Yapay zekâ kalori uygulamaları ne kadar doğru? 2026 NIH çalışması

Tabağının fotoğrafını çekip saniyeler içinde kalori değerini görmek biraz sihir gibi geliyor. Takibi de çok daha az sıkıcı hâle getiriyor, çünkü her malzemeyi tek tek yazmak insanı çabuk bıktırır. Ama bu kolaylık, ancak sayı doğru civarda çıkarsa işe yarar.

Temmuz 2026’da ABD Ulusal Sağlık Enstitüleri’nden (NIH) araştırmacılar, türünün ilk doğrudan ve yüksek kaliteli karşılaştırması olarak tanımladıkları bir çalışmayı paylaştı. Kısaca: Tek başına bırakılan fotoğraf tahminleri, büyük ölçüde yağ yüzünden düşük çıktı. Ayrıntılar ise daha da faydalı, çünkü en büyük hatalar aynı zamanda senin en kolay düzeltebileceğin hatalar.

NIH çalışması neyi test etti

Çalışma, ABD Ulusal Diyabet, Sindirim ve Böbrek Hastalıkları Enstitüsü’nden (NIDDK) bilim insanlarına ait. Derneğin duyurusuna göre Amerikan Beslenme Derneği’nin (American Society for Nutrition) yıllık toplantısı NUTRITION 2026’da sunuldu.

Test öğünleri, düşük karbonhidratlı ketojenik bir diyeti standart bir diyetle karşılaştıran daha büyük bir NIH Klinik Merkezi çalışmasından geliyordu. Öğünler, malzemelerin 0,1 grama kadar hassas tartıldığı bir metabolik mutfakta hazırlanmıştı; yani araştırmacılar her tabakta tam olarak ne olduğunu biliyordu. Bu öğünlerden 102’sinin standart fotoğraflarını dört uygulamanın fotoğraf özelliklerinden geçirdiler: MyFitnessPal, Lose It!, Cal AI ve Appediet.

Önemli bir uyarı: Bu, bir kongre bildirisi özetiydi. Organizatörler, bu tür bulguların dergide yayımlanmak için gereken tam hakem değerlendirmesinden geçmediğini ve ön bulgular olarak ele alınması gerektiğini belirtiyor.

Araştırmacılar ne buldu

Dört uygulamanın hepsi kaloriyi eksik hesapladı: öğün başına ortalama yaklaşık 250 ile 345 kalori, yani kabaca üçte bir. Healio’nun haberine göre uygulama başına ortalamalar şöyle:

Öne çıkan diğer bulgular:

• En büyük eksik yağdaydı. Dört uygulama da yağı öğün başına yaklaşık 30 gram eksik hesapladı.
• Karbonhidratlar daha istikrarlıydı. Karbonhidrat tahminleri diğer makro besinlere göre daha tutarlıydı; yine de Lose It! ve Cal AI karbonhidratı yaklaşık 14 gram eksik hesapladı.
• Bazı uygulamalarda öğün büyüklüğü fark yarattı. MyFitnessPal ve Lose It!, kalorisi yüksek öğünleri kalorisi düşük olanlardan daha doğru tahmin etti.
• En zoru yağlı öğünler gibi görünüyordu. 200’den fazla ek öğünle yapılan bir devam çalışmasında ilk sonuçlar, uygulamaların ketojenik öğünlerde daha çok zorlandığını düşündürdü; muhtemelen bu öğünlerin yüksek yağ içeriği sürekli olarak düşük tahmin edildiği için.

Uygulamalar sık güncellenir; bu sonuçlar her uygulamanın bugünkü performansını değil, bu çalışmada test edilen sürümleri anlatır. Calorix çalışmaya dahil değildi ve bizimki dahil hiçbir uygulamanın yalnızca fotoğrafa dayanan bir tahmininin aynı sorunlardan kaçabileceğini varsaymıyoruz.

Baş araştırmacının tavsiyesi netti: Fotoğraf tabanlı bir uygulamayı “porsiyonları ayarlamadan ya da yiyecek miktarlarını girmeden kullananlar, sonuçlara ihtiyatla yaklaşmalı.”

Bu yalnızca bir yapay zekâ sorunu değil

Uygulamaları her zamanki alternatifle, yani insanların kendi tahminleriyle karşılaştırmak işe yarar. Araştırmacılar, üçte birlik bir eksik tahminin, kişilerin kendi bildirdiği beslenme kayıtlarında rapor edilen oranlara benzediğini belirtti.

Bu, onlarca yıllık araştırmayla örtüşüyor. 484 yetişkinin kendi bildirimlerini nesnel biyobelirteçlerle karşılaştıran OPEN çalışmasında, 24 saatlik geriye dönük hatırlamalar enerji alımını yaklaşık %12 ile %20, besin tüketim sıklığı anketleri ise kabaca üçte bir oranında eksik bildirdi. Çift etiketli su yöntemini kullanan 59 çalışmayı inceleyen 2019 tarihli bir sistematik derleme, teknoloji tabanlı yöntemleri inceleyenler dahil çalışmaların çoğunun anlamlı düzeyde eksik bildirim saptadığını buldu.

Fotoğraflar bunu kendiliğinden çözmez. 2020 tarihli bir meta-analiz, görüntü tabanlı beslenme değerlendirmesinin de enerjiyi eksik bildirme eğiliminde olduğunu ve geleneksel yöntemler gibi ciddi ölçüm hataları taşıdığını ortaya koydu. Tamamen otomatik yapay zekâ yöntemlerini inceleyen 2023 tarihli bir sistematik derleme ise ortalama kalori hatalarının çalışmadan çalışmaya %1’in altından yaklaşık %38’e kadar değiştiğini, tek ve basit yiyeceklerin görüntülerinde hataların daha küçük olduğunu buldu.

Yine de umut verici bir ayrıntı var. Araştırmacıların her öğünün ve artığının fotoğraflarından alımı tahmin ettiği uzaktan yemek fotoğrafı yönteminde, tahminler tartılarak ölçülen alıma yaklaşık %5 ile %7 farkla yaklaştı (yine de biraz düşük kaldı). Bir insan fotoğrafları dikkatle gözden geçirdiğinde iyi sonuç alınabiliyor; NIH testinin dışarıda bıraktığı da tam olarak bu kontroldü.

Healio haberine eşlik eden yorum, akılda tutmaya değer bir noktanın daha altını çizdi: Tutarlı bir eksik tahmin, rastgele hatadan daha önemlidir. Rastgele hatalar bir hafta içinde kısmen birbirini götürür; tek yöne doğru bir sapma ise birikmeye devam eder.

Fotoğraf tahminleri neden yanılır

Gizli yağlar

Yağ pilava ve sebzelere işler. Tereyağı soslarda erir. Salata sosu her yaprağı kaplar. Kamera bunların hiçbirini görmez ve yağ kalorisi yoğun bir besindir: USDA FoodData Central bir yemek kaşığı zeytinyağını 13,5 gram yağ ve 119 kalori olarak listeliyor. NIH çalışmasındaki yaklaşık 30 gramlık yağ açığı, iki yemek kaşığı yağın içerdiği yağdan biraz fazla.

Porsiyon derinliği

Fotoğraf düzdür. Tam tepeden bakıldığında ince bir kat makarnayla derin bir kâse makarna neredeyse aynı görünebilir. 2025 tarihli bir çalışmada, gerçek pirinç porsiyonlarını fotoğraflarla eşleştiren yetişkinler tepeden çekimlerde porsiyonları olduğundan küçük tahmin etme eğilimindeydi, çünkü kâsedeki pirincin yüksekliği yukarıdan zor görünüyordu. Katı yiyeceklerde en iyi sonucu 45 derecelik açıyla çekilen fotoğraflar verdi.

Karışık yemekler

Köri, fırın yemekleri, burrito ve sandviçler malzemeleri birbirinin içinde ya da altında saklar. Yapay zekâ miktarın yanında tarifi de tahmin etmek zorunda kalır. 2023 derlemesinin tek ve basit yiyeceklerin görüntülerinde hataları daha küçük bulması da bununla örtüşüyor.

Işık ve açı

Görüntü araştırmacıları, aydınlatma ve bakış açısındaki değişikliklerin yiyeceklerin görünümünü değiştirdiğini ve onları tanımayı zorlaştırdığını belirtiyor. Loş restoran ışığı, sert gölgeler ve alışılmadık açılar belirsizliği artırır.

Daha iyi tahminler için

Ham bir fotoğraf tahmininden çok daha iyisini elde etmek için her şeyi tartman gerekmiyor. Bu alışkanlıklar yukarıdaki hataları hedef alır:

• Tararken not ekle. Uygulamaya göremediği şeyi söyle: “tereyağında pişti”, “ekstra sos”, “yarım porsiyon”.
• Sadece toplamı değil, porsiyonları da kontrol et. Her malzemenin gramına bak ve yanlış görünen her şeyi düzelt; işe kalorisi yoğun kalemlerden başla.
• Yağları ayrı satır olarak kaydet. Yağı, tereyağını, mayonezi ya da sosu ayrı bir malzeme olarak ekle ki yemeğin içinde kaybolmasın.
• Paketli yiyeceklerde barkod ve etiket kullan. Etiket sana üreticinin değerlerini verir; fotoğraftan tahmin edilecek bir şey kalmaz.
• Arada bir tart. Her zamanki bir kepçe pilavını, kahvaltılık gevrek kâseni ya da döktüğün yağı bir hafta boyunca tartmak gözünü yeniden kalibre eder. NIH araştırmacılarının referans noktası olarak titizlikle tartılmış öğünleri kullanması boşuna değil.
• Daha iyi bir fotoğraf çek. İyi ışık, tabağın tamamının kadrajda olması ve 45 derecelik bir açı işe yarar. Fotoğraftan porsiyon tahmini rehberimiz bunu ayrıntılı anlatıyor.
• Yemeği başkası pişirdiyse daha fazla yağ bekle. Bir restoran yemeğindeki en büyük bilinmeyen genellikle yağdır. Restoran yemeklerini kaydetme yazımıza göz at.

Calorix bu soruna göre nasıl tasarlandı

Calorix’in yapay zekâ tarayıcısını, her fotoğraf tahmininin bir ilk taslak olduğu varsayımıyla geliştirdik. Tarama tek bir sayı yerine, her malzemeyi porsiyonu, gramı, kalorisi ve bir güven rozetiyle listeleyen bir kontrol kartı açar; böylece tahminin en az emin olduğu yerleri görebilirsin.

Buradan şunları yapabilirsin:

• adları, porsiyonları ve gramları düzenlemek ya da malzeme ekleyip çıkarmak
• fotoğrafta görünenden daha fazla ya da daha az yediysen porsiyon kaydırıcısını (½, 1, 1½ veya 2) kullanmak
• “Yapay zekâyla düzelt”e dokunup “pilav yok, 2 yumurta ekle” gibi bir düzeltmeyi yazmak ya da söylemek, ardından önerilen değişiklikleri kabul etmeden önce gözden geçirmek
• “tereyağında pişti” gibi bir not ekleyip kayıtlı fotoğraftan yeniden analiz etmek
• herhangi bir değeri elle değiştirmek; yapay zekânın orijinal değeri saklanır, böylece istediğinde ona geri dönebilirsin

Toplamlar her zaman malzemelerden yeniden hesaplanır, böylece bir kalemde yaptığın düzeltme doğrudan günlük kalori ve makrolarına yansır. Paketli yiyeceklerde barkod ve besin değerleri etiketi taraması tahmin yürütmeyi ortadan kaldırır.

Neyi iddia etmediğimizi de açıkça söyleyelim: Calorix’in bu çalışmadaki uygulamalardan daha doğru olduğunu göstermedik. Tasarımın yaptığı, tahmini şeffaf ve hızlı düzeltilebilir kılmak; NIH araştırmacılarının işaret ettiği adım da tam olarak bu.

Özetle

Yapay zekâyla fotoğraftan kayıt, makul bir ilk taslağa ulaşmanın hızlı bir yolu; ama tek başına bırakıldığında, özellikle yağlı, tereyağlı ve karışık yemeklerde düşük kalma eğiliminde. Her fotoğraf tahminini bir başlangıç noktası olarak gör: Porsiyonları kontrol et, orada olduğunu bildiğin yağları ekle ve etiketi olan her şey için barkod kullan.

Küçük düzeltmeler birikir. Yediklerin, kaydının gösterdiğinden birkaç yüz kalori fazlaysa kurduğun plan gerçekle örtüşmez ve suçu tahminde değil kendinde aramak kolaylaşır. Gerçekçi bir kayıt, günlük kalori ihtiyacı (TDEE) hesaplama aracımızdan alacağın gerçekçi bir hedefle birleştiğinde, gerçekten işine yarayacak sayılar elde edersin.