet + riz + brocoli | 520 | 480 | -8 % |
| Deux œufs durs + pain + beurre | 360 | 380 | +6 % |
| Saumon + patate douce + asperges | 610 | 555 | -9 % |
| Spaghetti carbonara | 740 | 670 | -9 % |
| Biryani de poulet | 820 | 700 | -15 % |
| Salade César au poulet | 540 | 575 | +6 % |
| Roti + dal + sabzi | 650 | 575 | -12 % |
| Pad thai | 720 | 800 | +11 % |
| Lasagne (une part) | 580 | 460 | -21 % |
| Burrito bowl (mélangé) | 870 | 760 | -13 % |
| Sushis (8 pièces, mélangés) | 480 | 510 | +6 % |
| Yaourt grec + granola + baies | 410 | 395 | -4 % |
| Pizza (2 parts, pepperoni) | 670 | 720 | +7 % |
| Risotto aux champignons | 590 | 520 | -12 % |
| Steak frites | 980 | 920 | -6 % |
| Tikka de poulet + naan | 720 | 800 | +11 % |
| Toast à l'avocat + œuf | 420 | 405 | -4 % |
| Sauté de tofu + riz | 540 | 575 | +6 % |
| Salade Cobb | 620 | 555 | -10 % |
| Mac and cheese | 690 | 600 | -13 % |
| **Erreur absolue moyenne** | — | — | **9,9 %** |

**Notes :**

- Les deux pires cas étaient la lasagne (-21 %) et le biryani (-15 %) — deux plats en couches où la masse est cachée sous la couche du dessus.
- Les meilleurs cas étaient des plats composés à l'assiette où chaque ingrédient est visuellement séparable.
- Les 9,9 % MAE concernent nos photos en setup optimal (fourchette dans le cadre, lumière correcte). En conditions réelles où on saute parfois la fourchette ou on tire en lumière faible, attends-toi à 13–15 % MAE.

## Quand la photo n'est pas le bon outil

- **Produits emballés.** Le code-barres est à ±2 %. Ne photo-loggue pas une barre protéinée.
- **Café + boissons.** Les calories liquides sont dures à estimer visuellement. Tape « latte au lait d'avoine 45 cl » ou logge depuis le menu.
- **Huiles, beurre, sauces.** Souvent invisibles. Ajoute-les en texte ensuite.
- **Service à table familial où tu ne connais pas ta portion.** Photographie *ton assiette après service*, pas le plat partagé.

## Le workflow combiné qui gagne

Le logging précis le plus rapide n'est pas la photo seule — c'est **photo + correction vocale**.

1. Photographie le repas (~5 secondes).
2. Regarde l'estimation de portion de l'IA.
3. Si ça paraît à côté, dis « le poulet est plus gros » ou « pas d'huile dans la salade » (~5 secondes).
4. Valide.

Total : ~15 secondes. La couche de correction vocale comble les écarts de précision photo sans taper ni chercher en base.

## Comment fonctionne le flow photo de Callie

Callie identifie les aliments dans l'assiette, estime les portions avec ta main ou une fourchette à l'échelle, regarde la densité calorique/macro par aliment et présente des totaux à accepter ou ajuster. Le coach IA apprend de tes corrections — si tu te sers une portion de riz plus grosse que ce que le modèle attend, les futures photos s'auto-calibrent.

Les corrections vocales ou texte sont de premier ordre — pas de « changement de mode » à friction. Photographie et parle.

Pour les utilisateurs multilingues : les corrections vocales marchent dans n'importe quelle langue supportée par le coach IA — donc tu peux photographier en setup anglais et dire « ajoute une cuillère d'huile d'olive » ou « Reis verdoppeln » et le repas se met à jour correctement.

## À lire ensuite

- [Le guide complet du suivi calorique par IA](/guides/ai-calorie-tracking) — primer complet sur la techno.
- [Logging vocal : ça marche ?](/blog/voice-food-logging-accuracy) — test de vitesse vs photo et texte.
- [Callie vs Cal AI : quel tracker photo est le meilleur ?](/compare/callie-vs-cal-ai) — benchmark face à une autre appli photo-first.

## Sources

1. Benchmark interne Callie sur 20 repas pesés à la balance (mai 2026). Méthodologie : chaque repas pesé à 0,1 g ; photographié en lumière du jour avec une fourchette standard dans le cadre ; loggé une fois par appli ; comparé aux densités caloriques USDA FoodData Central.
2. Lu et al. (2020). « A Multi-Task Learning Approach for Meal Assessment. » https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7146530/
3. Mezgec S, Koroušić Seljak B. (2017). « NutriNet: A Deep Learning Food and Drink Image Recognition System for Dietary Assessment. » *Nutrients* 9(7):657.