🍽️ Eatfolio

AI 기반 스마트 식단 관리 서비스

---

📱 서비스 소개

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.

✨ 주요 특징

• 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

---

🏗️ 프로젝트 구조

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

---

실제 화면 예시

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.

---

🤖 AI 분석 시스템

이중 AI 분석 아키텍처

Eatfolio는 2단계 AI 분석 시스템을 통해 높은 정확도의 음식 분석을 제공합니다.

flowchart LR
    U[User] --> I[Food Image]

    subgraph P["Eatfolio AI 분석 시스템 (2단계)"]
      direction TB

      subgraph M1["1차 AI 모델 (우선 사용)"]
        Y["YOLOv3<br/>객체 탐지·분류"]
        R["ResNet<br/>portion 추정·칼로리 계산"]
        Y --> R
      end

      subgraph F["2차 AI 모델 (폴백)"]
        G["Google Gemini 2.5 Flash<br/>1차 실패 시 사용"]
      end

      I --> S{"1차 분석 성공?"}
      S -->|Yes| Y
      S -->|No| G
    end

    R --> O[분석 결과]
    G --> O

Loading

1차 AI 모델 (우선 사용)

• YOLOv3: 음식 객체 탐지 및 분류
• ResNet: 양(portion) 추정 및 칼로리 계산

2차 AI 모델 (폴백)

• Google Gemini 2.5 Flash: 1차 모델 실패 시 사용

실제 AI 분석 예시

🍣 새우초밥 분석 (AI 모델 분석 성공)

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

🐟 참치회 분석 (Gemini API 폴백)

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) }

---

🚀 기술 스택

Frontend (Flutter)

• Flutter 3.16+: 크로스 플랫폼 모바일 앱 개발
• Dart: 프로그래밍 언어
• Provider/Riverpod: 상태 관리
• HTTP: 백엔드 API 통신

Backend (FastAPI)

• FastAPI: 고성능 Python 웹 프레임워크
• Uvicorn: ASGI 서버
• Pydantic: 데이터 검증
• Firebase Admin SDK: 데이터베이스 연동

AI/ML

• YOLOv3: 실시간 객체 탐지 및 분류
• ResNet: 이미지 분류 및 양 추정
• Google Gemini API: 자연어 기반 음식 분석
• CUDA: GPU 가속 처리

Infrastructure

• Firebase Firestore: 실시간 NoSQL 데이터베이스
• Firebase Authentication: 사용자 인증
• Docker: 컨테이너화
• GitHub Actions: CI/CD

---

📱 주요 기능

1. AI 음식 인식

• 사진 촬영: 음식 사진을 촬영하여 업로드
• 자동 분석: AI가 음식 종류와 양을 자동 인식
• 영양 정보: 상세한 영양성분 및 칼로리 제공

2. 식단 관리

• 일일 기록: 매일의 식사 기록 관리
• 주간 분석: 7일간의 식단 패턴 분석
• 목표 설정: 개인 맞춤형 영양 목표 설정

3. AI 피드백

• 개인 맞춤 조언: AI 기반 식단 개선 제안
• 추천 식사: 균형 잡힌 식단 구성 추천
• 영양 점수: 종합적인 영양 균형 점수

4. 데이터 동기화

• 클라우드 저장: 모든 데이터 자동 동기화
• 보안: Firebase 보안 규칙으로 데이터 보호

---

🔬 AI Hub 데이터셋 참고

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