Yapay zekâ ile kalori hesaplama: nasıl çalışır ve bir fotoğraf neyi göremez?

Fotoğrafla kayıt, takibin en zahmetli kısmını ortadan kaldırır: veri tabanında arama yapmayı ve her malzemeyi tek tek yazmayı. Birçok kişi için bu, bir hafta kayıt tutmakla aylarca kayıt tutmak arasındaki farktır. Ama fotoğraf tahmini bir ölçüm değildir; nerede yanıldığını bilmek sayılarını iyileştirir.

Yapay zekâ bir fotoğraftan kaloriyi nasıl hesaplar?

Teknoloji ne olursa olsun iş üç soruya ayrılır: Bu ne, ne kadar var ve o miktarda ne var? 2022 tarihli bir sistematik derleme bu aşamaları tabaktaki yiyecekleri birbirinden ayırmak, her birini sınıflandırmak ve hacmini, kalorisini ya da besin ögelerini tahmin etmek olarak tanımlar.

1. adım: Yiyecekleri tanımak

Model görüntüdeki her yiyeceği bulur (burada pilav, şurada kuru fasulye) ve adlandırır. Derin öğrenme, yaygın ve açıkça görünen yemeklerde bu adımı çok geliştirdi. Hatalar yöresel yemeklerde, sosun altında kalan yiyeceklerde ve birbirine benzeyenlerde ortaya çıkar: 2025’teki bir çalışmada bir yapay zekâ modeli falafeli köfte sandı ve protein tahmini birkaç kat fazla çıktı.

2. adım: Porsiyonu tahmin etmek

Zor adım bu. Fotoğraf düzdür: Yiyeceğin kapladığı alanı gösterir, ne kadar yüksek olduğunu değil. 2022 derlemesi, sistemlerin yandan çekilmiş ikinci bir fotoğraf ya da boyutu bilinen bir referans nesne – bozuk para, kart, tabak, fincan, hatta başparmağın – kullanarak pikselleri gerçek boyutlara çevirebildiğini belirtir. Sonra hacmin, yiyeceğin yoğunluğu kullanılarak ağırlığa çevrilmesi gerekir; yoğunluk da değişir: Bir kupa kabarık pirinç, bastırılmış bir kupa pirinçten daha hafiftir.

3. adım: Besin değerlerini bulmak

Son olarak tahmin edilen ağırlık, ABD Tarım Bakanlığı’nın FoodData Central’ı ya da Türkiye’nin ulusal gıda kompozisyon veri tabanı TÜRKOMP gibi bir veri tabanıyla eşleştirilir. Doğru kaydı seçmek önemlidir: FoodData Central’da haşlanmış uzun taneli beyaz pirinç 100 g’da yaklaşık 130 kcal, çiğ pirinç ise yaklaşık 365 kcal’dir; yanlış hâli seçmek sayıyı neredeyse üçe katlar.

Bir fotoğraf neyi göremez?

• Pişirme yağı. Yağ sebzeye, pilava ve kızartmalara işler; çorbanın üstüne gezdirilen tereyağı eriyip kaybolur. Kaşık kaşık yağı değil, olsa olsa bir parlaklığı görürsün.
• Soslar ve sürülenler. Hafif soslu bir salata ile sosa bulanmış bir salata yukarıdan benzer görünür; sandviçin içindeki mayonez hiç görünmez.
• İç harçlar. Gözleme, börek, mantı, dolma ve dürümler kalorilerini içlerinde saklar.
• Derinlik ve yoğunluk. Yukarıdan çekilmiş bir fotoğraf, ince bir pilav katmanını derin, sıkıştırılmış bir kaseden ayıramaz. 2020 tarihli bir derleme, şekilsiz ve enerji yoğunluğu yüksek besinlerin porsiyonunu görüntülerden tahmin etmenin özellikle zor olduğunu belirtir.
• Birbirine benzeyenler. Aynı derleme, diyet ve normal gazlı içeceği, kızartılmış ve fırınlanmış yiyeceği çoğu zaman kullanıcıdan bir not gerektiren örnekler olarak verir. Tam yağlı ve yağsız süt bardakta aynı görünür; şekerli ve şekersiz çay da öyle.
• Karışık yemekler. Güveçte, türlüde, sulu yemeklerde ve sotelerde kamera porsiyonun yanında tarifi de tahmin etmek zorundadır.

Yine de perspektifi koru: Basılı sayılar da yaklaşık değerlerdir. ABD kuralları etiketteki kaloriyi 50 kcal’e kadar en yakın 5 kcal’e, üstünde en yakın 10 kcal’e yuvarlar ve bir ürün ancak kalorisi etikettekini %20’den fazla aşarsa yanlış etiketlenmiş sayılır. Veri tabanları da ortalama değer verir. Fotoğraflar belirsizlik ekler, ama gündelik hiçbir yöntem birebir değildir.

Fotoğraftan kalori hesaplama ne kadar doğru?

• 2020 tarihli bir derleme, daha az zahmetli yöntemlerin daha az doğru olma eğiliminde olduğu ve birbirine çok benzeyen yiyecekleri ayırt etmenin muhtemelen en azından bir miktar kullanıcı doğrulaması gerektireceği sonucuna vardı.
• 2025’teki bir çalışma, genel amaçlı üç yapay zekâ modelini, ölçek için tabak ve çatal bıçağın göründüğü 52 standart yemek fotoğrafında test etti. Daha iyi modeller kabaca geleneksel, kişinin kendi tuttuğu yemek kayıtları kadar doğruydu; ama üçü de sistematik olarak düşük tahmin etti ve porsiyon büyüdükçe aradaki fark arttı.
• 2025’teki başka bir çalışma, 195 yemek için tahminlerin, fotoğrafa görülmesi zor ayrıntılar – yağın türü ve miktarı, tatlandırıcı, sütün yağ oranı, etin türü – eklendiğinde iyileştiğini, tam malzeme listesiyle daha da iyileştiğini buldu.

Çıkarılacak ders: Fotoğraf artı birkaç hızlı cevap, tek başına fotoğraftan iyidir; büyük, karışık ya da yağlı öğünler ikinci bir bakışı hak eder.

Bir yemek fotoğrafından daha iyi tahmin nasıl alınır?

1. Tabağın tamamını iyi ışıkta çek, yüksekliğin görünmesi için kabaca 45 derecelik bir açıyla. Derin kaseler için yukarıdan bir kare daha ekle.
2. Boyutu bilinen bir şey koy, örneğin standart bir çatal ya da her zamanki tabağın. Tanıdık tabaklar senin kendi tahminlerini de daha tutarlı yapar.
3. Yapabildiğin yerde kalemleri ayrı tut. Salatayı karıştırmadan ya da sosu dökmeden önce çek. Dürüm ve dolgulu yiyeceklerde kesik yüzü göster.
4. Takip sorularını cevapla: yağ, süt, şeker ya da sos hakkında. Bu sorular tam olarak kameranın boşluklarını doldurur.
5. Kaydetmeden önce porsiyonu kontrol et. Uygulama 300 g makarna diyorsa ve daha az olduğunu biliyorsan değiştir. Bir kase, bir kupa ya da iki dilim, gramdan çoğu zaman daha kolay değerlendirilir.
6. İçecekleri ve ekstraları ayrı kaydet: sütlü kahve, şekerli çay, meyve suyu, bir avuç kuruyemiş, ekmeğine sürdüğün tereyağı.
7. Paketli yiyecekte barkodu ya da etiketi kullan. Basılı sayıları taramak, onları tahmin etmekten iyidir.

Fotoğrafla kayıt ne zaman yeterlidir?

Genel farkındalık ya da yavaş kilo değişimi için tutarlılık, kesinlikten daha önemlidir. Tahminlerin her gün aynı yönde biraz yüksek ya da düşük çıkıyorsa, iki ila dört haftalık kilo eğilimin yine de alımının hedefine uyup uymadığını gösterir. Bu eğilimi nasıl okuyacağını kalori açığı ve kilo platosu rehberimiz anlatıyor; en çok işe yarayan kayıt alışkanlıkları için de kalori nasıl hesaplanır yazımıza bak.

Kesin sayıların sağlığın için önemli olduğu durumlarda fotoğrafla kayıt daha az uygundur: örneğin insülin için karbonhidrat sayıyorsan, böbrek hastalığı ya da başka bir durum için tıbbi bir diyet uyguluyorsan veya hamileysen. Doğru yöntemi doktorunla ya da bir diyetisyenle konuş. Herhangi bir takip yöntemi seni kaygılandırıyorsa, bırakmak ve bir uzmanla konuşmak da gayet doğru bir seçimdir.

Bir yapay zekâ beslenme uygulamasına sorman gereken gizlilik soruları

Bir yemek fotoğrafı öğle yemeğinden fazlasını açığa çıkarabilir. Gizlilik politikasında ya da ayarlarda şu sorulara açık cevaplar ara.

• Tahminden sonra fotoğrafım saklanıyor mu? Nerede ve ne kadar süre?
• Fotoğraflarım ya da kayıtlarım yapay zekâ modellerini eğitmek için kullanılıyor mu, bundan çıkabilir miyim?
• Uygulama bir yapay zekâ hizmetine bir şey göndermeden önce açık onayımı istiyor mu?
• Hesap açmadan kullanabilir miyim, verilerimi kolayca silebilir miyim?
• Verilerimin bir kısmı satılıyor ya da reklamcılarla paylaşılıyor mu?
• Konum ya da başka meta veriler fotoğrafla birlikte telefonumdan çıkıyor mu?

Portiva fotoğrafla kaydı nasıl ele alır

Portiva bir fotoğrafı son söz değil, bir tahminin başlangıcı olarak görür. Kaloriyi çok değiştirecek bir şey olduğunda – tavadaki yağ, çorbanın üstündeki tereyağı, bir sos, porsiyonun büyüklüğü – tahmin etmek yerine tek kısa bir soru sorar. Yani fotoğrafını çek, tek soruyu yanıtla. Her kalem porsiyonunu gram olarak ya da kase, bardak, kaşık ve dilim gibi ev ölçüleriyle gösterir ve kaydetmeden önce her şeyi düzenleyebilirsin.

• Fotoğraf, canlı kamera taraması, ses ya da yazıyla kayıt; paketli yiyeceklerde barkodu tara ya da besin etiketinin fotoğrafını çek.
• Yapay zekâ özellikleri yalnızca açık onayından sonra çalışır. Yemek fotoğrafları Portiva tarafından saklanmaz ve yapay zekâ modellerini eğitmek için kullanılmaz; ayrıntılar gizlilik politikasında.
• Hesap açmadan çalışır; ücretsiz planda günde bir yapay zekâ kaydı ve sınırsız elle ve barkodla kayıt var.

Sık sorulan sorular

Yapay zekâ ile fotoğraftan kalori hesaplama ne kadar doğru?

Öğüne bağlı. Tek ve açıkça görünen yiyecekler, büyük, karışık ya da yağlı yemeklerden çok daha iyi tahmin edilir. Genel amaçlı yapay zekâ modelleri üzerine yapılan çalışmalar, bu modellerin düşük tahmin etme eğiliminde olduğunu, porsiyon büyüdükçe bunun arttığını ve pişirme yağı gibi kameranın göremediği ayrıntılar eklendiğinde daha iyi sonuç verdiklerini buldu. Sonucu bir başlangıç noktası olarak gör.

Yapay zekâ uygulaması yemeğimdeki yağı görebilir mi?

Güvenilir biçimde göremez. Yağ yiyeceğe işler ve ince bir tabaka hâlinde yayılır; fotoğrafta olsa olsa bir parlaklık görünür. Bu önemlidir, çünkü bir yemek kaşığı zeytinyağı (13,5 g) yaklaşık 119 kcal’dir. İyi bir uygulama yemeğin nasıl piştiğini ya da ne kadar yağ kullanıldığını sorar; seninki sormuyorsa yağı ayrı bir kalem olarak ekle.

Fotoğrafla kayıt, yiyecekleri tartmak kadar doğru mu?

Hayır. Tartmak porsiyon tahminini ortadan kaldırır, bu yüzden daha kesindir. Ama her öğünü tartmak sürdürmesi zor bir iştir ve her gün kullandığın bir yöntem, bıraktığın kesin bir yöntemden çoğu zaman daha iyidir. Pratik bir orta yol: Fotoğrafla kaydet; sıvı yağ, fıstık ezmesi, tahin, peynir, pirinç ve makarna gibi kalorisi yoğun besinleri ara sıra tart.

Kalori uygulamam neden yemeğim hakkında soru soruyor?

Çünkü en önemli bilgilerin bir kısmı görünmez. Yağın türü ve miktarı, tatlandırıcılar, süt ürünlerinin yağ oranı ve bir dürümün içinde ne olduğu, bir öğünün kalorisini çok değiştirebilir. Araştırmalar, bu tür bilgileri fotoğrafa eklemenin yapay zekâ tahminlerini daha doğru hâle getirdiğini buldu. Kısa bir soru, kötü bir tahmini sonradan düzeltmekten daha hızlıdır.

Yemek fotoğraflarım saklanıyor ya da yapay zekâyı eğitmek için kullanılıyor mu?

Bu uygulamadan uygulamaya değişir; başlamadan önce gizlilik politikasına bak: Fotoğraflar analizden sonra tutuluyor mu, modelleri eğitiyor mu, önce onayın isteniyor mu ve verilerini silebiliyor musun? Portiva yemek fotoğraflarını saklamaz ve yapay zekâ modellerini eğitmek için kullanmaz; yapay zekâ özellikleri yalnızca onay verdikten sonra çalışır.

Kaynaklar

1. Applying Image-Based Food-Recognition Systems on Dietary Assessment: A Systematic Review, Dalakleidi KV et al., Advances in Nutrition (2022).
2. Review of the validity and feasibility of image-assisted methods for dietary assessment, Höchsmann C, Martin CK, International Journal of Obesity (2020).
3. Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images, Fridolfsson J et al., Current Developments in Nutrition (2025).
4. Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios, Rodríguez-Jiménez M et al., Nutrients (2025).
5. FoodData Central (SR Legacy), U.S. Department of Agriculture, Agricultural Research Service.
6. 21 CFR 101.9 – Nutrition labeling of food, U.S. Government Publishing Office, Code of Federal Regulations (2025).
7. TÜRKOMP – Ulusal Gıda Kompozisyon Veri Tabanı, T.C. Tarım ve Orman Bakanlığı.