Cal AI Ne Kadar Doğru? USDA Referans Değerlerine Karşı 20 Gıda Testi

Cal AI, yemek fotoğraflarından kalori tahmini yapmak için bilgisayarla görme teknolojisi kullanan bir fotoğraf tabanlı kalori takip uygulamasıdır. Temel fikir oldukça cazip: Yemeğinizin fotoğrafını çekin ve veritabanlarında arama yapmadan, barkod taramadan veya hiçbir şey yazmadan anında kalori tahmini alın. Manuel giriş yok, listelerden gıda seçimi yok, porsiyon tartma gerekmiyor.

Ancak fotoğraf tabanlı kalori tahmini, AI'nın karmaşıklığını aşan temel teknik zorluklarla karşı karşıyadır. 3D gıdaların 2D fotoğrafları derinlik, yoğunluk, gizli katmanlar veya yağlar ve soslardan gelen görünmeyen kalorileri yakalayamaz. Sorun, Cal AI'nin mükemmel olup olmadığı değil — kimse bunun beklenmediğini biliyor — ama kullanıcıların beslenmelerini yönetmelerine yardımcı olacak kadar doğru olup olmadığıdır.

Cal AI'yi standart metodolojimizle test ettik: 20 yaygın gıda, hassas bir şekilde tartıldı, normal ev aydınlatması altında fotoğraflandı ve USDA FoodData Central referans değerleriyle karşılaştırıldı.

Cal AI Nasıl Çalışır

Cal AI, gıda fotoğraflarını analiz etmek ve kalori içeriğini tahmin etmek için bilgisayarla görme modelleri kullanır. Süreç üç adımda gerçekleşir:

1. Gıda tanımlama. AI, fotoğrafta hangi gıdaların bulunduğunu tanımlar.
2. Porsiyon tahmini. AI, tabak boyutu, gıda oranları ve öğrenilmiş boyut referansları gibi görsel ipuçlarına dayanarak her tanımlanan gıdanın miktarını tahmin eder.
3. Kalori hesaplama. Tahmin edilen porsiyonlar, gram başına kalori değerleri ile çarpılarak toplam kalori tahmini oluşturulur.

Fotoğrafın eşleştiği doğrulanmış bir gıda veritabanı yoktur. Kalori tahmini, AI modelinin eğitim verilerinden ve görsel gıda özellikleri ile kalori içeriği arasındaki öğrenilmiş ilişkilerden gelir. Barkod tarayıcı yok, ses kaydı yok ve manuel veritabanı araması yok — fotoğraf tek girdi yöntemidir.

20 Gıda Doğruluk Testi: Cal AI vs USDA Referans Değerleri

Her gıda, kalibre edilmiş bir mutfak tartısında tartıldı, normal bir şekilde tabaklandı (yayılmadan veya yapay bir düzenlemeden kaçınılarak) ve standart mutfak aydınlatması altında doğal bir yemek açısında fotoğraflandı. USDA referans değerleri, tam ölçülen ağırlık için FoodData Central'dan alınmıştır.

#	Gıda Maddesi	Ağırlık (g)	USDA Referansı (kcal)	Cal AI Tahmini (kcal)	Sapma (kcal)	Sapma (%)
1	Izgara tavuk göğsü	150	248	220	-28	-11.3%
2	Pişirilmiş kahverengi pirinç	200	248	275	+27	+10.9%
3	Orta boy muz	118	105	110	+5	+4.8%
4	Tam süt (bir bardak)	244	149	170	+21	+14.1%
5	Fırında somon fileto	170	354	310	-44	-12.4%
6	Tam avokado	150	240	200	-40	-16.7%
7	Sade Yunan yoğurdu (kase)	200	146	160	+14	+9.6%
8	Fırında tatlı patates	180	162	145	-17	-10.5%
9	Çiğ badem (küçük kase)	30	174	210	+36	+20.7%
10	Tam buğday ekmeği (2 dilim)	50	130	140	+10	+7.7%
11	Büyük yumurta, çırpılmış	61	91	105	+14	+15.4%
12	Buharda pişirilmiş brokoli	150	52	45	-7	-13.5%
13	Zeytinyağı (tabakta bir yemek kaşığı)	14	119	60	-59	-49.6%
14	Ekmek üzerindeki fıstık ezmesi	32	190	155	-35	-18.4%
15	Dilimlenmiş cheddar peyniri	40	161	140	-21	-13.0%
16	Pişirilmiş makarna (tabak)	200	262	290	+28	+10.7%
17	Orta boy elma	182	95	90	-5	-5.3%
18	%85 yağsız kıyma (köfte)	120	272	240	-32	-11.8%
19	Kuru yulaf (kase)	40	152	180	+28	+18.4%
20	Pişirilmiş mercimek (kase)	180	207	185	-22	-10.6%

Özet İstatistikleri

• Ortalama mutlak sapma: 22.2 kcal her bir gıda maddesi için
• Maksimum sapma: 59 kcal (zeytinyağı)
• Ortalama yüzde sapma: 13.3%
• USDA değerlerine %5 içinde kalan gıdalar: 20'de 2 (yüzde 10)
• USDA değerlerine %10 içinde kalan gıdalar: 20'de 5 (yüzde 25)
• Sıfır sapma olan gıdalar: 20'de 0 (yüzde 0)

Her bir gıda için sapmalar, veritabanı destekli takipçilerden çok daha büyük. Zeytinyağı — tabakta bir yemek kaşığı — neredeyse %50 oranında düşük tahmin edildi, bu da fotoğraflardan kalori yoğun sıvıları tahmin etmenin temel zorluğunu vurguluyor.

Öğün Türüne Göre Fotoğraf Doğruluğu

Cal AI'nın doğruluğu, fotoğrafladığınız şeye bağlı olarak büyük ölçüde değişiyor. 20 bireysel gıdanın ötesine geçerek tam öğün senaryolarını değerlendirdik.

Öğün Türü	Tanımlama Doğruluğu	Kalori Tahmin Doğruluğu	Tipik Sapma
Tek bütün gıda (elma, muz)	~85%	±8%	±8-12 kcal
Basit tabaklı öğün (protein + bir yan)	~78%	±15%	±40-80 kcal
Karmaşık çok bileşenli tabak	~60%	±25%	±80-150 kcal
Restoran yemeği	~55%	±30%	±100-200 kcal
Paketli gıda (barkod yok)	~75%	±18%	±30-60 kcal
Kase yemekleri (salatalar, tahıl kaseleri)	~65%	±22%	±60-120 kcal
Çorbalar ve sıvı yemekler	~50%	±35%	±80-180 kcal

Desen net: Doğruluk, yemek karmaşıklığı arttıkça düşüyor. İyi aydınlatılmış bir ortamda fotoğraflanan tek bir muz, bilgisayarla görme için oldukça kolay bir problem. Bir restoran tabağında protein, nişasta, sebzeler, sos ve süslemeler — gıdaların üst üste geldiği, sosların yüzeyleri kapladığı ve porsiyonların ölçülmek yerine stilize edildiği bir durum — son derece zor bir durumdur.

Porsiyon Tahmin Sorunu

Cal AI'nın yanlışlığının en büyük kaynağı gıda tanımlama değil — porsiyon tahminidir. İşte nedeni.

3D Gıdaların 2D Fotoğrafları

Bir fotoğraf, üç boyutlu gıdayı iki boyutlu bir görüntüye indirger. Sığ geniş bir tabak ve derin dar bir kase, yukarıdan bakıldığında benzer görünebilirken, çok farklı hacimlerde gıda tutabilir. Bir tavuk göğsü kalın veya ince olabilir ve üstten çekilen bir fotoğraf bunları ayırt edemez.

Görsel Senaryo	Cal AI'nın Gördüğü	Gerçekte Olan	Hata
Yüksek kase pirinç	Orta boy beyaz gıda	350g pirinç (derin kase)	%30-40 az tahmin
Tabakta ince yayılmış pirinç	Büyük beyaz gıda	150g pirinç (düz yayılmış)	%20-30 fazla tahmin
Kalın tavuk göğsü	Dikdörtgen beyaz protein	200g (kalın kesim)	%15-25 az tahmin
İnce tavuk göğsü	Benzer dikdörtgen şekil	120g (ince kesim)	%10-20 fazla tahmin

Mevcut AI modelleri, tek bir fotoğrafla bu derinlik algısı sorununu güvenilir bir şekilde çözemez. Bazı yaklaşımlar referans nesneler (örneğin, gıdanın yanına bir bozuk para koymak) veya stereo fotoğrafçılık kullanır, ancak Cal AI, tek bir sınırsız fotoğraf kullanır, bu da derinlik tahminini öğrenilmiş heuristiklerle sınırlı hale getirir.

Gizli Kalori Sorunu

Bazı kalori yoğun bileşenler fotoğraflarda görünmez veya neredeyse görünmezdir:

• Kızartma veya fırınlama sırasında gıdaya emilen pişirme yağları, yemek başına 40-120 kcal ekler ancak görünür bir iz bırakmaz.
• Pirinç, makarna veya sebzelere eritilmiş tereyağı, fotoğrafta görünmez olabilir.
• Marulun altındaki soslar ve soslar, makarnaya karıştırılmış veya bir protein üzerine serpilmişse kısmen veya tamamen gizlidir.
• Yemeklere eritilmiş peynir, altında bulunan gıda ile görsel olarak karışır.
• İçeceklerde çözünmüş şeker, tamamen görünmezdir.

Zeytinyağı testimizde, tabakta bir yemek kaşığı (119 kcal) tahmin edilen kalori sadece 60 kcal olarak belirlendi. Aynı miktarda zeytinyağı tavuk pişirmek için kullanıldığında ve artık görünmez olduğunda, Cal AI yağdan 0 ek kalori tahmin etti — bu, tek bir yemek kaşığı pişirme yağından 119 kcal'lik bir kayıptır.

Bu, Cal AI'nin belirli bir uygulama hatası değildir. Fotoğraflardan kalori tahmin etmenin temel bir sınırlamasıdır. Herhangi bir fotoğraf tabanlı sistem, görünmez kalorilerle mücadele edecektir.

Günlük Hata Birikimi: ±160 Kalori Ne Anlama Geliyor

Tam bir gün boyunca yemek yendiğinde, Cal AI'nin fotoğraf tabanlı tahminleri, USDA referans toplamlarından ortalama günlük ±160 kalori sapması üretir.

• ±160 kcal/gün üzerinden 7 gün = ±1,120 kcal/hafta
• 500 kcal/gün açığı, 340 ile 660 kcal arasında bir açığa dönüşebilir
• 30 gün boyunca, birikimli hata ±4,800 kcal'ye ulaşır — bu, yaklaşık 1.4 pound vücut yağının belirsizliğidir

Veritabanı destekli takipçilerde hatalar nispeten tutarlıdır (aynı gıda girişi her seferinde aynı kaloriyi verir), Cal AI'nin hataları değişkendir. Aynı yemek, farklı bir açıdan, farklı bir aydınlatmada veya farklı bir tabakta fotoğraflandığında farklı kalori tahminleri üretebilir. Bu değişkenlik, kullanıcıların alımlarına dair kalibre edilmiş bir sezgi geliştirmesini zorlaştırır.

Günlük yemek düzenini genel olarak takip eden biri için ±160 kcal/gün kabul edilebilir — bu, 3,000 kalorilik bir günü 1,500 kalorilik bir günden doğru bir şekilde ayırt eder. Ancak belirli bir kalori hedefi peşinde koşan biri için hata payı, anlamlı ilerleme sinyallerini gizleyecek kadar geniştir.

Cal AI'nın Doğru Olduğu Yerler

Cal AI, belirli, elverişli koşullar altında en iyi şekilde çalışır.

Basit, iyi tabaklanmış tek maddeli öğünler. Beyaz bir tabakta ızgara tavuk göğsü, tek bir elma veya sade yulaf lapası — bu, AI'nın güçlü eğitim verilerine sahip olduğu ve gıdanın net bir şekilde görünür olduğu senaryolardır. Basit öğünler için doğruluk ±8-10% seviyelerine yaklaşır, bu da hızlı giriş için makul bir seviyedir.

Düzenli fotoğraflanan öğünler. Eğer benzer öğünleri düzenli olarak yiyorsanız ve benzer koşullarda fotoğraflıyorsanız, hatalar tutarlı ve bir nebze öngörülebilir hale gelir. Bu, daha çok doğruluktan çok kesinlik ile ilgilidir — sayılar yanlış olabilir, ancak her seferinde benzer bir miktar kadar yanlıştır, bu da göreceli sinyali korur.

Hız ve pratiklik. Cal AI'nin temel değeri doğruluk değil — hızdır. Bir fotoğraf çekmek 3 saniye sürer. Bir veritabanında arama yapmak, doğru gıda girişini seçmek ve porsiyon boyutunu girmek, her bir gıda maddesi için 30-60 saniye alır. Eğer başka türlü hiç takip etmeyecek olan kullanıcılar için, Cal AI'nin sürtünme azaltma özelliği gerçek bir değer taşır.

Görsel gıda günlüğü. Fotoğraf öncelikli yaklaşım, yediğiniz şeylerin görsel bir kaydını oluşturur ve bu, kalori doğruluğundan bağımsız davranışsal faydalar sağlar. Araştırmalar, gıda fotoğrafçılığının doğru kalori verisi olmadan bile diyet bilincini artırdığını göstermektedir.

Cal AI'nın Zayıf Olduğu Yerler

Karmaşık tabaklar ve karışık öğünler. 2-3 belirgin bileşenden fazla olan herhangi bir öğün, doğruluğun hızla düşmesine neden olur. Gerçek dünya yemekleri — protein, nişasta, sebzeler ve sos içeren bir akşam yemeği tabağı — doğası gereği karmaşıktır ve bu, Cal AI'nın ±25-30% sapmasının kalori tahminlerini güvenilmez hale getirdiği yerdir.

Soslar, yağlar ve gizli kaloriler. Test sonuçlarında gösterildiği gibi, kalori yoğun ama görsel olarak ince bileşenler ciddi şekilde düşük tahmin edilir veya tamamen göz ardı edilir. Ev yapımı bir yemek, pişirme sırasında kullanılan 2 yemek kaşığı zeytinyağı ile 200+ kalorilik bir düşük tahminle karşılaşabilir.

Kötü aydınlatma ve zayıf fotoğraf koşulları. Restoran aydınlatması, akşam mutfak aydınlatması ve gıdanın net bir şekilde aydınlatılmadığı herhangi bir ortam, hem tanımlama hem de porsiyon tahmin doğruluğunu azaltır. AI'nın çalışabilmesi için net görsel verilere ihtiyacı vardır.

Başarısız tanımlama için yedek yok. Cal AI bir gıdayı tanımlayamadığında — bu, karmaşıklığa bağlı olarak yaklaşık %20-45 oranında gerçekleşir — barkod tarayıcı yok, veritabanı araması yok ve ses kaydı yok. Kullanıcı, uygulama içinde eksik veya yanlış bir tahminle baş başa kalır.

Doğrulanmış bir veritabanı desteği yok. Cal AI, tanımlanan gıdaları doğrulanmış bir beslenme veritabanına eşleştirmez. Kalori tahmini, AI modelinin öğrendiği ilişkilerden gelir, bu da hesaplamada kullanılan gram başına kalori değerlerinin doğrulanmış bir kaynağı olmadığı anlamına gelir. Model yanlış bir ilişki öğrenmişse (örneğin, pişirilmiş pirincin kalori yoğunluğunu fazla tahmin etmek), bu hata gelecekteki her tahminde yer alır.

Üst üste ve katmanlı gıdalar. Üstten fotoğraflanan bir sandviç, üst ekmek dilimini gösterir. AI, görünür kenarlardan görsel ipuçlarına dayanarak içindekileri tahmin etmek zorundadır. Kalın bir köfte, peynir ve birden fazla malzeme içeren bir hamburger, kamera açısına göre farklı tahmin edilecektir.

Cal AI'nın Veritabanı Destekli Takipçilerle Karşılaştırılması

Ölçüt	Cal AI	Nutrola	MacroFactor	FatSecret
Ortalama günlük sapma	±160 kcal	±78 kcal	±110 kcal	±175 kcal
Girdi yöntemi	Sadece fotoğraf	Fotoğraf AI + Ses + Arama + Barkod	Arama + Barkod	Arama + Barkod
Gıda tanımlama	AI görselleştirme	AI görselleştirme + doğrulanmış veritabanı	Manuel (seçkin)	Manuel (topluluk destekli)
Porsiyon tahmini	Fotoğraftan AI	AI + manuel ayarlama	Manuel (kullanıcı tartar)	Manuel (kullanıcı tartar)
Barkod tarayıcı	Hayır	Evet (3M+ ürün, 47 ülke)	Evet	Evet
Ses kaydı	Hayır	Evet (~%90 doğruluk)	Hayır	Hayır
Veritabanı yedeği	Yok	1.8M+ doğrulanmış giriş	Seçkin veritabanı	Topluluk destekli veritabanı
Giriş hızı	~3 saniye	~5-10 saniye	~30-60 saniye	~30-60 saniye

Cal AI'nın avantajı hızdır. Dezavantajı ise, diğer tüm doğruluk ölçütlerinin doğrulanmış veya seçkin veritabanlarını kullanan alternatiflerden daha kötü olmasıdır. Uygulama, pratikliği hassasiyetten daha çok önemseyen ve veritabanlarında arama yapmadan veya barkod taramadan takip etmeyecek kullanıcılar için belirli bir niş işgal etmektedir.

Fotoğraf AI kolaylığını veritabanı destekli doğrulukla bir arada isteyen kullanıcılar için Nutrola, 1.8 milyon+ beslenme uzmanı tarafından doğrulanmış veritabanına eşleşen fotoğraf AI tanımlaması sunarak, fotoğraf kaydının hız avantajını doğrulanmış beslenme verileriyle birleştirir. Nutrola ayrıca, fotoğrafın pratik olmadığı durumlarda alternatif girdi yöntemleri olarak ses kaydı ve barkod taraması sağlar; bu, Cal AI'nin sunamadığı bir özelliktir. Nutrola, iOS ve Android'de €2.50/ay ile reklamsız olarak mevcuttur.

Sıkça Sorulan Sorular

Cal AI, geleneksel bir kalori takip uygulamasının yerini alabilir mi?

Gündelik diyet bilinci için — belirli bir günde ne kadar yediğinizi anlamak için — Cal AI, faydalı tahminler sağlayabilir. Belirli kalori hedefleri, kilo yönetimi protokolleri veya günde 100-200 kalori doğruluğuna dayanan herhangi bir hedef için, Cal AI'nin ±160 kcal günlük sapması, onu birincil takip aracı olarak güvenilmez hale getirir. Kesinlik hedefleri olan kullanıcılar, doğrulanmış veritabanları ve birden fazla girdi yöntemi sunan uygulamalarla daha iyi hizmet alır.

Cal AI neden porsiyon tahmininde zorlanıyor?

Temel zorluk, tek bir 2D fotoğrafın gıdanın üç boyutlu özelliklerini — derinlik, yoğunluk ve hacim — yakalayamamasıdır. Derin bir çorba kasesi ve sığ bir makarna tabağı yukarıdan bakıldığında benzer görünebilir, ancak çok farklı miktarlarda gıda içerebilir. Ayrıca, gıdaya karışan veya emilen yağlar, tereyağı ve şeker gibi kalori yoğun bileşenler fotoğraflarda görünmezdir. Bunlar, yalnızca Cal AI'ye değil, tüm fotoğraf tabanlı tahmin sistemlerine uygulanan fiziksel sınırlamalardır.

Cal AI bazı gıdalar için diğerlerinden daha mı doğru?

Evet, önemli ölçüde. Tek bütün gıdalar (elma, muz, yumurta) ±5-8% referans değerlerine yakın tahminler üretir. Basit tabaklı öğünler, görünür ve belirgin bileşenlerle ±15% doğruluk sağlar. Karmaşık karışık tabaklar, restoran yemekleri ve çorbalar ise ±25-35% doğruluğa düşer. Yemek ne kadar görsel olarak karmaşık ve katmanlıysa, tahmin o kadar az doğru olur.

Cal AI, düzeltmelerden öğrenip zamanla gelişir mi?

Cal AI'nin AI modeli, bireysel kullanıcı düzeltmeleri ile değil, genel model eğitimi yoluyla güncellenir. Uygulamada bir tahmini düzeltirseniz, bu, o gıda için gelecekteki tahminleri iyileştirmez. Model iyileştirmeleri, uygulama güncellemeleri olarak yayımlanan daha geniş eğitim verisi güncellemeleri ile gerçekleşir. Bu, belirli gıda türleri için sistematik hataların, model yeniden eğitilene kadar devam edeceği anlamına gelir.

Cal AI, bir tabakta birden fazla öğünle nasıl başa çıkıyor?

AI, fotoğrafı ayrı gıda bölgelerine ayırmaya ve her bileşeni ayrı ayrı tahmin etmeye çalışır. Bu, gıdaların tabakta net bir şekilde ayrıldığı durumlarda (protein bir tarafta, sebzeler diğer tarafta) makul bir şekilde çalışır. Ancak, gıdalar üst üste geldiğinde, karıştırıldığında veya soslarla kaplandığında doğruluk önemli ölçüde düşer. 4-5 belirgin gıda maddesi içeren bir tabakta, 1-2'sinin yanlış tanımlanmasını veya önemli ölçüde yanlış porsiyon tahminleri almasını bekleyin.