Home  /  Paano magbilang ng calories
Guide · Tracking calories

Paano magbilang ng calories nang hindi inuubos ang buhay mo. Ang 4 na method na pinagkumpara, ang totoong accuracy nila, at ang kaya mo pang sundan kahit after 6 months.

Photo AI scan, barcode, database, mabilis na add: kung ano talaga ang value ng bawat method, bakit 80 % ng mga tao sumusuko sa loob ng 3 buwan, at paano pumili base sa profile mo.

Ang Lean Team · Reading 11 min · Na-update noong 11 June 2026
I-download sa App Store Available sa Google Play Libreng download
Ang pag-track ng pagkain sa journal ang behavior na pinaka-consistently na iniuugnay sa successful weight loss sa scientific literature (Burke, 2011). Hindi kailanman ang effectiveness ang problema, ang problema ay adherence: ang manual na pag-input ng bawat pagkain ay nakakapagod sa lahat, at halos 80 % ng mga tao ay sumusuko sa loob ng wala pang 3 buwan. Ikinukumpara ng guide na ito ang 4 na method para magbilang ng calories mo, mula sa pinakamabilis (photo AI scan, 5 seconds) hanggang sa pinaka-accurate (database + scale), at sasabihin kung alin ang pipiliin base sa profile mo.
Mabilis na sagot

Apat na method para magbilang ng calories mo: ang photo AI scan (kinukuhanan mo ng picture ang plato mo, kino-compare ng AI ang bawat pagkain at ang dami nito), ang barcode scan (mga packaged products, data ng manufacturer), ang database (search + timbang, ang pinaka-accurate na mode) at ang quick add (isang overall estimate sa loob ng 10 segundo). Ang tamang method ay yung kaya mong ituloy nang 6 months, hindi yung pinaka-accurate lang sa papel. At ang pag-track ng kinakain mo ay may silbi lang kung tama rin ang nasusunog mong calories, ang TDEETotal Daily Energy Expenditure : ang total na calorie expenditure mo sa loob ng 24 h. TDEE = BMR + NEAT + EAT + TEF., ay tama ang pagkakakalkula.

01 · Ang obserbasyon

Bakit 80 % ng mga tao tumitigil sa pagbilang sa loob ng 3 buwan

Gumagana ang pagbilang ng calories. Hindi iyon ang usapan. Ang usapan, halos walang nagtatagal: sa mga study tungkol sa weight loss programs, malaki ang attrition sa unang mga linggo pa lang, bago pa lumabas ang unang resultang kita sa timbangan.

80 %
ng mga nag-sign up sa weight loss program ay sumusuko sa loob ng unang 3 buwan (Alexander et al., 2018). Ang pangunahing dahilan: ang friction ng pag-track, hindi ang kakulangan sa willpower.

Ang friction, sa totoong buhay: hanapin ang «blanc de poulet» sa listahan, piliin ang tamang entry sa gitna ng 40 na duplicate, tantiyahin ang 150 g sa tingin lang, ulitin para sa beans, tapos para sa olive oil. Tatlong beses sa isang araw. 90 beses sa isang buwan. Ito ang nakakapatay sa tracking, hindi ang idea ng pag-track.

Praktikal na konklusyon: ang pagpili mo ng method sa pag-input ay hindi lang maliit na usapin sa UX. Ito ang variable na magde-decide kung nandiyan pa rin ang data mo pagkalipas ng 3 buwan. Heto ang 4 na method, naka-rank mula sa pinakamabilis hanggang sa pinaka-demanding.

02 · Method 1

Ang AI photo scan: 5 segundo bawat meal

Kinukuhanan mo ng picture ang plato mo. Gumagawa ang AI ng Lean ng double identification : una, kinikilala nito ang bawat pagkain na nandiyan (grilled chicken, green beans), tapos tinatantya nito ang dami ng bawat isa. Hindi lang ito isang overall number na parang hinugot sa wala, ito ay breakdown per food, may calories at macros para sa bawat line.

Ang AI scan sa totoong conditions: photo, analysis, result.

Sa images, step by step, sa totoong meal:

AI scan sa Lean: kuha na ang photo ng ulam, optional na details field sa keyboard
I-frame mo. Pwede kang maglagay ng detail sa keyboard, kung gusto mo.
AI analysis sa Lean, ginagawa na: tine-trace ang photo ng ulam
Sinusuri ng AI ang plato.
Resulta ng AI scan: bawat food binilang na may calories at macros
Bawat food, naka-count.

Sa mga karaniwang dish, ang typical na error ay nasa ±10 % bawat meal. Mas hindi ito precise kaysa sa scale, at sobra-sobrang sapat para i-manage ang fat loss (babalikan natin ito gamit ang law of large numbers sa ibaba). Mas importante, ito lang ang method na sakop ang mga meal na walang label: bahay, restaurant, canteen.

Kung saan mas malayo ang kaya ng Lean: hawak mo pa rin ang kontrol

Kapaki-pakinabang lang ang AI scan kung puwede mong i-correct ang mga iminumungkahi nito. Sa Lean, may tatlong lever ka, bawat food:

Leverage 1

Baguhin ang quantities

May slider bawat food: dito, ang tinantyang bread na 101,4 g ng AI, na-correct sa 70 g. Agad na nagre-recalculate ang calories at total ng meal.

Na-scan na meal sa Lean bago i-correct: tinantyang 101,4 g ang tinapay
Tinantyang bread na 101,4 g ng AI.
Quantity slider sa Lean: na-correct ang tinapay sa 70 g, instant ang recalculation
Na-correct sa 70 g, nagre-recalculate lahat.
Leverage 2

I-edit ang macros

Mas kilala mo ang recipe mo kaysa sa average? Dito, chips: nag-suggest ang AI ng 4,1 g na fats, inaayos mo sa 14 g. Susunod na rin ang donut at total.

Macros ng chips na tinantya ng AI sa Lean: 4,1 g ng fats
Chips ayon sa AI: 4,1 g na fats.
Macros ng chips na mano-manong na-correct sa Lean: 14 g ng fats
Inayos nang mano-mano: 14 g.
Leverage 3

I-re-scan ang isang food lang

Napagkamalan ng AI na cheese ang turkey? I-type mo ang tamang name, automatic na magre-reanalyze ang line, hindi na kailangan ulitin ang buong dish.

Re-scan ng food sa Lean: i-type sa keyboard ang tamang pangalan
Nililinaw mo: ham na turkey.
Resulta pagkatapos ng re-scan sa Lean: na-identify ang turkey ham, na-recalculate ang total
Turkey ham, 53 kcal. Na-recalculate ang total.

Ang test laban sa Cal AI: breakdown kontra buong balot

Parehong photo, dalawang app. Kita agad ang difference:

AI scan comparison: ang parehong meal photo na ibinigay sa Lean at sa Cal AI
Ang parehong photo, ibinigay sa dalawang app.
Lean Resulta: sandwich at chips, pinaghiwa-hiwalay per food item
Lean: bawat food, detalyadong total.
Cal AI Resulta: buong estimate ng dish, walang breakdown
Cal AI: isang overall na balot per dish.

Iyan ang structural difference nito kumpara sa karamihan ng scan apps, lalo na ang Cal AI : nagbabalik sila ng overall estimate per dish, isang total ng calories at macros nang walang editable na breakdown per food. Kung mali ang estimate, tatanggapin mo na lang o itatapon mo. Kapag may breakdown per food, naitama ang error sa dalawang tap.

Ang tamang gamit: mga lutong-bahay, restaurant, canteen, lahat ng meals na walang barcode. Ito ang default na method para sa 90 % ng meals.

03 · Method 2

Ang barcode scan: ang precision ng label

Para sa lahat ng galing sa packaging, panalo ang barcode: ang nutrition values ay diretso mula sa manufacturer data. Umaasa ang Lean sa USDA at OpenFoodFacts databases, na may milyon-milyong reference. I-scan mo, i-adjust mo ang quantity, tapos na.

Scan ng barcode: eksaktong entry, diretso agad.

Halata ang limitasyon: ang plato mo ng homemade pasta, walang barcode. Kaya ang method na ’to ay natural na sinasabay sa photo AI scan, hindi niya ito pinapalitan.

Ang tamang gamit: groceries, snacks, processed products, shakers. Pinaka-accurate para sa industrial na pagkain, zero effort.

04 · Method 3

Database + timbangan: precision mode

Ang classic na method: tinitimbang mo ang pagkain mo, hinahanap mo sa database, tapos ilalagay mo ang grams. Gamit ang kitchen scale, ito ang pinaka-accurate na method na meron, pang-competition prep at clinical protocols.

Paghahanap ng food sa Lean database na may history at quick add
Search, history, add in two taps.
Eksaktong nutrition facts ng isang product sa Lean, kasama ang impact sa daily budgets
Eksaktong product entry, live impact.

Ipinapakita sa panel na « Restants / Impact » sa’yo, bago ka pa mag-confirm, kung ano ang mababago ng pagkain sa daily budgets mo: calories, proteins, carbs, fats, fibers. Makakapagdesisyon ka nang may alam, hindi after the fact.

Pinapababa ng Lean ang friction sa minimum: history ng madalas mong pagkain, search sa USDA + OpenFoodFacts, add in two taps mula sa list. Pero maging honest tayo sa totoong effort: 2 hanggang 3 minuto bawat meal, at ang disiplina ng pagtimbang. Eksakto itong friction na ’to ang dahilan ng 80 % na pag-drop out sa classic method.

Ang tamang gamit: strict cut, advanced recomposition, sports na may weight category. At yung 5 hanggang 10 paulit-ulit mong pagkain araw-araw, na halos instant na lang dahil sa history.

05 · Method 4

Ang quick add: ang safety net na sumasalo sa araw mo

Birthday buffet, sobrang busy na araw, standing meal sa gitna ng dalawang meeting: may mga meal na hindi talaga kailanman ma-track nang detalyado. Hinahayaan ka ng quick add na maglagay ng isang overall na estimate, calories at macros, sa loob ng 10 segundo. Mas hindi accurate, pero mas okay nang malayo kaysa sa butas sa data.

Quick add form sa Lean: name, calories, at macros na mano-manong inilagay
Pangalan, calories, macros: 10 segundo.
Na-save na quick add sa Lean food log
Isang estimate, naisalba ang araw.

Ang live calorie balance ang bahala sa iba: sa screenshot, 2 143 kcal na target, 1 000 na nakonsumo, 1 143 ang natitira, nire-recalculate nang tuloy-tuloy habang tumatakbo ang araw. Ang isang araw na approximate pero na-track ay mas okay kaysa sa isang perfect na araw na na-abandon: ang weekly average ang nagdidikta ng result, hindi ang pagiging perpekto ng isang hiwalay na araw.

Nutrition details ng isang meal na in-add via quick add sa Lean: natitira at impact
Natitira at impact, nire-recalculate nang live.

Ang tamang gamit: busy days, social meals, pang-salba kapag ayaw mo nang sumuko. Ito yung method na pumipigil sa, “may na-miss akong meal, bahala na buong linggo.”

I-download sa App Store Available sa Google Play Libreng download
06 · Pumili

Anong method para sa anong profile

Una, i-match natin ang 4 methods sa 4 criteria na mahalaga: ang dali sa bawat meal, availability (gumagana ba kahit saan, kahit kailan), tibay sa long term, at accuracy.

AI photo scan

Ang photo, 5 seconds

Dali++
Availability++
Long term++
Katumpakan+

Barcode

Eksaktong label

Dali+
Availability+
Long term+
Katumpakan++

Database + scale

Precision mode

Dali−
Availability+
Long term−
Katumpakan++

Quick add

Backup envelope

Dali++
Availability++
Long term−
Katumpakan−

++ excellent + good − weak point. “Long term” = ang chance na gagamitin mo pa rin ang method na ito sa loob ng 6 months.

Basahin ang match: walang method na panalo sa lahat. Ang AI scan ang dominante sa adherence, ang database + scale sa accuracy, at ang quick add nandiyan lang para punan ang mga butas. Kaya may mga profile: hindi nag-eexclude ang 4 methods sa isa't isa, ang tamang strategy ay mix, naka-dose depende sa taas ng demand mo sa moment na iyon at sa schedule mo. Tatlong profile ang sakop ang halos lahat ng cases.

Profile 1 · Beginner

Zero friction, matuto habang ginagawa

AI photo scan kahit saan, barcode sa packaged food, walang weighing. Isang goal lang: tumagal ng 3 months at sanayin ang mata mo sa portions. Darating din ang accuracy, pero habit muna.

Profile 2 · Maximum rigor

Bawat percent, mahalaga

Scale + database sa home-cooked meals, barcode sa packaged food, AI scan sa restaurant. Para sa maiikling phases na talagang sulit ang accuracy: dulo ng cut, official weigh-in.

Profile 3 · Mabilis ka o advanced

Mga reliable na data nang hindi mo na iniisip

Barcode at AI scan araw-araw, mabilis na add bilang backup sa mga araw na imposible. Alam mo na ang portions mo, gusto mo lang na may data.

Rule of thumb, para sa lahat: kapag may duda, piliin mo ang pinaka-light na method na sigurado kang kaya mong sundin. Ang perfect na data na ititigil mo rin after 3 weeks, zero ang silbi.

07 · Accuracy

Ang ±10 % na error na nawawala sa loob ng isang buwan

Ang classic na objection sa AI scan: « ±10 % na error, sobra na ». Pero iniisip nito ang isang hiwalay na meal. Ang totoo, hindi isang meal ang tina-track mo, mga 90 meals sa isang buwan.

Meal 1Meal 12

Pink: mga meal na na-overestimate. Green: mga meal na na-underestimate. Black line: ang totoong intake mo. Sa loob ng isang buwan, nagba-balanse ang mga gap.

Ito ang law of large numbers (Kolmogorov): ang mga independent random errors ay nagkakansela habang dumarami ang observations. Ang +12 % noong Lunes ay binabawi ng kulang na 8 % noong Martes. Ang natitira sa isang buwan ay ang average bias ng model, halos zero sa isang well-calibrated na scan, hindi ang ingay ng isang meal.

Ang manual input naman, may problema na ibang-iba ang klase: isang systematic bias. Ang mga tao, minamaliit nila ang kinain nila, palaging sa parehong direksyon, at ang bias ay hindi kailanman nawawala sa paglipas ng panahon.

47 %
na pagitan ng calories na dineklara nang mano-mano at ng calories na talagang nakonsumo, na sinukat gamit ang doubly labeled water sa mga subject na pumalpak sa diet (Lichtman, NEJM 1992). Ang human bias hindi nagba-balanse, ang random noise ng scan, oo.

Bottom line: hindi ang tanong na « perfect ba ang AI scan ? » kundi « alin ang method na nagbibigay ng pinaka-tamang data sa 90 meals ? ». Dito, panalo ang automation, kasi pinapalitan nito ang directional bias ng noise na nagkakansela.

08 · Ang expenditure

Hindi sapat ang pagbilang: kulang ang kalahati ng equation

Ang perfect na food journal, walang sinasabi mag-isa. Para pumayat ng body fat, kailangan ng negative energy balance: mas mababa ang intake kaysa sa output. Kapag mali ang pagkakalkula sa expenditure mo, fiction lang ang deficit mo sa accounting, at puwede kang magbilang ng calories mo hanggang gram pero hindi ka pa rin uusad.

TDEE = BMR + NEAT + EAT + TEF
Ang canonical equation ng expenditure. BMR = basal metabolism. NEAT = activity na hindi sport. EAT = mga workout. TEF = digestion.

Ang problema: halos lahat ng app, tinatantiya ang nasusunog mong calories gamit ang Harris-Benedict (1919) o Mifflin-St Jeor (1990), mga formula na base lang sa timbang at hindi pinapansin ang body composition mo. Sa parehong timbang, ang katawan na may 15 % na bodyfat at ang may 30 % ay hindi pareho ang pagsunog. Iba ang paraan ng Lean sa pag-compute ng energy expenditure, sa apat na steps:

Tunay na bodyfat. Photo, 5 seconds.
Step 1

BodyScan AI

Magpo-photo ka sa app. Tinatantiya ng AI ang bodyfat mo base sa nakikitang body shape mo, at nire-recompute ito bawat linggo. Ito ang measurement na pinagbabatayan ng buong calculation sa lean mass mo, hindi sa gross weight mo.

Step 2

BMR via proprietary patented model

Kinukuwenta ng patented algorithm ng Lean ang basal metabolism mo base sa tunay mong lean mass. Mas accurate kaysa Harris-Benedict 1919 o Mifflin-St Jeor 1990, na timbang mo lang ang alam.

Hakbang 3

NEAT, EAT at TEF, sinusukat, hindi tinatantsa lang

Kasama sa NEAT ang steps mo, ang mga workout mo sa EAT via reference MET tables, at ang TEF ay kinukuwenta base sa macros na talagang kinain mo, dahil sa tracking mo.

Hakbang 4

Muling kinuwentang metabolic adaptation

Kapag matagal ang calorie deficit, bumababa ang BMR. Si Lean ang unang app na nagmo-model ng coefficient na ito at ina-apply ito nang multiplicative sa BMR. Convention 100 % = optimal, 90 % = 10-point adaptation.

Resulta: kino-compare ng live scale ang kinakain mo (kinompyut gamit ang 4 na methods sa guide na ito) sa talagang nasusunog mo, na nire-recompute nang tuloy-tuloy. Ang kombinasyon ng dalawang kalahati, tamang input at tamang output, ang nagpapadali para maging predictable ang fat loss. Kung isa lang, parang accounting lang sa wala.

I-download sa App Store Available sa Google Play Libreng download
09 · FAQ

Mga madalas itanong tungkol sa calorie counting

Ilang calories kada araw para pumayat?
Walang iisang universal na number: nakadepende lahat sa total energy expenditure mo (TDEE), na nag-iiba ayon sa basal metabolism mo, daily activity mo, sport mo, at body composition mo. Ang reliable na rule: 300 hanggang 500 kcal na deficit sa ilalim ng tunay mong TDEE, hindi kung anu-anong generic na number gaya ng « 1 500 kcal » na basta na lang kinuha kung saan. Pwede mong i-estimate ang sa iyo gamit ang calculator ng calorie deficit.
Reliable ba ang AI photo scan para magbilang ng calories?
Oo, basta naiintindihan mo kung ano ang tine-test. Sa mga karaniwang pagkain, ang typical na error ay mga ±10 % bawat meal, na may food-by-food identification na puwede mong i-correct (quantities, macros, re-scan). Sa loob ng isang buwan, mga 90 meals, nagba-balanse ang random errors ayon sa law of large numbers: ang mahalaga ay ang average bias, hindi ang error ng isang meal lang.
Kailangan bang timbangin ang pagkain para magbilang ng calories?
Kung nasa phase ka na bawat percent ay mahalaga lang: strict cut, advanced recomposition, sports na may weight category. Para sa karamihan ng tao, sapat na ang AI photo scan at barcode. Mas malaki ang epekto ng 6-month adherence sa final result kaysa sa theoretical accuracy ng weighing na malamang isusuko mo rin.
Kailangan bang magbilang ng calories araw-araw?
Ang weekly average ang nagdi-drive ng result, hindi ang daily perfection. Sa mga busy na araw, ang mabilis na 10-second add ay mas okay kaysa sa butas sa data. Ang isang meal na approximate lang, walang nasisira; ang isang linggong walang data, oo, dahil tinatago nito ang trend.
Bakit hindi ako pumapayat kahit binibilang ko ang calories ko?
Dalawang dahilan ang madalas. Una, underreporting: hanggang 47 % na agwat ang na-measure sa pagitan ng calories na dineklara nang mano-mano at calories na talagang nakain (Lichtman, 1992) ; binabawasan ng AI scan ang bias na ito sa pag-measure ng plato mo, hindi ng memorya mo. Pangalawa, sobrang taas na estimate ng nasusunog na calories: karamihan sa apps kinukuwenta ang TDEE mo gamit ang formulas na naka-base sa gross weight na hindi pinapansin ang bodyfat mo at ang metabolic adaptation. Kung mali ang outputs, hindi rin totoo ang deficit na nakikita mo.
Nakaka-obsess ba ang pagbilang ng calories?
Ang goal ay kabaligtaran mismo: gawing ilang segundo lang bawat meal ang tracking para hindi ito kumain ng space sa isip mo, samantalang ang manual na pag-log, puwedeng maging nakakaubos ng isip. Ilang buwan ng tracking, natuturuan ang mata mo sa portions; pagkatapos, puwede mo nang gawing mas simple, o lumipat sa mabilisang add. Kung may diagnosed na eating disorder ka, kausapin muna ang isang health professional bago mag-track.
Ano ang pinagkaiba ng Lean at MyFitnessPal sa pagbilang ng calories?
Ang MyFitnessPal ay umaasa sa napakalaking collaborative database pero mostly manual ang pag-input, at TDEE na tinatantya gamit ang gross weight. Ang Lean, hinahati ang bawat dish ayon sa bawat food gamit ang AI scan, at higit sa lahat, kinukuwenta ang nasusunog mong calories base sa totoong bodyfat mo na nasukat ng BodyScan, kasama ang metabolic adaptation. May saysay lang ang pagbilang ng inputs kung tama ang outputs. Ang detalye app by app ay nasa aming paghahambing ng mga pinakamahusay na calorie app.
Sources

Mga sanggunian

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. USDA FoodData Central. Base ng reference nutrition data. fdc.nal.usda.gov.
  6. Open Food Facts. Global collaborative database ng mga naka-pack na food products. world.openfoodfacts.org.
  7. Hall K.D. et al. (2011). Quantification of the effect of energy imbalance on bodyweight. Lancet. PubMed 21872751.
  8. Mifflin M.D. et al. (1990). A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. PubMed 2305711.
  9. Harris J.A., Benedict F.G. (1919). A Biometric Study of Basal Metabolism in Man. Carnegie Institution of Washington.
  10. Ainsworth B.E. et al. (2011). Compendium of Physical Activities: a second update of codes and MET values. Med Sci Sports Exerc. PubMed 21681120.