30 Gün Boyunca AI Fotoğraf Tarama ile Her Öğünü Takip Ettim — İşte Doğruluk Oranı

Her AI gıda tarama uygulaması aynı vaadi veriyor: bir fotoğraf çek, kalorini öğren. Pazarlama görselleri genellikle tek bir ızgara tavuk göğsü ile dolu temiz bir tabak gösteriyor ve AI bunu başarıyla tahmin ediyor. Peki ya loş ışıkta çekilmiş bir ev yapımı chili kasesi? Sosun porsiyon boyutunu gizlediği bir tabak makarna? Folyo sarılı bir sokak yemeği taco?

Ben gerçek sayılar istedim. 30 gün boyunca yediğim her öğün ve atıştırmalığın fotoğrafını çektim — toplamda 174 giriş — ve Nutrola'nın AI fotoğraf taramasına kalori, protein, karbonhidrat ve yağ tahmini yaptırdım. Sonra her bir girişi, mutfak terazisinde tartılmış ve Nutrola'nın beslenme uzmanı tarafından doğrulanmış veritabanını kullanarak manuel olarak hesaplanmış gerçek değerlerle karşılaştırdım. Hiçbirini seçmedim. Zor olanları atlamadım.

AI fotoğraf taramanın gerçekten doğru olduğu yerler, zorlandığı noktalar ve bunun ana kayıt yöntemi olarak yeterince doğru olup olmadığı hakkında burada bilgi bulacaksınız.

---

Metodoloji

1. Önce fotoğraf, sonra tartma. Her öğünden önce Nutrola'nın kamerasını kullanarak bir fotoğraf çektim ve AI'nın tahminini aldım. Sonra her bir bileşeni mutfak terazisinde tarttım ve gerçek değerleri manuel olarak kaydettim.
2. Sahneleme yok. Yiyecekleri normalde nasıl yiyorsam öyle fotoğrafladım — kendi tabaklarımda, gerçek ışıkta, restoranlarda, masamda, dışarıda. Özel sunum veya ışık düzeni yok.
3. Doğruluk metriği. Her giriş için, AI tahmini ile tartılmış gerçek değer arasındaki kalori farkının yüzdesini hesapladım. 400 kalorilik bir öğün 380 kalori olarak tahmin edilirse, bu %95 doğruluk demektir. Ayrıca protein, karbonhidrat ve yağ doğruluğunu ayrı ayrı takip ettim.
4. 30 gün boyunca 174 giriş: 89 ev yapımı yemek, 42 restoran yemeği, 23 paketli atıştırmalık ve 20 içecek ve çeşitli ürün.

---

Genel Sonuçlar: 30 Günlük Özet

Ölçüt	AI Fotoğraf Tahmini	Manuel Giriş Hata Oranı
Genel kalori doğruluğu	%89	%95
Protein doğruluğu	%86	%94
Karbonhidrat doğruluğu	%88	%93
Yağ doğruluğu	%84	%92
Gerçek değere %10 içinde kalan girişler	%71	%88
Gerçek değere %20 içinde kalan girişler	%91	%97

AI, 174 girişin tamamında %89 genel kalori doğruluğu sağladı. Bu, dikkatli manuel kayıttan (%95) daha düşük, ancak çoğu insanın beklediğinden daha yüksek — ve kritik olarak, ölçek kullanmadan porsiyonları tahmin eden insanların doğruluğundan (genellikle %60 ile %70 arasında) daha yüksek (Uluslararası Obezite Dergisi'nden yayımlanan araştırmalara göre).

Yağ, %84 doğrulukla en zayıf makro kategorisiydi. Bunun nedeni, yağ, sos, tereyağı ve pişirme sırasında gizli yağların fotoğraflarda genellikle görünmez olmasıdır. Görsel olarak daha belirgin olan protein ve karbonhidratlar (bir parça tavuk, bir tabak pilav) daha yüksek puan aldı.

---

Doğruluk Gıda Kategorisine Göre

Tüm gıdalar eşit derecede fotojenik veya tanınabilir değildir. Test ettiğim kategorilere göre doğruluk oranları şöyleydi:

Gıda Kategorisi	Girişler	Kalori Doğruluğu	Protein Doğruluğu	En İyi/En Kötü
Tek ürün tabakları	28	%95	%93	En İyi
Paketli atıştırmalıklar	23	%92	%91	Güçlü
Standart ev yemekleri	34	%91	%89	Güçlü
Salatalar	14	%88	%85	Ortalama
Restoran yemekleri	42	%87	%84	Ortalama
Etnik mutfak	16	%86	%82	Ortalama
Çorbalar ve güveçler	10	%78	%76	Zayıf
Karışık karnıyarık/tabaklar	7	%74	%71	En Zayıf

Tek ürün tabakları — bir tavuk göğsü, bir parça meyve, sade bir yulaf kasesi — %95 kalori doğruluğu sağladı. AI, bir gıda maddesini net bir şekilde gördüğünde ve hiçbir şey onu gizlemediğinde, manuel kayıtlara neredeyse eşit bir performans sergiliyor.

Paketli atıştırmalıklar %92 puan aldı. AI, genellikle fotoğrafta görünen ambalajdan markayı ve ürünü tanıyordu. Nutrola'nın barkod veritabanı ile birleştiğinde (500K+ ürün arasında %95+ doğruluk), paketli gıda neredeyse çözülmüş bir sorun haline geliyor. Paketli ürünler için, barkod tarayıcı fotoğraftan bile daha hızlı.

Standart ev yemekleri — çoğu insanın düzenli olarak yediği tavuk-pilav-sebze türü tabaklar — %91 doğrulukla geldi. AI, yaygın proteinleri, tahılları ve sebzeleri doğru bir şekilde tanımladı ve porsiyonları makul bir aralıkta tahmin etti.

Salatalar %88'e düştü, çoğunlukla soslar ve malzemeler (kuruyemiş, peynir, krutonlar) üstten çekilen fotoğraflardan nicelik olarak tahmin edilmesi zor olduğu için. Bir yemek kaşığı zeytinyağı sosu ile üç yemek kaşığı neredeyse aynı görünse de, bu 240 kalorilik bir farkı temsil ediyor.

Restoran yemekleri %87 ile oldukça sağlamdı, çünkü hiçbir şeyi tartamadım. AI, doğrulanmış veritabanından restoranlara özgü porsiyon boyutlarını kullanarak telafi etti, bu da makul bir kuraldı.

Çorbalar ve güveçler %78 ile belirgin zayıf noktaydı. Malzemeler sıvının içinde gizlendiğinde, AI yüzeyin altındaki neyi göremez. Bir et güveci 100 gram et içerebilir veya 200 gram — fotoğraf aynı kahverengi çorba ile birkaç görünür parça gösterir.

---

Doğruluk Öğün Türüne Göre

Öğün	Girişler	Kalori Doğruluğu	Notlar
Kahvaltı	42	%92	Tekrar eden öğünler yardımcı; yulaf, yumurta, tost
Öğle	48	%88	Daha fazla çeşitlilik, daha fazla restoran yemeği
Akşam	52	%87	En büyük porsiyonlar, en karmaşık tabaklar
Atıştırmalık	32	%91	Genellikle tek ürünler, tanımlaması kolay

Kahvaltı %92 ile en yüksek puanı aldı. Çoğu insan benzer kahvaltıları tekrar tekrar yer ve kahvaltı yiyecekleri (yumurta, tost, tahıl, yoğurt, meyve) genellikle görsel olarak belirgin ve porsiyon tahmini yapması kolaydır. Akşam yemeği %87 ile en düşük puanı aldı; bu, daha büyük ve daha karmaşık tabakların soslar ve karışık malzemelerle dolu olmasından kaynaklanıyor.

---

Haftalık Doğruluk Eğilimi

Beklemediğim bir şey: AI, 30 gün boyunca belirgin şekilde daha iyi hale geldi.

Hafta	Girişler	Kalori Doğruluğu	Düzeltme Gerektiren Girişler
1. Hafta	38	%85	%47
2. Hafta	44	%88	%34
3. Hafta	46	%91	%22
4. Hafta	46	%93	%15

1. haftada %85'ten 4. haftada %93'e — 8 puanlık bir iyileşme. Bunun bir kısmı, AI'nın düzeltmelerden öğrenmesidir (bir girişi ayarladığınızda, Nutrola'nın sistemi bu geri bildirimi benzer öğünler için gelecekteki tahminleri iyileştirmek için kullanır). Bir kısmı da, bilinçsizce daha iyi fotoğraflar çekmeye başlamamdır: üstten açı, iyi aydınlatma, tabaktaki nesnelerin biraz ayrılmış olması. AI'nın neyin yardımcı olduğunu anladığınızda, doğal olarak ayarlama yapıyorsunuz.

---

AI Fotoğraf Taramanın Başarılı Olduğu Anlar

Fotoğraf tahmininin tartılmış gerçek değere %5 içinde sürekli olarak doğru olduğu senaryolar şunlardır:

• Bir tabaktaki tek protein. Izgara tavuk göğsü, somon fileto, biftek. AI, görsel boyuttan ağırlığı tahmin edebiliyor.
• Standart porsiyonlu ürünler. Bir dilim ekmek, bir yumurta, bir muz, bir protein barı. Bilinen standart boyutlara sahip ürünler.
• Açık ayrılmış tabaklı yemekler. Pirinç bir tarafta, sebzeler diğer tarafta, protein ortada. AI her bileşeni ayırabildiğinde, her birini iyi tahmin ediyor.
• Markalı veya tanınabilir paketli gıdalar. AI, beslenme uzmanı tarafından doğrulanmış veritabanıyla çapraz kontrol yaparak genellikle tam ürünü tanıyor.

Zorlandığı Anlar

• Karanlık veya düşük kontrastlı fotoğraflar. Koyu bir kasedeki kahverengi bir güveç, loş ışık altında önemli ölçüde doğruluk kaybetti. İyi aydınlatma önemlidir.
• Gizli malzemeler. Makarna içine eritilmiş tereyağı, pişirmede kullanılan yağ, sos katmanının altında peynir. AI bunu göremezse, sayamaz.
• Alışılmadık sunum veya tabaklama. İki kez, dekonstre bir yemek veya folyo sarılı gıda tanıma motorunu karıştırdı.
• Referans olmadan aşırı büyük porsiyonlar. Üstten çekilen bir büyük makarna kasesi, normal bir kaseye benziyordu. Ölçek referansı olarak bir çatal veya elin fotoğrafta bulunması tahminleri belirgin şekilde iyileştirdi.

---

Fotoğraf Tarama vs Manuel Kayıt: Gerçek Takas

Fotoğraf tarama (%89) ile dikkatli manuel kayıt (%95) arasındaki doğruluk farkı gerçektir, ancak çoğu insanın düşündüğünden daha küçüktür. Ve burada kritik bir bağlam var: yayımlanan araştırmalar, ölçmeden porsiyon tahmin eden insanların genellikle yalnızca %60 ile %70 doğruluk sağladığını gösteriyor. Çoğu manuel kayıt yapan kişi her gramı tartmıyor — veritabanından "1 orta boy tavuk göğsü" seçip eşleşmesini umuyor. Pratikte, fotoğraf tarama ile tipik (ideal olmayan) manuel kayıt arasındaki fark, 6 puandan çok daha küçüktür.

Hız avantajı da önemli. Fotoğraf kaydı, her giriş için ortalama 5 saniye (çek, onayla) sürerken, tam manuel arama ve ayarlama kaydı 38 saniye sürdü. 174 girişte, bu ay boyunca yaklaşık 95 dakika kazandırdı.

Yöntem	Giriş Başına Süre	Kalori Doğruluğu	Tamamlanma Oranı (30 Gün)
AI fotoğraf tarama	5 sn	%89	%100
Manuel + terazi	90 sn	%97	%82 (atlanan öğünler)
Manuel terzisiz	38 sn	%78*	%91
Takip yok	0 sn	N/A	N/A

*%78, araştırmalarda belgelenmiş tipik porsiyon tahmin hatalarını yansıtır, bu deneyde kontrol edilen bir test değildir.

En doğru yöntem, mutfak terazisi ile manuel kayıttır — ancak bu deneyde, yoğun günlerde kayıttan kaçındığım için ben bile öğün atladım. Fotoğraf taramanın %100 tamamlanma oranı vardı. %89 doğrulukla kaydedilen her öğün, %97 doğrulukla kaydedilen ama eksik olan bir kayıttan daha iyidir.

---

Daha İyi Fotoğraf Tarama Doğruluğu İçin İpuçları

174 fotoğraf çektikten sonra, en iyi sonuçları almak için öğrendiklerim şunlardır:

1. Üstten hafif bir açıdan çekin. Düz üstten çekim, düz tabaklar için iyi çalışır. 30 derecelik bir açı, kasedeki ve derin tabaklardaki çekimler için yardımcı olur.
2. Tabaktaki öğeleri ayırın. Pirinç ile tavuğunuz arasında küçük bir boşluk bile AI'nın her bileşeni ayırmasına ve tahmin etmesine yardımcı olur.
3. Tam tabak fotoğrafını çerçeveye alın. Kırpılmış fotoğraflar, porsiyon boyutu bağlamını kaybeder.
4. İyi aydınlatma kullanın. Doğal ışık veya iyi aydınlatılmış bir oda. Maksimum doğruluk istiyorsanız, mum ışığında yemek fotoğraflamaktan kaçının.
5. Hataları düzeltin. Nutrola, düzeltmelerinizi gelecekteki tahminleri iyileştirmek için kullanır. Ne kadar çok düzeltirseniz, o kadar akıllanır.

---

Sonuç

Nutrola'daki AI fotoğraf taraması, 30 gün ve 174 girişte %89 kalori doğruluğu sağladı ve sistem düzeltmelerden öğrenerek 4. haftada %93'e yükseldi. Tek ürün tabakları ve yaygın yemekler %95 doğruluk sağladı. Çorbalar, güveçler ve gizli yağ içeren yemekler %74 ile %78 arasında en zayıf kategorilerdi.

Çoğu insan için beslenmeyi takip etmek, kilo yönetimi, fitness veya genel sağlık bilinci için bu doğruluk seviyesi yeterlidir — özellikle de bir fotoğraf çekmenin neredeyse sıfır sürtünmesi ile birleştirildiğinde. AI'nın arkasındaki beslenme uzmanı tarafından doğrulanmış veritabanı, doğru bir şekilde tanımlandığında, döndürülen besin verilerinin 100+ izlenen besin için güvenilir olduğunu garanti eder.

Nutrola'nın planları aylık 2,5 €'dan başlıyor ve 3 günlük ücretsiz deneme sunuyor. Fotoğraf tarama, sesle kayıt, barkod tarama (%95+ doğruluk), AI Diyet Asistanı ve Apple Health ile Google Fit senkronizasyonu her planda dahil, reklamsız. AI gıda fotoğraf doğruluğuna şüpheyle yaklaşıyorsanız, bu testten elde edilen veriler, düşündüğünüzden daha güvenilir bir noktaya yakın olduğunu ve her hafta daha iyi hale geldiğini gösteriyor.

---

SSS

AI fotoğraf kalori sayımı ne kadar doğru?

Bu 30 günlük testte 174 öğünle, Nutrola'nın AI fotoğraf taraması tartılmış gerçek değerlerle %89 genel kalori doğruluğu sağladı. Doğruluk, gıda türüne göre değişiklik gösterdi: tek ürün tabakları %95, standart ev yemekleri %91, restoran yemekleri %87 ve çorbalar veya güveçler %78 doğruluk sağladı. 4. haftada genel doğruluk %93'e yükseldi. Bu rakamlar, ölçmeden porsiyon tahmini yapanların (yayınlanan araştırmalarda %60 ile %70 arasında) çok daha üstünde ve dikkatli manuel kayıt ile tartı kullanarak yapılan kayıttan yalnızca 6 puan daha düşük.

AI gıda fotoğraf taraması restoran yemekleri için işe yarıyor mu?

Evet. Bu testte, restoran yemekleri yalnızca fotoğraflardan %87 kalori doğruluğu sağladı — tartı veya malzeme listesine erişim olmadan. AI, beslenme uzmanı tarafından doğrulanmış veritabanından restoranlara özgü porsiyon boyutlarını kullanarak porsiyon tahminleri yapar. Doğruluk, yaygın yemeklerde (ızgara protein, standart yanlar) en yüksek, gizli soslar veya yağlar içeren yemeklerde en düşük oldu. Yemek adını fotoğrafın yanı sıra tanımlamak sonuçları daha da iyileştirebilir.

AI fotoğraf taraması hangi gıdalarda zorlanıyor?

En zayıf kategoriler çorbalar ve güveçler (%78 doğruluk) ile karışık karnıyarık veya tabaklar (%74 doğruluk) oldu. Ortak faktör, malzemelerin sıvı içinde, katmanlı veya karıştırılmış olmasıdır; bu da görsel tahmini zorlaştırır. Koyu veya düşük kontrastlı gıdalar, gizli yağlar (makarnadaki tereyağı, pişirmedeki yağ) ve alışılmadık sunumlar da doğruluğu azaltır. Bu gıda türleri için, bir fotoğrafı kısa bir sesli açıklama veya manuel düzeltme ile birleştirmek daha iyi sonuçlar verir.

AI fotoğraf gıda kaydı manuel kalori takibinden daha hızlı mı?

Kesinlikle daha hızlı. Bu testte, fotoğraf kaydı her giriş için ortalama 5 saniye (çek, gözden geçir, onayla) sürerken, manuel metin tabanlı arama ve giriş 38 saniye sürdü. 30 günde 174 girişte, fotoğraf kaydı yaklaşık 95 dakika kazandırdı. Hız farkı ayrıca kayıt tutma tutarlılığını da artırdı — fotoğraf kaydı %100 tamamlanma oranına sahipken, temel haftada manuel kayıt sırasında öğünler kaydedilmedi.

AI fotoğraf taraması zamanla gelişiyor mu?

Evet. Bu testte doğruluk, 1. haftada %85'ten 4. haftada %93'e yükseldi. Nutrola'da bir AI tahminini düzeltirken — bir porsiyon boyutunu ayarlamak veya yanlış tanımlanan bir gıdayı değiştirmek — sistem, bu geri bildirimi benzer öğünler için gelecekteki tahminleri iyileştirmek için kullanır. Hataları düzenli olarak düzelten kullanıcılar daha hızlı iyileşme görecektir. Bu kişiselleştirme, fotoğraf taramanın statik veritabanı aramalarına göre bir avantajıdır.

Nutrola'da fotoğraf taramasını diğer kayıt yöntemleriyle birleştirebilir miyim?

Evet. Nutrola, fotoğraf taraması, sesle kayıt, barkod tarama (%95+ doğruluk), manuel arama ve tarif URL'si içe aktarma gibi yöntemleri destekler — ve yöntemleri serbestçe karıştırabilirsiniz. Pratikte, en iyi yaklaşım, o an için en uygun yöntemi kullanmaktır: paketli gıdalar için barkod tarama, tabaklı yemekler için fotoğraf tarama, elleriniz meşgulken sesle kayıt ve kesinlik gerektiğinde manuel giriş. Tüm yöntemler, her giriş için 100+ izlenen besinle aynı beslenme uzmanı tarafından doğrulanmış gıda veritabanından beslenir, bu nedenle veri giriş yöntemi ne olursa olsun tutarlıdır.