AI 기반 스마트 식단 관리 서비스
오늘 먹은 음식을 간단히 기록하고 싶나요?
eatfolio는 음식 사진 한 장으로 나만의 식단 다이어리를 만들어줍니다.
- 사진을 찍어 올리면 자동으로 피드에 저장 📸
- 날짜별로 내가 먹은 음식들을 한눈에 확인 📅
- AI가 영양소를 분석해 식단 관리까지 도와줍니다 🥗
eatfolio는 단순히 건강 관리용 앱이 아니라,
음식을 통해 추억을 기록하고 나만의 이야기를 남길 수 있는 서비스입니다.
- 🤖 이중 AI 분석 시스템: YOLOv3 + ResNet 기반 음식 분석 + Gemini API 폴백
- 📊 실시간 영양 분석: 칼로리, 단백질, 지방 등 상세 영양성분 제공
- 📱 크로스 플랫폼: Flutter 기반 iOS/Android 앱
- 🔥 실시간 동기화: Firebase 기반 클라우드 데이터베이스
- 📈 주간 식단 분석: AI 기반 개인 맞춤형 피드백 및 추천
eatfolio/
├── 📱 eatfolio/ # Flutter 모바일 앱
│ ├── lib/ # Dart 소스 코드 (UI, 비즈니스 로직)
│ ├── android/ # Android 네이티브 설정
│ ├── ios/ # iOS 네이티브 설정
│ ├── assets/ # 이미지, 폰트, 아이콘
│ ├── functions/ # Firebase Cloud Functions (Node.js 22, 2nd Gen)
│ │ ├── index.js # Firestore 트리거, 통계 계산
│ │ ├── backfill.js # 기존 데이터 백필 스크립트
│ │ └── package.json # Node.js 의존성
│ └── pubspec.yaml # Flutter 의존성
├── 🖥️ backend/ # Python FastAPI 백엔드 (AI 분석 서버)
│ ├── main.py # FastAPI 서버 메인 파일
│ ├── prompts/ # AI 프롬프트 템플릿
│ ├── requirements.txt # Python 의존성
│ └── env.example # 환경변수 예시
└── README.md # 프로젝트 설명서
스플래시 & 로그인
 |
 |
| 앱 실행 시 가장 먼저 보이는 화면으로, LOGIN과 SIGN UP 버튼을 통해 접근할 수 있습니다. | 이메일/비밀번호 또는 Google 계정으로 로그인할 수 있으며, 회원가입과 비밀번호 찾기 기능도 제공됩니다. |
홈 & 식사 등록
 |
 |
| 업로드된 음식 사진들을 한눈에 볼 수 있고, 검색 기능을 통해 원하는 음식 기록을 빠르게 찾을 수 있습니다. | 음식 사진, 이름, 메모, 별점, 카테고리 등을 입력해 식사를 기록할 수 있습니다. |
캘린더 & 식사 상세
 |
 |
| 날짜별로 기록한 식단을 한눈에 확인할 수 있으며, 각 식사를 클릭해 상세 정보를 확인할 수 있습니다. | 음식 사진, 카테고리, 시간, 위치, 별점, 메모 등이 표시되며 기록한 내용을 다시 확인할 수 있습니다. |
영양 상세 & 리포트
 |
 |
| 칼로리, 탄단지(탄수화물/단백질/지방), 나트륨, 칼슘 등 세부 영양 정보를 확인할 수 있습니다. | 주간 식단 점수, 평균 섭취 영양소, 분석 및 피드백을 통해 자신의 식습관을 점검할 수 있습니다. |
프로필
 |
| 총 섭취 칼로리, 평균 칼로리, 단백질/탄수화물/지방 등 누적 영양 성분 데이터를 한눈에 볼 수 있습니다. |
Eatfolio는 2단계 AI 분석 시스템을 통해 높은 정확도의 음식 분석을 제공합니다.
- YOLOv3: 음식 객체 탐지 및 분류
- ResNet: 양(portion) 추정 및 칼로리 계산
- Google Gemini 2.5 Flash: 1차 모델 실패 시 사용
분석 상황: YOLOv3 성공적으로 "새우초밥" 분류 + ResNet으로 양 추정
|
**AI 분석 결과**:
{
"analyze": true,
"predicted_food_name": "새우초밥",
"nutrition_info": {
"carbohydrate": 69.54, // 탄수화물 (g)
"sugars": 2.99, // 당류 (g)
"fat": 1.21, // 지방 (g)
"protein": 22.74, // 단백질 (g)
"calcium": 73.39, // 칼슘 (mg)
"phosphorus": 341.13, // 인 (mg)
"sodium": 1396.75, // 나트륨 (mg)
"potassium": 372.75, // 칼륨 (mg)
"magnesium": 2.6, // 마그네슘 (mg)
"iron": 2.62, // 철 (mg)
"zinc": 2.17, // 아연 (mg)
"cholesterol": 138.33, // 콜레스테롤 (mg)
"trans_fat": 0.0 // 트랜스지방 (g)
},
"calories": 395.54, // 칼로리 (kcal)
"weight_g": 250, // 무게 (g)
"food_category": "일식", // 음식 카테고리
"food_name": "초밥", // 음식명
"meal_time": "dinner" // 식사 시간
} |
YOLOv3 객체 탐지 결과:
- 클래스 1: 00000000 - 보라색 바운딩 박스
- 클래스 2: 01016004 - 녹색 바운딩 박스
ResNet 양 추정 결과:
- 예측: Q4 (확률: 0.6451)
- 처리 시간: 0.004초
분석 상황: YOLOv3가 "00000000"으로 인식 실패 → Gemini API로 폴백
|
**AI 분석 결과**:
{
"analyze": true,
"predicted_food_name": "참치회",
"nutrition_info": {
"carbohydrate": 0.1, // 탄수화물 (g)
"sugars": 0.0, // 당류 (g)
"fat": 12.0, // 지방 (g)
"protein": 48.0, // 단백질 (g)
"calcium": 30.0, // 칼슘 (mg)
"phosphorus": 500.0, // 인 (mg)
"sodium": 90.0, // 나트륨 (mg)
"potassium": 700.0, // 칼륨 (mg)
"magnesium": 50.0, // 마그네슘 (mg)
"iron": 2.5, // 철 (mg)
"zinc": 0.8, // 아연 (mg)
"cholesterol": 75.0, // 콜레스테롤 (mg)
"trans_fat": 0.0 // 트랜스지방 (g)
},
"calories": 220.0, // 칼로리 (kcal)
"weight_g": 200.0 // 무게 (g)
} |
- Flutter 3.16+: 크로스 플랫폼 모바일 앱 개발
- Dart: 프로그래밍 언어
- Provider/Riverpod: 상태 관리
- HTTP: 백엔드 API 통신
- FastAPI: 고성능 Python 웹 프레임워크
- Uvicorn: ASGI 서버
- Pydantic: 데이터 검증
- Firebase Admin SDK: 데이터베이스 연동
- YOLOv3: 실시간 객체 탐지 및 분류
- ResNet: 이미지 분류 및 양 추정
- Google Gemini API: 자연어 기반 음식 분석
- CUDA: GPU 가속 처리
- Firebase Firestore: 실시간 NoSQL 데이터베이스
- Firebase Authentication: 사용자 인증
- Docker: 컨테이너화
- GitHub Actions: CI/CD
- 📸 사진 촬영: 음식 사진을 촬영하여 업로드
- 🤖 자동 분석: AI가 음식 종류와 양을 자동 인식
- 📊 영양 정보: 상세한 영양성분 및 칼로리 제공
- 📅 일일 기록: 매일의 식사 기록 관리
- 📈 주간 분석: 7일간의 식단 패턴 분석
- 🎯 목표 설정: 개인 맞춤형 영양 목표 설정
- 💡 개인 맞춤 조언: AI 기반 식단 개선 제안
- 🍽️ 추천 식사: 균형 잡힌 식단 구성 추천
- 📊 영양 점수: 종합적인 영양 균형 점수
- ☁️ 클라우드 저장: 모든 데이터 자동 동기화
- 🔒 보안: Firebase 보안 규칙으로 데이터 보호
POST /request_analysis: 음식 이미지 분석POST /nutritional-analysis: 주간 영양 분석GET /health: 서버 상태 확인
- 모델 크기: 225 layers, 64.7M parameters
- 처리 속도: 0.019초 (CUDA 가속)
- 정확도: 음식 분류 90%+ (한국 음식 기준)
- 처리 속도: 0.004초
- 정확도: 양 추정 85%+ (그램 단위)
- 응답 시간: 2-3초
- 정확도: 자연어 기반 고정확도 분석
본 프로젝트의 AI 모델은 AI Hub의 음식 이미지 및 영양정보 텍스트 데이터셋을 참고하여 설계되었습니다.
참고 데이터셋 특징:
- 한국인 다빈도 섭취 외식메뉴와 한식메뉴 400종
- 84.5만장의 고품질 이미지 (500만 화소 이상)
- 칼로리, 염분, 당도 등 상세 영양성분
- 100건 이상의 정밀 어노테이션