30 Gün Boyunca Ağırlık Olmadan Kalori Takibi Yaptım

2023 yılında American Journal of Clinical Nutrition dergisinde yayımlanan bir çalışmaya göre, resmi beslenme eğitimi almayan kişiler ortalama %25 ila %40 oranında porsiyon boyutlarını abartıyor. Yani "bir fincan pirinç" kaydeden bir kişi aslında 1.3 fincan yiyebilir — bu da tek bir gıda maddesinden 85 kaydedilmemiş kalori eklenmesi demek. Gıda tartıları doğruluk için altın standarttır, ancak çoğu insan bunları sürekli kullanmaz. Ben de merak ettim: AI fotoğraf tahmini, tartı kullanmadan kalori takibini yeterince geçerli hale getirebilir mi?

Bu 30 Günlük Testi Nasıl Tasarladım?

30 gün boyunca her öğünümü üç paralel yöntemle takip ettim.

• Yöntem A (Kontrol): Mutfak tartısı — Pişirmeden ve yemeden önce her malzemeyi gramıyla tarttım. Bu benim doğruluk ölçütüm oldu.
• Yöntem B: AI fotoğraf tahmini — Nutrola'nın fotoğraf AI'sını kullanarak her tabağın fotoğrafını çektim ve manuel ayarlama yapmadan porsiyon tahminlerini kabul ettim.
• Yöntem C: Manuel gözlem — Standart referansları kullanarak porsiyonları görsel olarak tahmin ettim (yumruk = 1 fincan, avuç = 3 oz protein, baş parmağı = 1 yemek kaşığı) ve bunları basit bir takip uygulamasına kaydettim.

Üç yöntem de aynı öğünleri takip etti. Normal diyetimi yedim — ev yapımı yemekler, dışarıdan siparişler ve basit atıştırmalıklar karışımı. Günlük hedefim 2,200 kaloriydi. Her sabah kendimi aynı koşullarda tartarak her yöntemin verilerinin gerçek kilo değişimiyle nasıl ilişkilendiğini takip ettim.

Tartı Olmadan Günlük Kaloriler Ne Kadar Sapma Gösterdi?

İlk iki hafta boyunca tartı ile doğrulanan ölçütle günlük sapmaları aşağıda bulabilirsiniz.

Gün	Tartı (Gerçek)	AI Fotoğraf Tahmini	AI Sapması	Gözlem Tahmini	Gözlem Sapması
1	2,185 kcal	2,120 kcal	-65 (-3.0%)	1,950 kcal	-235 (-10.8%)
2	2,340 kcal	2,280 kcal	-60 (-2.6%)	2,100 kcal	-240 (-10.3%)
3	2,050 kcal	2,005 kcal	-45 (-2.2%)	1,850 kcal	-200 (-9.8%)
4	2,410 kcal	2,290 kcal	-120 (-5.0%)	2,050 kcal	-360 (-14.9%)
5	2,190 kcal	2,150 kcal	-40 (-1.8%)	1,980 kcal	-210 (-9.6%)
6	2,520 kcal	2,380 kcal	-140 (-5.6%)	2,150 kcal	-370 (-14.7%)
7	2,100 kcal	2,060 kcal	-40 (-1.9%)	1,920 kcal	-180 (-8.6%)
8	2,280 kcal	2,220 kcal	-60 (-2.6%)	2,000 kcal	-280 (-12.3%)
9	2,150 kcal	2,100 kcal	-50 (-2.3%)	1,880 kcal	-270 (-12.6%)
10	2,380 kcal	2,310 kcal	-70 (-2.9%)	2,080 kcal	-300 (-12.6%)
11	2,060 kcal	2,025 kcal	-35 (-1.7%)	1,870 kcal	-190 (-9.2%)
12	2,450 kcal	2,340 kcal	-110 (-4.5%)	2,100 kcal	-350 (-14.3%)
13	2,200 kcal	2,155 kcal	-45 (-2.0%)	1,960 kcal	-240 (-10.9%)
14	2,310 kcal	2,250 kcal	-60 (-2.6%)	2,040 kcal	-270 (-11.7%)

Düzenli bir şekilde benzer bir model gözlemlendi. AI fotoğraf tahmini günde ortalama 67 kalori (yüzde 2.9) az tahmin etti. Manuel gözlem ise günde ortalama 264 kalori (yüzde 11.6) az tahmin etti. İki yöntem arasındaki fark neredeyse dört katıydı.

30 Günlük Ortalama Veriler Nasıldı?

Ölçüt	Tartı (Gerçek)	AI Fotoğraf Tahmini	Manuel Gözlem
Günlük ortalama kalori	2,248 kcal	2,175 kcal	1,988 kcal
Ortalama günlük sapma	—	-73 kcal (-3.2%)	-260 kcal (-11.6%)
En kötü tek gün sapması	—	-155 kcal (-6.1%)	-410 kcal (-16.8%)
En iyi tek gün sapması	—	-12 kcal (-0.6%)	-125 kcal (-5.8%)
Gerçek kaloriye %5 içinde günler	—	24/30 (yüzde 80)	3/30 (yüzde 10)
Gerçek kaloriye %10 içinde günler	—	30/30 (yüzde 100)	14/30 (yüzde 47)

AI fotoğraf yöntemi, gerçek kalorilerin %5 içinde kalma oranını %80 gün boyunca sağladı. Manuel gözlem ise bu oranı yalnızca %10 gün boyunca yakalayabildi. Daha da önemlisi, AI hiçbir gün %10 sapmayı aşmadı, oysa gözlem yöntemi test edilen günlerin yarısından fazlasında %10'un üzerinde sapma gösterdi.

Hangi Gıdaların Tahmin Edilmesi Ağırlık Olmadan Daha Zor?

Tüm gıdalar tahmin zorluğu açısından eşit değildir. Öğünlerimi kategorize ettim ve gıda türüne göre sapmaları takip ettim.

Gıda Kategorisi	Ortalama AI Sapması	Ortalama Gözlem Sapması	Neden Zor
Proteinler (tavuk, balık, et)	-2.8%	-8.5%	Kalınlık değişken; yoğunluğu tahmin etmek zor
Tahıllar (pirinç, makarna, ekmek)	-3.5%	-15.2%	Pişirme ile hacim dramatik şekilde artar
Sebzeler	-1.2%	-4.8%	Düşük kalori yoğunluğu, hatalar küçüktür
Meyveler	-1.5%	-5.1%	Doğal boyut varyasyonu dar
Yağlar (yağlar, tereyağı, kuruyemiş)	-6.8%	-22.4%	Küçük hacim, aşırı kalori yoğunluğu
Soslar ve soslar	-5.9%	-18.7%	Dökme miktarları geniş değişkenlik gösterir
Karışık yemekler (sote, güveç)	-4.2%	-13.6%	Birden fazla malzeme, katmanlı
Atıştırmalıklar (cips, kraker)	-2.1%	-9.8%	Avuç boyutları kişiden kişiye değişir

Yağlar ve yağlar, her iki yöntem için de en büyük hata kaynağıydı. Bir yemek kaşığı zeytinyağı yalnızca 14 gramdır ancak 119 kalori içerir. Yarım yemek kaşığı kadar yanlış tahmin yapmak bile tek bir bileşenden 60 kalori hataya yol açar. AI, görünür yağları (tost üzerindeki tereyağı, tabakta biriken yağ) tahmin etmede daha iyi olsa da, emilen yağlarla hala zorlanıyordu.

Pişirilmiş tahıllar, gözlem yönteminin en kötü kategorisiydi. İnsanlar genellikle kendilerine ne kadar pirinç veya makarna servis ettiklerini abartıyor. "Normal bir porsiyon" pişirilmiş makarna genellikle 2 ila 2.5 fincan arasındadır, çoğu insanın bir porsiyon düşündüğünde aklına gelen 1 fincan değil.

Her Yöntem Haftalık Kilo Trendlerini Nasıl Etkiledi?

Her sabah kendimi tarttım ve su ağırlığı dalgalanmalarını düzeltmek için 7 günlük hareketli ortalamalar hesapladım.

Hafta	Gerçek Ortalama Kilo	AI Verilerine Göre Tahmin Edilen Kilo	Gözlem Verilerine Göre Tahmin Edilen Kilo
1	82.4 kg	82.2 kg	81.5 kg
2	82.1 kg	81.9 kg	80.8 kg
3	81.9 kg	81.7 kg	80.2 kg
4	81.6 kg	81.5 kg	79.6 kg

Standart 7,700 kaloriyi bir kilogram vücut ağırlığına dönüştürme oranını kullanarak, AI verileri haftada 0.1 ila 0.2 kg doğrulukla kilo trendimi tahmin etti. Gözlem verileri ise dört hafta boyunca 2.8 kg kaybetmem gerektiğini tahmin etti, oysa ben yalnızca 0.8 kg kaybettim. Eğer yalnızca gözlem tahminlerine güvenseydim, kendimi çok daha büyük bir açığın içinde sanırdım — ve tartının neden beklentilerimi karşılamadığını anlamakta zorlanırdım.

Bu, insanların "kalori sayma benim için işe yaramıyor" sonucuna varmalarıyla sonuçlanan senaryodur. Gerçekte, kalori sayma mükemmel bir şekilde çalışıyordu — sorun tahminle ilgiliydi.

AI Fotoğraf Tahmini Zamanla Gelişiyor mu?

Testimden ilginç bir bulgu, Nutrola'nın AI tahminlerinin 30 gün boyunca biraz doğruluk kazandığıydı. Bu, uygulamanın benim tipik tabaklarımı, kaselerimi ve porsiyon alışkanlıklarımı öğrenmesiyle ilgili gibi görünüyor.

Zaman Dilimi	Ortalama AI Sapması
Günler 1-10	-82 kcal (-3.6%)
Günler 11-20	-71 kcal (-3.1%)
Günler 21-30	-65 kcal (-2.9%)

Gelişme mütevazı ama tutarlıydı. Gözlem doğruluğum ise, 30 gün boyunca daha iyi olmaya yönelik bilinçli çabama rağmen anlamlı bir şekilde artmadı. Appetite dergisinden (2022) gelen araştırmalar bunu destekliyor — görsel porsiyon tahmini, tartma ile düzenli geri bildirimle eşleştirilmediği sürece yalnızca marjinal olarak gelişen bir beceridir.

Ağırlık Olmadan Porsiyon Tahmininde En İyi İpuçları Nelerdir?

30 gün boyunca yan yana karşılaştırmalar yaparak, ağırlık kullanmadan doğruluğu en çok artıran teknikleri belirledim.

El Tabanlı Tahmin Rehberi

Vücut Parçası Referansı	Yaklaşık Hacim	En İyi Kullanım Alanları
Kapalı yumruk	1 fincan (240 ml)	Pirinç, makarna, tahıl
Avuç (parmaklar yok)	3-4 oz (85-115 g)	Et, balık, tavuk
Avuç içi	1/2 fincan (120 ml)	Kuruyemiş, kuru meyve, tahıllar
Baş parmak ucu ile ilk boğum arası	1 yemek kaşığı (15 ml)	Tereyağı, yağ, fıstık ezmesi
İşaret parmağı ucu	1 çay kaşığı (5 ml)	Mayonez, reçel
İki avuç içi	1 fincan gevşek paketlenmiş	Salata yeşillikleri, patlamış mısır

Bu referanslar yardımcı oldu, ancak yine de testimde %11.6 oranında ortalama hata üretti. Sorun, el boyutlarının değişken olması, yoğunluğun değişken olması ve insanların bilinçsizce kendi lehlerine yuvarlamasıdır.

AI Fotoğraf Tahmininin En İyi Çalıştığı Durumlar

• Tek katmanlı tabaklar: Yiyeceklerin düz bir tabakta yayılmış olması, yığılmamış veya üst üste konmamış olması.
• Ayrı gıda maddeleri: Karışık bir güveç yerine ayrı protein, tahıl ve sebze porsiyonları.
• İyi aydınlatma: Doğal ışık veya parlak iç mekan aydınlatması, karanlık koşullara göre tahminlerde %2 ila %3 daha doğru sonuçlar verdi.
• Standart tabaklar: AI, tabak ve kase boyutunu referans noktası olarak kullanıyor. Alışılmadık servis tabakları tahminleri bozabilir.
• Sos eklemeden önce fotoğraf çekmek: Tabağın fotoğrafını çekin, ardından sosunuzu ekleyin ve ayrı olarak kaydedin.

Ağırlık Olmadan Kas Yapmak veya Yağ Kaybetmek Mümkün mü?

Verilerime dayanarak, cevap kullandığınız tahmin yöntemine bağlı.

Hedef	Gerekli Doğruluk	Gözlem Yeterli mi?	AI Fotoğraf Yeterli mi?
Genel sağlık farkındalığı	±%20	Evet	Evet
Orta düzeyde kilo kaybı (haftada 0.5 kg)	±%10	Sınırda (günlerin %47'si)	Evet (günlerin %100'ü)
Agresif kilo kaybı (haftada 1 kg)	±%5	Hayır (günlerin %10'u)	Çoğunlukla (günlerin %80'i)
İnce kas kazanımı (kalori fazlası)	±%5	Hayır	Çoğunlukla
Yarışma hazırlığı / vücut geliştirme	±%2	Hayır	Hayır (tartı gerekli)

Genel kilo yönetimi veya orta düzeyde yağ kaybı hedefleyen çoğu insan için, AI fotoğraf tahmini, gıda tartısının zorluğu olmadan gerçek sonuçlar elde etmek için yeterince doğrudur. Sadece aşırı uçlarda — vücut geliştirme yarışması hazırlığı, çok hassas yeniden şekillendirme hedefleri — bir gıda tartısı gerçekten gereklidir.

Ağırlık Olmadan Takip Zaman Tasarrufu Ne Kadar?

Zaman tasarrufları önemli ve tutarlıydı.

Kayıt Yöntemi	Öğün Başına Ortalama Süre	Günlük Ortalama Süre (3 öğün + atıştırmalıklar)	Aylık Toplam
Mutfak tartısı + manuel kayıt	6.5 dk	26 dk	13 saat
AI fotoğraf tahmini (Nutrola)	1.2 dk	4.8 dk	2.4 saat
Manuel gözlem + metin arama	3.5 dk	14 dk	7 saat

Nutrola'nın fotoğraf AI'sı, tartı tabanlı takibe göre günlük kayıt süresini %81 oranında azalttı. Bu, ayda 10.6 saatlik bir tasarruf demek. Manuel gözlem ile metin arama ile karşılaştırıldığında bile, fotoğraf yöntemi neredeyse üç kat daha hızlıydı çünkü arama ve seçme adımını tamamen ortadan kaldırdı.

AI Fotoğraflarını Seçici Tartma ile Birleştirince Ne Oluyor?

Testimin son haftasında, hibrit bir yaklaşım denedim: Çoğu öğün için AI fotoğraf tahmini, ancak yüksek kalori yoğunluğuna sahip gıdaları (yağlar, kuruyemişler, peynir, fıstık ezmesi) tartarak.

Yöntem	Ortalama Günlük Sapma
Sadece AI fotoğraf	-73 kcal (-3.2%)
Sadece gözlem	-260 kcal (-11.6%)
AI fotoğraf + yağların seçici tartımı	-31 kcal (-1.4%)
Tam tartı ile tartım	0 kcal (ölçüt)

Hibrit yaklaşım, AI yalnızca sapmayı %50'den fazla azalttı. Sadece yağlar, kuruyemişler ve peynirleri tartmak — bu da her öğün için yaklaşık 30 saniye sürüyor — toplam günlük hatayı 31 kaloriye düşürdü. Bu, neredeyse her fitness hedefi için tartı doğruluğuna yeterince yakın.

Bu, şimdi önerdiğim yaklaşımdır: Nutrola'nın fotoğraf AI'sını tabağınızdaki her şey için kullanın ve yalnızca kalori yoğunluğu yüksek yağlar ve soslar için küçük bir mutfak tartısını elinizin altında bulundurun.

Kalori Takibi İçin Gerçekten Bir Gıda Tartısı Gerekli mi?

30 günlük titiz testin ardından, benim sonucum, etkili kalori takibi için artık bir gıda tartısının gerekli olmadığıdır — eğer AI fotoğraf tahmini kullanıyorsanız. Nutrola'nın fotoğraf AI'sı ile ölçtüğüm %3.2'lik ortalama sapma, kilo yönetimi için gerçek dünya sonuçları üretecek marj içinde.

Öte yandan, manuel gözlem, günlük kalori farkındalığı dışında herhangi bir hedef için çok hatalıdır. %11.6'lık ortalama sapma — bazı günler %16'yı aşan sapmalarla — kalori açığınızın veya fazlanızın olup olmadığını tamamen belirsiz hale getirir.

Teknoloji bir dönüm noktasına ulaştı. İki yıl önce, AI gıda tahmini, sorgulanabilir doğrulukta bir yenilikti. Bugün, Nutrola'nın fotoğraf AI'sı, tipik ev yapımı ve restoran yemekleri için tartılmış porsiyonların %3 ila %5 içinde sürekli tahminler yapıyor. Ayrıca, %100 beslenme uzmanı onaylı bir veritabanı ve gizli yağlar ile soslar için akıllı hatırlatmalar ile birleştiğinde, sistem, tutarlı kalori takibinin önündeki iki büyük engeli ortadan kaldırıyor: zaman ve zorluk.

Aylık 2.50 euro gibi bir maliyetle ve hiç reklam olmadan, bu yatırım, ilk hafta içinde zaman tasarrufu açısından kendini amorti ediyor. Doğruluk bonusu ise bedava. Çoğu insan için, gıda tartısı artık çekmecede kalabilir.