Yemek Türlerine Göre AI Kalori Takibi Doğruluğu: 20 Farklı Mutfağa Ait 500 Yemeği Test Ettik

Çoğu AI yemek tanıma modeli, ağırlıklı olarak Batı mutfakları üzerinde eğitilmiştir. Bu, Los Angeles'taki bir sandviç dükkanından alınan ızgara tavuk salatası ve New York'taki bir pepperoni pizzanın neredeyse mükemmel bir doğrulukla tanındığı, ancak bir kâse Etiyopya doro wat veya bir tabak Filipin sisig'in algoritmayı zor durumda bırakabileceği anlamına geliyor. Bu doğruluk farkının ne kadar büyük olduğunu tam olarak öğrenmek istedik, bu yüzden kontrollü bir test gerçekleştirdik: 500 gerçek yemek, 20 mutfak, her tabak tartıldı ve beslenme uzmanı tarafından hesaplanan değerlerle karşılaştırıldı. İşte bulgularımız.

Metodoloji: 500 Yemeği Nasıl Test Ettik

Bu çalışmayı gerçek dünya koşullarına olabildiğince yakın olacak şekilde tasarladık. İşte nasıl çalıştığı:

• Toplam 500 yemek, her mutfaktan 25 yemek, restoranlardan ve ev mutfaklarından temin edildi.
• 20 mutfak geniş bir coğrafi ve mutfak yelpazesini temsil edecek şekilde seçildi.
• Her yemek standart koşullarda fotoğraflandı — doğal ışık, tek tabak, üstten ve 45 derece açılardan — bir akıllı telefon kamerası kullanılarak (stüdyo kurulum yok).
• Her yemek ayrıca kalibre edilmiş bir mutfak tartısında tartıldı ve içerikleri kayıtlı bir diyetisyen tarafından analiz edilerek referans kalori değeri oluşturuldu.
• Fotoğraflar, Nutrola'nın Snap & Track AI'sına kalori tahmini için gönderildi.
• AI tahmini, diyetisyen referansı ile karşılaştırıldı ve ölçüldü: ortalama kalori sapması (yüzde olarak), yiyecek tanıma oranı (AI yemeği veya ana bileşenlerini doğru bir şekilde adlandırdı mı), ve referans değerin %10 ve %15 içinde kalan yemeklerin yüzdesi.

Bu bir laboratuvar çalışması değil ve klinik düzeyde bir hassasiyet iddia etmiyoruz. Ancak 500 yemek, AI yemek tanımanın nerelerde başarılı olduğunu ve nerelerde zayıf kaldığını gösteren net kalıpları ortaya çıkarmak için yeterli veridir.

Test Edilen 20 Mutfak

Mutfakları üç kritere göre seçtik: küresel popülarite, pişirme yöntemlerinin çeşitliliği ve AI eğitim verilerinde yeterince temsil edilmeyen yiyecek kategorilerinin temsili.

1. Amerikan
2. İtalyan
3. Meksika
4. Çin
5. Japon
6. Kore
7. Hint
8. Tay
9. Vietnam
10. Orta Doğu / Lübnan
11. Türk
12. Yunan
13. Etiyopya
14. Nijeryalı
15. Brezilyalı
16. Fransız
17. Alman
18. İspanyol
19. Filipin
20. Karayip

Her mutfak, o mutfağın yelpazesini kapsayacak şekilde seçilen 25 yemekle temsil edildi — mezeler, ana yemekler, yan yemekler ve sokak yiyecekleri. Hem "fotojenik" yemekleri (sushi tabakları, tekli taco) hem de zorlu olanları (köri, güveç, karnıyarık) kasıtlı olarak dahil ettik.

Tam Sonuçlar: Tüm 20 Mutfak Doğruluk Sırasına Göre

İşte sonuçlar, ortalama kalori sapmasına göre en doğru olandan en az doğru olana sıralanmıştır:

Sıra	Mutfak	Test Edilen Yemekler	Ortalama Kalori Sapması	Yiyecek Tanıma Oranı	%10 İçinde	%15 İçinde
1	Japon	25	5.8%	96%	84%	96%
2	Amerikan	25	6.2%	98%	80%	92%
3	İtalyan	25	6.5%	96%	80%	92%
4	Kore	25	7.1%	92%	76%	88%
5	Alman	25	7.4%	92%	72%	88%
6	Yunan	25	7.9%	88%	68%	84%
7	Fransız	25	8.3%	88%	64%	84%
8	İspanyol	25	8.6%	88%	64%	80%
9	Meksika	25	9.1%	84%	60%	80%
10	Vietnam	25	9.4%	84%	60%	76%
11	Brezilya	25	9.8%	80%	56%	76%
12	Türk	25	10.2%	80%	52%	72%
13	Çin	25	10.7%	80%	48%	72%
14	Orta Doğu	25	11.3%	76%	48%	68%
15	Filipin	25	12.1%	72%	44%	64%
16	Karayip	25	12.8%	68%	40%	60%
17	Nijeryalı	25	13.4%	64%	36%	56%
18	Tay	25	13.9%	68%	36%	56%
19	Hint	25	14.6%	64%	32%	52%
20	Etiyopya	25	15.8%	56%	28%	48%

Tüm 500 yemek için ortalama: %9.8 kalori sapması, %78 yiyecek tanıma oranı, %56 %10 içinde, %74 %15 içinde.

En Doğru 5 Mutfak (ve Nedenleri)

1. Japon (ortalama sapma %5.8)

Japon mutfağı, dünyada AI dostu en iyi mutfak olarak kabul edilebilir. Sushi ruloları, sashimi dilimleri, tempura parçaları ve bento kutuları, yiyecekleri görsel olarak belirgin, ayrı ayrı sunulan öğeler olarak sergiler. Pirinç genellikle net bir porsiyon olarak sunulur. AI, parçaları sayabilir, boyutları tahmin edebilir ve bunları iyi doldurulmuş bir eğitim veritabanıyla eşleştirebilir. Japonya'nın yemek kültürü de standartlaştırılmış sunumu tercih eder — bir restorandaki California roll, başka bir restoranda neredeyse aynı görünür.

En iyi performans gösterenler: Nigiri sushi (%3.2 sapma), edamame (%2.9), onigiri (%4.1)
En zayıf performans gösterenler: Ramen (%11.4 — et suyu kalorilerini tahmin etmek zor), okonomiyaki (%9.8)

2. Amerikan (ortalama sapma %6.2)

Amerikan mutfağı, iki büyük avantajdan faydalanıyor: AI eğitim verilerinde yoğun temsil ve paketlenmiş, standartlaştırılmış veya zincir restoran ürünlerinin yüksek oranı. Bir Big Mac her yerde aynı görünür. Bir sosisli sandviçin boyutları tahmin edilebilir. Salatalar genellikle tanınabilir, ayrılmış bileşenlerden oluşur. Amerikan ev yemekleri — hamburgerler, ızgara tavuk, fırınlanmış patates — görsel olarak belirgin bileşenlerden oluşur.

En iyi performans gösterenler: Hamburgerler (%3.8), ızgara tavuk göğsü (%4.1), Sezar salatası (%5.2)
En zayıf performans gösterenler: Güveçler (%12.3), zengin nachos (%10.9)

3. İtalyan (ortalama sapma %6.5)

İtalyan mutfağı, Japon mutfağına benzer nedenlerden dolayı yüksek puan alıyor — birçok yemek, standartlaştırılmış, görsel olarak tanınabilir bir forma sahip. Bir margherita pizza, bir tabak spagetti, bir caprese salatası ve bir kâse risotto, hepsi görsel olarak belirgin ve yiyecek görüntü veri setlerinde yoğun bir şekilde temsil edilmektedir. Makarna şekilleri tanınabilir ve malzemeler genellikle yemeklerin üstünde yer alır.

En iyi performans gösterenler: Margherita pizza (%3.5), caprese salatası (%4.0), bruschetta (%4.8)
En zayıf performans gösterenler: Lazanya (%11.2 — katmanlı yemekler peynir ve eti gizler), carbonara (%9.6 — krema ve yumurta içeriği değişir)

4. Kore (ortalama sapma %7.1)

Kore mutfağı, dördüncü sırada yer alarak bizi şaşırttı. Ana faktör: Kore yemekleri genellikle ana yemeğin yanında birden fazla küçük tabak (banchan) ile servis edilir, bu da bireysel öğelerin tanınmasını kolaylaştırır. Bibimbap, pirinç üzerinde görsel olarak ayrılmış malzemeleri sunar. Kimbap, tanınabilir dilimlere kesilir. Kimchi ve turşu yan yemekleri görsel olarak belirgindir.

En iyi performans gösterenler: Kimbap (%4.2), bibimbap (%5.8), kimchi (%3.1)
En zayıf performans gösterenler: Jjigae/güveçler (%12.7), soslu tteokbokki (%10.1)

5. Alman (ortalama sapma %7.4)

Alman mutfağı, büyük, görsel olarak belirgin öğeler içerir — sosisler, schnitzel, pretzel, patates köftesi — bunlar AI tarafından tanımlanması ve boyutlandırılması kolaydır. Tabaklar genellikle karışık yemekler yerine ayrı bileşenlerden oluşur. Sosis türleri birbirinden görsel olarak ayırt edilebilir ve ekmek ürünleri standart şekil ve boyutlara sahiptir.

En iyi performans gösterenler: Bratwurst (%4.5), pretzel (%4.9), schnitzel (%6.2)
En zayıf performans gösterenler: Eintopf/güveçler (%11.8), değişken soslarla kartoffelsalat (%9.4)

En Az Doğru 5 Mutfak (ve Nedenleri)

20. Etiyopya (ortalama sapma %15.8)

Etiyopya mutfağı, her ölçekte AI için en zorlu olanıydı. Temel sorun: injera bazlı yemekler, bir arada sunulan birden fazla güveç (wat) ve sebze yemeği içerir ve genellikle üst üste biner ve karışır. AI, bir yemeğin nerede bittiğini ve diğerinin nerede başladığını belirlemekte zorlanır. Doro wat, misir wat ve kitfo görsel olarak benzer — koyu, soslu yemekler, az sayıda ayırt edici yüzey özelliği ile. Tereyağı (niter kibbeh) ve yağ içeriği sosun altında görünmez.

Düşük yiyecek tanıma oranı (%56) eğitim verilerindeki gerçek bir boşluğu yansıtır. Etiyopya mutfağı, küresel yiyecek görüntü veri setlerinde hala yeterince temsil edilmemektedir.

19. Hint (ortalama sapma %14.6)

Hint mutfağı, AI zorlukları için mükemmel bir fırtına sunar. Köri yemekleri optik olarak opaktır — bir fotoğraf, bir tereyağı tavuğunun içinde ne kadar ghee, krema veya hindistancevizi sütü olduğunu gösteremez. Dal, temperleme (tadka) yağlarına bağlı olarak porsiyon başına 150 ile 400 kalori arasında değişebilir. Soslar, yemekler arasında benzer görünür: bir korma, bir tikka masala ve bir rogan josh, fotoğraflarda neredeyse aynı görünebilirken, yüzlerce kalori farkı olabilir.

Ekmek de başka bir değişkendir. Düz bir roti yaklaşık 100 kalori; bir restorandan gelen tereyağı naan 300 kaloriye kadar çıkabilir. Fotoğraflarda benzer görünürler ama kalori farkı devasa.

Ghee faktörü: Birçok Hint yemeği, cömertçe dökülen ghee ile sonlanır ve karıştırıldığında görünmez hale gelir. Diyetisyen referans değerlerimiz, ghee ve yağın birçok yemekte toplam kalorinin %25-40'ını oluşturduğunu gösterdi — AI'nın göremediği kaloriler.

18. Tay (ortalama sapma %13.9)

Tay mutfağı, Hint yemekleriyle birçok benzer zorluğa sahiptir: gizli yağ içeriğine sahip hindistancevizi sütü bazlı köri yemekleri, değişken yağ miktarlarıyla yapılan kızartmalar ve malzemeleri gizleyen soslar. Bir yeşil köri, hindistancevizi sütü oranına bağlı olarak kâse başına 300 ile 600 kalori arasında değişebilir. Pad thai'nın kalori sayısı, tamarind ezmesi, fıstık ve yağ gibi malzemelere bağlı olarak dramatik şekilde değişir — bu malzemeler yemeklerin üstünde değil, içinde dağıtılır.

Balık sosu ve şeker, iki temel Tay baharatı, fotoğrafta tamamen görünmez olan kaloriler ekler.

17. Nijeryalı (ortalama sapma %13.4)

Nijerya mutfağı, iki zorlukla karşı karşıyadır: eğitim verilerinde sınırlı temsil ve kalori yoğun pişirme yöntemleri. Jollof pilavı, pişirme sırasında görünmeyen yağları emer. Egusi çorbası, yüksek kalorili malzemeler olan öğütülmüş kavun tohumları ve palmiye yağı ile yapılır ve yemeğe karışır. Pounded yam (fufu), aldatıcı bir şekilde hafif görünen kalori yoğun bir nişastadır.

AI, farklı Nijeryalı çorbaları ayırt etmekte zorlandı — ogbono, egusi ve okra çorbası fotoğraflarda benzer görünürken, palmiye yağı ve tohum içeriğindeki farklılıklar nedeniyle önemli ölçüde farklı kalori profillerine sahipti.

16. Karayip (ortalama sapma %12.8)

Karayip mutfağı, en zorlu unsurların bir kombinasyonunu içerir: gizli yağlara sahip haşlanmış etler (oxtail, köri keçisi), hindistancevizi sütü bazlı pirinç, değişken yağ emme oranına sahip kızarmış muzlar ve pelau gibi tek kap yemekler. AI, görünür ızgara izleri ve tanınabilir formu olan jerk chicken'da iyi performans gösterdi, ancak sosun proteinleri gizlediği kahverengi güveç yemekleri ve köri hazırlıklarında zayıf kaldı.

Gizli Kalori Problemi: Hangi Mutfaklar AI'yi En Çok Kandırıyor

Bu testten elde edilen en önemli bulgulardan biri, "gizli kalori farkı" olarak adlandırdığımız şeydir — AI'nın görebildiği ile yemeğin içindeki gerçek kalori miktarı arasındaki fark. Bunu, AI'nın tahmini ile gerçek kalori sayısı arasındaki en büyük farkı hangi mutfakların oluşturduğunu inceleyerek ölçtük; özellikle görünmez yağlar ve yağlar tarafından yönlendirilen.

Mutfak	Ortalama Gizli Yağ Kalorisi (yemek başına)	Gizli Yağlardan Toplam Kalorinin %'si	Gizli Yağlar Nedeniyle AI'nin Az Tahmini
Hint	187 kcal	%34	-%22
Etiyopya	165 kcal	%31	-%20
Tay	152 kcal	%29	-%18
Nijeryalı	148 kcal	%28	-%17
Çin	134 kcal	%24	-%14
Orta Doğu	128 kcal	%23	-%13
Karayip	124 kcal	%22	-%12
Filipin	118 kcal	%21	-%11
Türk	112 kcal	%20	-%10
Brezilyalı	98 kcal	%17	-%8

Desen net: yağ, ghee, hindistancevizi sütü ve fındık bazlı soslar gibi pişirme yağlarına yoğun bir şekilde dayanan mutfaklar, AI kalori takipçilerini sistematik olarak düşük tahmin yapmaya kandırıyor. Bu, Nutrola'ya özgü bir hata değil — bu, fotoğraf tabanlı kalori tahmininin temel bir sınırlamasıdır. Bir kamera, çözünmüş yağı göremez.

Pratik sonuç: Eğer bu tablonun üst yarısındaki mutfakları düzenli olarak tüketiyorsanız, AI tahminlerinin düşük çıkmasını beklemeli ve soslu ve güveç bazlı yemekler için %10-20 manuel düzeltme eklemeyi düşünmelisiniz.

Nutrola, Yetersiz Temsil Edilen Mutfaklar için Doğruluğu Nasıl Artırıyor

Bu verileri kötü performansı bahane etmek için yayınlamıyoruz — şeffaflığın gelişimi teşvik ettiğine inanıyoruz. İşte aktif olarak yaptıklarımız:

Yetersiz Temsil Edilen Mutfaklar için Eğitim Verilerini Genişletme

Görüntü eğitim hattımız, tarihsel olarak Kuzey Amerika ve Avrupa yiyeceklerine ağırlık vermiştir. Güney Asya, Batı Afrika, Doğu Afrika, Güneydoğu Asya ve Karayipler'deki yemek fotoğrafçıları ve tarif veritabanları ile aktif olarak ortaklık kurarak, %80'in altında yiyecek tanıma alan mutfaklar için eğitim setimizi önemli ölçüde genişletiyoruz.

Bölgesel Yiyecek Veritabanı Ortaklıkları

Kalori tahmini, arkasındaki beslenme verisi kadar iyidir. Hindistan, Nijerya, Etiyopya ve Tayland'daki beslenme araştırma kurumları ile ortaklıklar kurarak bölgeye özgü beslenme verilerini entegre ediyoruz. Delhi'de yapılan bir "butter chicken" ile bir İngiliz paket servisi versiyonu arasında farklı kalori profilleri vardır ve veritabanımızın bunu yansıtması gerekiyor.

Mutfak Spesifik AI Düzeltmeleri

Nutrola'nın AI'sı bir mutfak kategorisi (örneğin, Hint, Tay, Etiyopya) tespit ettiğinde, artık mutfak spesifik düzeltme faktörleri uygular. Sistem bir köri tespit ederse, muhtemel gizli yağlar için otomatik olarak yukarı doğru ayarlama yapar. Bu mükemmel bir çözüm değil, ancak iç testlerimiz, Hint mutfağındaki ortalama sapmayı %14.6'dan %11.2'ye ve Tay mutfağındaki sapmayı %13.9'dan %10.8'e düşürdüğünü gösteriyor.

Kullanıcı Geri Bildirim Döngüleri

Nutrola kullanıcısı her seferinde AI tahminini manuel olarak düzelttiğinde, o düzeltme modelimize geri beslenir. Daha aktif kullanıcı tabanına sahip mutfaklar daha hızlı gelişir. Ayrıca, modelin eğitilmesine yardımcı olmak için yetersiz temsil edilen mutfak bölgelerinden kullanıcıları çekmek için hedeflenmiş kampanyalar yürütüyoruz.

Uluslararası Yiyecekleri Takip Eden Kullanıcılar için İpuçları

Bu verilere dayanarak, Batı dışı mutfakları takip ederken en doğru sonuçları elde etmek için pratik stratejiler:

1. Soslu Yemekler için "Gizli Yağ" Tamponu Ekleyin

Hint, Tay, Etiyopya, Nijeryalı veya Çin mutfağından yemek yiyorsanız, görünür bir sos veya güveç içeren herhangi bir yemeğin AI tahminine %10-15 ekleyin. Bu tek düzeltme, çoğu doğruluk farkını kapatır.

2. Mümkünse Bireysel Bileşenleri Fotoğraflayın

Bir Etiyopya paylaşım tabağının tamamını fotoğraflamak yerine, her wat'ı ayrı ayrı fotoğraflayın. Tam bir thali yerine, her kâseyi ayrı ayrı çekin. AI, bireysel yemekleri izole edebildiğinde çok daha iyi performans gösterir.

3. Manuel Düzeltme Özelliğini Kullanın

Nutrola, tarama sonrasında AI tahminlerini yukarı veya aşağı ayarlamanıza izin verir. Bunu düzenli olarak yediğiniz yemekler için kullanın — yerel Tay restoranınızdaki yeşil köri, AI'nın düşündüğünden %15 daha yüksek olduğunu biliyorsanız, her seferinde bu düzeltmeyi uygulayabilirsiniz.

4. Bilinen Tariflerle Çapraz Kontrol Yapın

Eğer uluslararası yemekleri evde pişiriyorsanız, tam ölçülerle (tüm yağlar ve ghee dahil) bir kez tarifini kaydedin. Bunu Nutrola'da özel bir yemek olarak kaydedin. O noktadan itibaren, fotoğraf tahminine güvenmek yerine doğrulanmış bir doğrulukla anında kaydedebilirsiniz.

5. "Kalori Görünüm Benzerleri" için Dikkat Edin

Bazı yemekler fotoğraflarda neredeyse aynı görünse de kalori açısından dramatik şekilde farklıdır. Naan vs. roti. Hindistancevizi köri vs. domates bazlı köri. Kızarmış muz vs. haşlanmış muz. AI tahminini sunduğunda, doğru hazırlama yöntemini tanımladığından emin olun.

6. İçecekleri Ayrı Takip Edin

Birçok uluslararası mutfak, AI'nın çerçevenin kenarında kaçırabileceği kalori yoğun içecekler içerir — mango lassi, Tay dondurmalı çay, horchata, Nijeryalı zobo — en iyi sonuçlar için içecekleri ayrı fotoğraflayın.

Bu, AI Yiyecek Takibinin Geleceği İçin Ne Anlama Geliyor

Bu test, AI kalori takibinin ne kadar ilerlediğini ve hala ne kadar yol kat etmesi gerektiğini gösteriyor. Görsel olarak belirgin, iyi belgelenmiş yiyeceklerle dolu mutfaklar — Japon, Amerikan, İtalyan, Kore — AI fotoğraf takibi zaten oldukça doğru bir şekilde, diyetisyenlerin manuel değerlendirmesine %6-7 oranında yakın performans gösteriyor. Bu, günlük takip için gerçekten yararlı olacak kadar iyi.

Gizli yağlar, üst üste binen yemekler ve sınırlı eğitim verileri olan mutfaklar — Hint, Etiyopya, Tay, Nijeryalı — kullanıcıların farkında olması gereken anlamlı bir doğruluk farkı vardır. Bu fark, bu mutfaklar için AI takibini işe yaramaz hale getirecek kadar büyük değil, ancak kesin kalori açığı korumaya çalışıyorsanız önemli bir fark yaratacak kadar büyüktür.

İyi haber şu ki, bu sorun çözülebilir. Temelde bir veri sorunudur, algoritmik bir sorun değil. Eğitim veri setleri genişledikçe ve bölgesel beslenme veritabanları geliştikçe, yetersiz temsil edilen mutfaklar için doğruluk, en iyi performans gösterenlerle birleşecektir. Nutrola'daki hedefimiz, 2026'nın sonuna kadar tüm 20 mutfak için ortalama sapmayı %8'in altına indirmektir.

Bu arada, AI tahmini, kullanıcı farkındalığı ve manuel düzeltme kombinasyonu, yediğiniz mutfak ne olursa olsun anlamlı beslenme takibi için yeterli bir doğruluk seviyesine ulaşmanızı sağlar.

Nutrola'nın Snap & Track özelliği, sadece 2.50 EUR'dan başlayan tüm planlarda mevcuttur; reklam yok ve sürekli olarak gelişen AI yemek tanıma motorumuza tam erişim sağlar. Kullanıcılarımızın fotoğrafladığı daha çeşitli yemekler, sistemin herkes için daha akıllı hale gelmesini sağlar.

---

Metodoloji notu: Bu test, Mart 2026'da Nutrola ekibi tarafından içsel olarak gerçekleştirilmiştir. Referans kalori değerleri, bağımsız olarak çalışan iki kayıtlı diyetisyen tarafından hesaplanmış ve farklılıklar uzlaşmayla çözülmüştür. Tüm AI tahminleri, Nutrola v3.2'deki Snap & Track özelliği kullanılarak oluşturulmuştur. Bu testi her çeyrekte tekrarlamayı ve güncellenmiş sonuçları yayınlamayı planlıyoruz.