Hogyan számold a kalóriákat anélkül, hogy rámenne az életed. A 4 módszer összehasonlítása, a valós pontosságuk, és az, melyiket fogod még 6 hónap múlva is használni.
AI fotószkennelés, vonalkód, adatbázis, gyors hozzáadás: mit ér valójában mindegyik módszer, miért adja fel az emberek 80%-a 3 hónapon belül, és hogyan válassz a profilod alapján.
A Lean csapata · 11 perc olvasás · Frissítve: 2026. június 11.
Ingyenes letöltés
Négy módszer a kalóriák számolására: az AI fotós szkennelés (lefényképezed a tányérodat, az AI azonosítja az egyes ételeket és a mennyiségüket), a vonalkódolvasás (csomagolt termékek, gyártói adatok), az adatbázis (keresés + mérés, ez a legpontosabb mód) és a gyors hozzáadás (egy összesített becslés 10 másodperc alatt). A jó módszer az, amelyiket 6 hónapig is tartani tudod, nem az, amelyik papíron a legpontosabb. És a beviteled követése csak akkor hasznos, ha a felhasználásod, vagyis a TDEETotal Daily Energy Expenditure, a teljes napi energiafelhasználásod 24 óra alatt. TDEE = BMR + NEAT + EAT + TEF., pontosan van kiszámolva.
Miért hagyja abba az emberek 80%-a a számolást 3 hónapon belül
A kalóriaszámolás működik. Nem ez a kérdés. A kérdés az, hogy szinte senki nem tart ki mellette: a fogyókúrás programokról szóló tanulmányok már az első hetekben jelentős lemorzsolódást mutatnak, jóval azelőtt, hogy az első látható eredmény megjelenne a mérlegen.
A teher konkrétan: a „csirkemell” keresése egy listában, a helyes bejegyzés kiválasztása 40 duplikátum közül, 150 g szemre becslése, majd ugyanez a babnál, aztán az olívaolajnál. Naponta háromszor. Havonta 90-szer. Ez a bürokrácia öli meg a követést, nem maga a követés ötlete.
Gyakorlati következtetés: a rögzítési módszered megválasztása nem puszta használhatósági részlet. Ez AZ a változó, amely eldönti, hogy az adataid 3 hónap múlva is léteznek-e. Íme a 4 módszer, a leggyorstól a legigényesebbig rangsorolva.
Az AI fotószkennelés: 5 másodperc étkezésenként
Lefényképezed a tányérodat. A Lean AI-ja kettős azonosítást végez: először felismeri az összes rajta lévő ételt (grillezett csirke, zöldbab), majd megbecsüli mindegyik mennyiségét. Az eredmény nem egy hasraütésszerűen megadott összesített szám, hanem ételenkénti bontás, soronként kalóriákkal és makrókkal.
Képekben, lépésről lépésre, egy valódi étkezésen:
A hétköznapi ételeknél a tipikus hiba étkezésenként körülbelül ±10 %. Ez kevésbé pontos, mint a mérleg, és bőven elég a zsírcsökkentés irányításához (erre lentebb, a nagy számok törvényénél még visszatérünk). Mindenekelőtt ez az egyetlen módszer, amely a címke nélküli étkezéseket is lefedi: otthon, étteremben, menzán.
Ahol a Lean még tovább megy: nálad marad az irányítás
Az AI-szkennelés csak akkor hasznos, ha korrigálni tudod, amit javasol. A Lean három lehetőséget ad, ételenként:
A mennyiségek módosítása
Ételenként egy csúszka: itt a kenyeret az AI 101,4 g-ra becsülte, majd 70 g-ra javítottad. A kalóriák és az étel összesen azonnal újraszámolódnak.
A makrók módosítása
Jobban ismered a receptedet, mint az átlag? Itt a chips: az AI 4,1 g zsírt javasol, te 14 g-ra javítod. A fánk és az összesítés követi.
Egyetlen étel újraszkennelése
Az AI a pulykát sajtnak nézte? Beírod a helyes nevet, a sor önállóan újraelemződik, anélkül hogy az egész ételt újra kellene csinálni.
A teszt a Cal AI ellen: bontás kontra összesített érték
Ugyanaz a fotó, két app. A különbség azonnal szembetűnik:
Ez a strukturális különbség a legtöbb szkennelős alkalmazáshoz képest, élükön a Cal AI-jal: ezek egy összesített becslést adnak vissza ételenként, vagyis egy teljes kalória- és makróértéket anélkül, hogy az ételenként módosítható bontás elérhető lenne. Ha a becslés hibás, vagy elfogadod, vagy elveted. Ételenkénti bontásnál a hiba két érintéssel javítható.
Mikor ideális használni: házi ételeknél, étteremben, menzán, minden olyan étkezésnél, ahol nincs vonalkód. Az alapértelmezett módszer az étkezések 90%-ánál.
A vonalkód-szkennelés: a címke pontossága
Mindenhez, ami csomagolásból kerül ki, a vonalkód verhetetlen: a tápértékek közvetlenül a gyártói adatokból származnak. A Lean az USDA és az OpenFoodFacts adatbázisaira támaszkodik, vagyis több millió referenciára. Beolvasod, beállítod a mennyiséget, és kész.
A korlát nyilvánvaló: a házi tésztás tányérodnak nincs vonalkódja. Ezért ez a módszer természetesen kiegészíti a fotós AI-szkennelést, nem helyettesíti azt.
Mikor ideális használni: bevásárlásnál, snackeknél, feldolgozott termékeknél, shakereknél. Maximális pontosság iparilag előállított termékeknél, nulla erőfeszítéssel.
Adatbázis + mérleg: a pontossági mód
A történelmi módszer: leméred az ételt, megkeresed az adatbázisban, beírod a grammokat. Konyhai mérleggel ez a legpontosabb módszer, ami létezik, a versenyfelkészülések és a klinikai protokollok módszere.
A „Maradék / Hatás” panel még a jóváhagyás előtt megmutatja, hogy az étel mit változtat a napi kereteiden: kalóriák, fehérjék, szénhidrátok, zsírok, rostok. Így megalapozottan döntesz, nem utólag.
A Lean a lehető legkisebbre csökkenti a súrlódást: a gyakori ételeid előzményei, keresés az USDA + OpenFoodFacts adatbázisokban, hozzáadás két koppintással a listából. De legyünk őszinték a valós költséggel kapcsolatban: étkezésenként 2-3 perc, és a mérlegelés fegyelme. Pont ez a súrlódás okozza a klasszikus módszer 80 %-os lemorzsolódását.
Mikor ideális használni: szigorú szálkásításnál, haladó testkompozíció-javításnál, súlycsoportos sportoknál. És a mindennapok 5-10 visszatérő ételénél, amelyeket az előzmények szinte azonnalivá tesznek.
A gyors hozzáadás: az összesített érték, ami megmenti a napot
Születésnapi büfé, túlzsúfolt nap, állva elfogyasztott étkezés két megbeszélés között: vannak étkezések, amelyeket soha nem fogsz részletesen követni. A gyors hozzáadás lehetővé teszi, hogy egy globális összesített értéket rögzíts, becsült kalóriákkal és makrókkal, 10 másodperc alatt. Kevésbé pontos, de végtelenül jobb, mint egy adatlyuk.
A valós idejű kalóriaegyensúly elvégzi a többit: a képernyőképen 2 143 kcal a cél, 1 000 elfogyasztva, 1 143 maradék, a nap folyamán folyamatosan újraszámolva. Egy hozzávetőleges, de követett nap jobb, mint egy tökéletes, de feladott nap: az eredményt a heti átlag irányítja, nem egyetlen elszigetelt nap tisztasága.
Mikor ideális használni: zsúfolt napokon, társas étkezéseknél, hogy ne add fel. Az a módszer, amely megakadályozza a „kihagytam egy étkezést, akkor már mindegy az egész hét” hozzáállást.
Ingyenes letöltés
Melyik módszer melyik profilhoz
Először a 4 módszer összevetése a 4 fontos szempont szerint: az étkezésenkénti könnyűség, az elérhetőség (mindenhol, mindig működik-e), a hosszú távú fenntarthatóság és a pontosság.
AI fotószkennelés
Egy fotó, 5 másodperc
Vonalkód
A pontos címke
Adatbázis + mérleg
A pontossági mód
Gyors hozzáadás
A tartalék összesített érték
++ kiváló + jó − gyenge pont. A „hosszú táv” azt jelenti, mekkora az esélye annak, hogy 6 hónap múlva is használni fogod a módszert.
A mérkőzés tanulsága: nincs olyan módszer, amely mindenben nyer. Az AI-szkennelés a kitartásban dominál, az adatbázis + mérleg a pontosságban, a gyors hozzáadás pedig csak a hiányok pótlására létezik. Innen a profilok: a 4 módszer nem zárja ki egymást, a helyes stratégia egy keverék, az aktuális igényeidhez és az időbeosztásodhoz igazítva. Három profil lefedi az esetek szinte teljes körét.
Zéró súrlódás, tanulás menet közben
AI-fotószkennelés mindenhol, vonalkód a csomagolt termékeken, mérlegelés nélkül. Az egyetlen cél: 3 hónapig kitartani, és megtanítani a szemedet az adagokra. A pontosság majd később jön, előbb a szokás.
Minden százalék számít
Mérleg + adatbázis a házi ételeknél, vonalkód a csomagolt termékeken, AI-szkennelés étteremben. Rövid szakaszokra, amikor a pontosság tényleg megtérül: szigorú szálkásítás vége, hivatalos mérlegelés.
Megbízható adatok gondolkodás nélkül
Vonalkód és AI-szkennelés a mindennapokban, gyors hozzáadás tartalékként a lehetetlen napokon. Az adagjaidat már ismered, csak azt akarod, hogy az adatok meglegyenek.
Mindenkire érvényes döntőszabály: ha bizonytalan vagy, válaszd a legkönnyebb módszert, amelyről biztosan tudod, hogy tartani fogod. Egy tökéletes adat, amelyet 3 hét után abbahagysz rögzíteni, nulla értékű.
A ±10 %-os hiba, amely egy hónap alatt eltűnik
Az AI-szkenneléssel szembeni klasszikus ellenvetés: « a ±10 % hiba túl sok ». Ez egyetlen, elszigetelt étkezésre vonatkozó gondolkodás. De te nem egy étkezést követsz: havonta körülbelül 90-et.
Rózsaszín: túlbecsült étkezések. Zöld: alulbecsült étkezések. Fekete vonal: a tényleges beviteled. Egy hónap alatt az eltérések kiegyenlítődnek.
Ez a nagy számok törvénye (Kolmogorov): a független, véletlenszerű hibák kiegyenlítik egymást, ahogy nő a megfigyelések száma. A hétfői +12 % ellensúlyozza a keddi hiányzó 8 %-ot. Ami egy hónap végén megmarad, az a modell átlagos torzítása, amely egy jól kalibrált szkennelésnél közel van a nullához, nem pedig egyetlen étkezés zaja.
A kézi bevitel ezzel szemben egészen más jellegű problémával küzd: szisztematikus torzítással. Az emberek következetesen kevesebbet vallanak be annál, mint amennyit valójában esznek, és egy torzítás soha nem egyenlítődik ki.
A tanulság: a kérdés nem az, hogy « az AI-szkennelés tökéletes-e ? », hanem az, hogy « melyik módszer adja a legpontosabb adatokat 90 étkezésen át ? ». És itt az automatizálás nyer, mert egy irányított torzítást olyan zajra cserél, amely kiegyenlíti önmagát.
A számolás nem elég: az egyenlet másik fele hiányzik
Egy tökéletes étkezési napló önmagában semmit sem mond. Zsírt veszíteni negatív energiamérleg: a bevitel kisebb, mint a kiadás. Ha a kiadásod rosszul van kiszámolva, a deficit csak könyvelési fikció, és hiába számolod a kalóriákat grammra pontosan, soha nem jutsz előre.
A probléma: az appok túlnyomó többsége a kiadásodat Harris-Benedict (1919) vagy Mifflin-St Jeor (1990) képletekkel becsüli, amelyek nyers testsúlyra épülnek, és figyelmen kívül hagyják a testösszetételedet. Azonos testsúlynál egy 15 % bodyfatű és egy 30 % bodyfatű test egyáltalán nem éget ugyanannyit. A Lean másképp számolja a kiadást, négy lépésben:
BodyScan MI
Fotót készítesz az appban. Az AI a látható testalkatod alapján becsüli meg a bodyfatet, és ezt hetente újraszámolja. Ez a mérés rögzíti az egész számítást a sovány tömegedhez, nem a nyers testsúlyodhoz.
BMR szabadalmaztatott saját modellen keresztül
A Lean szabadalmaztatott algoritmusa a valódi sovány tömegedből számítja ki az alapanyagcserédet. Pontosabb, mint a Harris-Benedict 1919 vagy a Mifflin-St Jeor 1990, amelyek csak a testsúlyodat ismerik.
NEAT, EAT és TEF mérve, nem átalányban számolva
A lépéseid a NEAT-be számítanak, az edzéseid az EAT-be a referencia MET-táblázatokon keresztül, a TEF pedig azokból a makrókból számolódik, amelyeket ténylegesen elfogyasztottál, éppen a követésednek köszönhetően.
Újraszámolt anyagcsere-adaptáció
Hosszan tartó deficitben a BMR csökken. A Lean az első app, amely ezt a tényezőt modellezi, és szorzóként alkalmazza a BMR-re. Konvenció: 100 % = optimális, 90 % = 10 pontos adaptáció.
Eredmény: az élő egyenleg azt hasonlítja össze, amit megeszel (a jelen útmutató 4 módszerével számolva), azzal, amit valójában elégetsz, folyamatosan újraszámolva. A két fél, a pontos bevitel és a pontos kiadás együtt teszi kiszámíthatóvá a zsírfogyást. Az egyik a másik nélkül üres könyvelés.
Ingyenes letöltés
Gyakran ismételt kérdések a kalóriaszámlálásról
Hány kalória naponta a fogyáshoz?
Megbízható az AI-fotószkennelés a kalóriaszámláláshoz?
Mérni kell az ételeket a kalóriaszámláláshoz?
Minden nap számolni kell a kalóriákat?
Miért nem fogyok, pedig számolom a kalóriákat?
A kalóriaszámlálás megszállottá tesz?
Mi a különbség a Lean és a MyFitnessPal között a kalóriaszámlálásban?
Irodalomjegyzék
- Burke L.E., Wang J., Sevick M.A. (2011). Self-monitoring in weight loss: a systematic review of the literature. J Am Diet Assoc. PubMed 21185970.
- Alexander E., Tseng E., Durkin N. et al. (2018). Factors associated with early dropout in an employer-based commercial weight-loss program. Obes Sci Pract. PMC6298204.
- Lichtman S.W. et al. (1992). Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. N Engl J Med. PubMed 1454084.
- Martin C.K. et al. (2009). A novel method to remotely measure food intake of free-living individuals in real time: the remote food photography method. Br J Nutr. PubMed 18616837.
- USDA FoodData Central. Referencia tápanyag-adatbázis. fdc.nal.usda.gov.
- Open Food Facts. Csomagolt élelmiszerek globális, közösségi adatbázisa. world.openfoodfacts.org.
- Hall K.D. et al. (2011). Quantification of the effect of energy imbalance on bodyweight. Lancet. PubMed 21872751.
- Mifflin M.D. et al. (1990). A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. PubMed 2305711.
- Harris J.A., Benedict F.G. (1919). A Biometric Study of Basal Metabolism in Man. Carnegie Institution of Washington.
- Ainsworth B.E. et al. (2011). Compendium of Physical Activities: a second update of codes and MET values. Med Sci Sports Exerc. PubMed 21681120.