Yapay Zeka ile Besin Tanıma Ne Kadar Doğru? Neler Beklemeli

Nisan 2026'da yayımlandı

Yapay zeka destekli fotoğraftan öğün kaydı, bir besin veritabanında elle arama yapmaktan çok daha hızlıdır. Ama geçiş yapmadan önce sık sorulan bir soru var: gerçekten ne kadar doğru? Dürüst yanıt, ne yediğine ve nasıl fotoğrafladığına bağlı olduğudur. Teknolojinin neyi yapıp neyi yapamadığını burada anlatıyoruz.

Besin Tanıyan Yapay Zeka: Teknoloji Nasıl Çalışıyor

Besin tanıma yapay zekası, bir tabağa uygulanan bilgisayarlı görüdür: etiketlenmiş besin görüntüleriyle eğitilmiş bir model, bir fotoğrafta ne olduğunu tanır ve ne kadar olduğunu tahmin eder. Aynı model sınıfı, tüketici kalori uygulamalarını ve restoranların, hastanelerin ve sağlık platformlarının üzerine inşa ettiği ticari besin tanıma API'lerini güçlendirir. Her uygulama aynı beş aşamayı izler.

• Algılama. Model, görüntüde yiyecek içeren bölgeleri bulur ve onları tabaktan, masadan ve arka plandan ayırır.
• Bölütleme. Her yiyecek bölgesi ayrı öğelere ayrılır, böylece bir sote yemeği tek bir nesne yerine protein, sebze, pirinç ve sos olur.
• Sınıflandırma. Her bölüm, modelin eğitildiği besin kategorileriyle eşleştirilir. Artık güvenilir olan aşama budur: modern modeller binlerce yemeği tanır.
• Hacim ve porsiyon tahmini. Model, her öğeden ne kadar bulunduğunu, tabağa, çatal-bıçağa veya diğer referans nesnelere göre görünen boyutundan çıkarır. Neredeyse tüm hatanın kaynağı sınıflandırma değil, bu aşamadır.
• Besin değeri eşleştirme. Tanımlanan her besin tahmini porsiyonuna göre ölçeklenir ve kalori ile makro besin değerleriyle eşleştirilir.

Bir öğünün fotoğrafını çektiğinde, bir yapay zeka görü modeli tek tek besinleri tanımak için görüntüyü analiz eder. Tabakta ne olduğunu belirlemek için şekillere, renklere, dokulara ve bağlama bakar. Besinler tanındıktan sonra sistem, her bir öğenin tabağa, çatal bıçağa veya karedeki diğer referans noktalarına göre görünen boyutu gibi görsel ipuçlarından porsiyon büyüklüklerini tahmin eder.

Bu tahminlerden, tanımlanan besinlerin beslenme değerlerini kullanarak kalori ve makro besinleri hesaplar. Tüm süreç genellikle birkaç saniye sürer.

Ne Kadar Doğru?

Yaygın ve net görünen öğünlerde yapay zeka ile besin tanıma makul ölçüde doğrudur. Tavuk göğsü, pirinç ve buharda sebze içeren bir tabak, yapay zekanın iyi performans gösterdiği türden bir öğündür. Bileşenler tek tek görünür, porsiyon büyüklükleri tahmin edilebilir ve besinler modelin defalarca görmüş olacağı türdendir. Tahminin ne kadar yakın çıktığı ise kimsenin dürüstçe tek bir yüzdeye indirgeyebileceği bir şey değil. Annals of Medicine'de yayımlanan 2023 tarihli sistematik derleme 14.059 yayını taradı, 2010 ile 2023 arasında yayımlanmış 52'sini tuttu ve bunlar genelinde kaloriler için ortalama göreli hataların %0,1 ile %38,3 arasında değiştiğini buldu. Yazarlar bu çalışmaları tek bir rakamda birleştiremedi, çünkü besin görüntü veritabanları ve bildirilen sonuçlar meta-analiz için fazla farklıydı. Derlemenin ortaya koyduğu şey yöndür: hatalar tek veya basit besinlerin görüntülerinde daha düşüktü.

Karışık yemeklerde doğruluk düşer. Bir kase güveç, fırın yemeği veya köri kısmen ya da tamamen gizli malzemeler içerir. Yapay zeka yemeğin ne olduğunu tanıyabilir ama içini göremez; bu yüzden tahminler tenceredekinden çok tipik tariflere dayanır. Hata aralığı genişler.

Soslar, yağlar ve salata sosları sürekli olarak zordur. Zeytinyağıyla hazırlanmış bir salata ile hafif bir vinegretle hazırlanmış bir salata, bir fotoğrafta neredeyse aynı görünür. Aralarındaki kalori farkı önemli olabilir. Karıştırarak kızartmadan önce tavaya eklenen yemeklik yağlar, son fotoğrafta tamamen görünmezdir.

Besin etiketi olan paketli yiyecekler elle giriş veya barkod taramayla daha iyi kaydedilir. Belirli bir markanın 200 g'lık yoğurt porsiyonunun bilinen, kesin bir besin profili vardır. Doğru değer paketin üzerinde yazılıyken yapay zeka tahmini gereksiz bir belirsizlik ekler.

Doğruluğu Neler Etkiler

Yapay zekânın herhangi bir fotoğrafta ne kadar iyi çalıştığını birkaç pratik etken etkiler:

• Işık. İyi aydınlatılmış fotoğraflar modele çalışabileceği daha fazla görsel bilgi verir. Zayıf ışık dokuları düzleştirir ve renk doğruluğunu azaltır, bu da besinlerin doğru tanınmasını zorlaştırır.
• Açı. Yukarıdan aşağıya çekilen fotoğraflar (tabağın tam üstünden) genellikle en iyi sonuçları verir. Yandan açılar, yiyecek öğelerini diğer öğelerin arkasında gizleyebilir ve porsiyon tahminini daha az güvenilir hâle getirebilir.
• Yemek düzeni. Bir tabakta ayrı porsiyonlar halinde yayılmış besinler, üst üste yığılmış ya da karışık sunumlara göre analiz edilmesi daha kolaydır. Birden fazla şeyin varsa, fotoğraflamadan önce onları yaymak yardımcı olur.
• Referans nesneler. Karede bir tabak kenarı, bir çatal veya bilinen başka bir nesnenin bulunması modelin porsiyon büyüklüğünü ayarlamasına yardımcı olur. Bir parça tavuk, bir çatalın yanında hiçbir şeyin yanında olmadığından çok farklı ölçekte görünür.

Karışık Öğünler Tek Yiyeceklerden Daha Zordur

Pirinç ve brokolinin yanındaki ızgara tavuk göğsü, kenarları net üç ayrı şekildir. Köri, güveç, fırın yemeği veya soslu bir salata ise bileşenlerin üst üste bindiği, birbirini gizlediği ve yoğunluğunun değiştiği tek bir görsel kütledir. Yapay zeka ikinci türü çok daha az doğru tahmin eder ve bu, bir fotoğraf tahmininin gerçeğe yakın olup olmayacağını belirleyen en büyük tek etkendir.

2010 ile 2023 arasında yayımlanan 52 çalışmayı kapsayan ve Annals of Medicine dergisinde yayımlanan 2023 tarihli sistematik derleme, kaloriler için ortalama göreli hataların %0,10 ile %38,3 arasında değiştiğini bulmuş ve hataların "tek besin içeren görüntülerde, birden fazla besin içeren görüntülere kıyasla daha küçük olma eğiliminde" olduğunu bildirmiştir. Zor vakayı doğrudan ele alır: "karışık yemekler (körili yemekler gibi) içeren görüntüler veya farklı yüksekliklerde çakışan çeşitli besinlerin ya da belirsiz sınırların bulunduğu tabaklar, sınıflandırma veya bölütleme hataları için daha yüksek risk taşır". İncelenen çalışmalar genelinde en düşük 22 hacim tahmini hatasının %68'i tek besin içeren görüntülerden gelmiştir.

2024'te IEEE Journal of Biomedical and Health Informatics'te yayımlanan, tartılmış referans öğünlere karşı bir GPT-4V analizi, bu farka rakam koydu. 32 öğe genelinde bir seferde tek bir besin öğesini tahmin etmek, ortalama 69,2 kcal mutlak kalori hatası üretti. 10 öğün genelinde tüm yeme olayını tahmin etmek ise kabaca iki katı olan 151,2 kcal üretti. Nedeni birikmedir: porsiyon büyüklüğü baskın hata kaynağıdır ve karışık bir yemek her bileşen için ayrı bir porsiyon yargısı gerektirir, her biri kendi hatasını taşır.

Bu konu tam olarak netleşmiş değil. 195 yemeği inceleyen ve Nutrients dergisinde yayımlanan 2025 tarihli bir çalışma, malzeme sayısı ile hata arasında yalnızca zayıf bir ilişki bulmuş (r en fazla 0,37) ve bileşen sayısının belirleyici bir etken olmadığı sonucuna varmıştır. Dürüst özet şudur: görsel ayrışabilirlik, malzeme sayısından daha önemlidir; altı ayrı besinin net biçimde durduğu bir tabak, üç besinin karıştığı bir kâseden daha kolaydır.

Bunun pratikte ne anlama geldiği

• Karıştırmadan önce fotoğrafla. Bileşenler hâlâ ayrıyken fotoğrafını çek, karıştırılmış kâseyi değil.
• Makul olduğunda karışık bir öğünü iki fotoğrafa böl. İki tekli tahmin, bir bileşik tahminden daha iyidir.
• Karıştırılmış, soslu veya katmanlı her şeyde tahmini düzelt. Yağ, tüm çalışmalarda en tutarlı şekilde düşük tahmin edilen besin öğesidir ve sosun içindeki yağ fotoğrafta görünmez.
• Ev yapımı güveç ve köriyi en kötü durum olarak ele al ve öğün önemliyse bunları bir fotoğraftan değil malzemelerden kaydet.

Neye kıyasla?

Anlamlı karşılaştırma yapay zeka ile kusursuz bir sayı arasında değil, yapay zeka ile öğünü başka türlü nasıl kaydedeceğin arasındadır; o yöntem de kusurludur.

Nutrients dergisinde yayımlanan 2018 tarihli bir çalışma, 38 beslenme uzmanından besin görüntülerinden porsiyon tahmin etmelerini istedi. Tabak tahminlerinin yalnızca %23,7'si gerçek tartılmış miktarın %10'u içinde kaldı; ortalama mutlak yüzde fark %47,6 oldu. CVPR 2021'de sunulan Nutrition5k çalışması, yaklaşık 5.000 yemeklik veri setinin yanında daha küçük bir insan kontrolü yaptı: 4 diyetisyen ve 16 amatör, veri seti ortalamasından daha basit olacak şekilde seçilmiş 10 yemeği değerlendirdi. Diyetisyenlerin ortalama hatası %41, amatörlerinki %53 oldu. Bunu nüfus tahmini olarak değil, elverişli bir örneklemdeki büyüklük mertebesi olarak oku.

Elle uygulama kaydı, manşet rakamın ima ettiğinden daha küçük olsa da kendi önyargısını taşır. Advances in Nutrition'da yayımlanan ve beslenme kayıt uygulamalarına dair 11 çalışmayı bir araya getiren 2021 tarihli bir meta-analiz, bu uygulamaların enerji alımını ortalama günde 202 kcal düşük tahmin ettiğini buldu (%95 GA: 319 ila 85 kcal). Bu farkın büyük kısmı kayıttan değil besin bileşimi tablosundandır: uygulama ve referans yöntem aynı tabloyu kullandığında, birleşik eksik günde 57 kcal'e düştü (%95 GA: 116 kcal eksikten 2 kcal fazlaya kadar) ve çalışmalar arası heterojenlik sıfıra indi. 2.000 kalorilik bir günde bu %3'ün altındadır, bu yüzden eşleşen bir veritabanına karşı dikkatli elle giriş gerçekten daha doğru yöntemdir.

Yani karışık bir yemeğin fotoğraftan tahmini kesin değildir; aynı tabağa bakan bir diyetisyenin tahmini de öyle. Özenli elle giriş doğrulukta ikisini de geçer, ama sürdürülebilirlikte ikisine de yenilir. Fotoğraftan kaydın değiştirdiği şey doğruluk değil, öğünü kaydedip kaydetmediğindir; düzeltilebilir bir tahminle kaydedilmiş bir öğün, hiç kaydedilmemiş bir öğünden iyidir.

Doğruluk iddialarına şüpheyle yaklaş

Birçok site, kalori uygulamaları için kesin görünen doğruluk rakamları yayımlar; bazıları var olmayan çalışmalara ve DOI'lere atıfta bulunur. Hiçbir uygulamanın, satışa sunulan ürünü için yayımlanmış, hakemli bir doğrulaması yoktur. Bir rakamın arkasında adı geçen bir dergi, örneklem büyüklüğü ve yöntem yoksa, bunu pazarlama olarak değerlendir. Buna bizimkiler de dahildir: bu sayfadaki rakamlar kendi testlerimize değil, bağımsız araştırmalara atıfla verilmiştir.

"Yeterince Yakın" Yeterli mi?

Çoğu insan için evet. İki basamaklı bir hata payı tek başına büyük görünür, ama bağlam önemlidir.

Veritabanından elle yapılan girişler de tam doğru değildir. Kullanıcıların eklediği veritabanlarında hatalar bulunur, porsiyon tanımları kaynaktan kaynağa değişir ve ev yemekleri, veritabanı kaydının varsaydığı hazırlama yöntemiyle nadiren birebir örtüşür. Ev yemeklerinde elle kaydın pratikteki doğruluğu çoğu kişinin sandığından daha düşüktür.

Daha da önemlisi, takip açısından tutarlılık kesinlikten daha önemlidir. Yapay zeka tabanlı takip uygulamalarını geleneksel veritabanı uygulamalarıyla karşılaştırıyorsan, VitaCal ve MyFitnessPal karşılaştırması kayıt yaklaşımındaki pratik farkları ele alıyor. Yapay zeka düzenli olarak yediğin belirli bir öğünde sistematik olarak %15 sapıyorsa, kaydettiğin alım yine de gerçek alımını göreli olarak yansıtır. Haftalık eğilimlerin, beslenme değişikliklerine verdiğin tepkiler ve zaman içindeki ilerlemen anlamını korur. Takibin amacı farkındalık oluşturmak ve örüntüleri görmektir, her öğünü laboratuvar hassasiyetinde ölçmek değil.

Takibi bozan şey hata payı değildir. Takibi bozan şey, kayıt tutmanın çok yavaş veya çok zahmetli olması nedeniyle alışkanlığın terk edilmesidir. Yapay zekâ ile fotoğraftan kayıt, bu sorunu doğrudan ele alır.

Daha İyi Sonuç Almanın Yolları

Birkaç basit alışkanlık, yapay zekâ tahminlerinin kalitesini artırır:

• Kaydı onaylamadan önce yapay zekanın neyi tanıdığını gözden geçir. Bir malzemeyi atladıysa veya bir şeyi yanlış tanıdıysa, kaydetmeden önce düzeltebilirsin.
• İyi bir ışıklandırmada, tam yukarıdan fotoğraf çek. Bu, ekstra bir saniye alır ve ölçülebilir bir fark yaratır.
• Doğruluğun önemli olduğu öğünlerde, bileşenleri tek bir tabak olarak değil ayrı ayrı kaydet. Bu, modele her öğe için daha temiz bir görev verir.
• Paketli besinler için elle giriş kullan. Besin değeri etiketi varsa onu kullan. Yapay zekâ ile kaydı gerçek bir avantaj sağladığı öğünlere sakla: pişmiş yemekler, restoran yemekleri ve başka türlü aramak zorunda kalacağın her şey.

VitaCal'ın Yaklaşımı

Fotoğraf kaydının bunu sunan uygulamalar arasında nasıl karşılaştırıldığı için yapay zekâ kalori takip uygulaması fotoğraf tanıma rehberine bak.

VitaCal, herhangi bir şey kaydedilmeden önce yapay zekânın fotoğrafında tam olarak neyi tanımladığını sana gösterir. Ayrı besinleri, tahmini porsiyonlarını ve sonuçtaki kalori ile makroları görebilirsin. Bir şey yanlış görünüyorsa, onaylamadan önce porsiyonları ayarlayabilir ya da öğeleri kaldırabilirsin. Senin incelemen olmadan hiçbir şey kaydedilmez.

Yapay zeka ile kaydın pratikte nasıl çalıştığını görmek istiyorsan VitaCal'ı ücretsiz dene. Ücretsiz sürüm reklamsız olarak haftada beş yapay zeka analizi içeriyor.