“Fotoğrafını çek, kalorini gör” bütün bir uygulama kategorisinin vaadi. Her malzemeyi tek tek yazmaktan gerçekten daha hızlı, ama bir fotoğraf yemeği tartamaz ya da yemeğin pişirildiği yağı göremez. Bu sayfada bağımsız testlerin ne bulduğunu, fotoğraftan kalori hesaplayan popüler uygulamaların her birinde neyi kontrol edip düzeltebildiğini ve hangi doğruluk iddialarının başkalarının da kontrol edebileceği bir yönteme dayandığını derledik.
Calorix’i biz geliştiriyoruz ve tablodaki uygulamalardan biri o (ilk satırda duruyor ve bizim uygulamamız olarak işaretli; tablo bir sıralama değil); yani tarafsız değiliz. Burada Calorix için hiçbir doğruluk iddiasında bulunmuyoruz, diğer uygulamalarla ilgili her bilginin kaynağına bağlantı veriyoruz ve her şeyi 23 Ekim 2026’da yeniden kontrol ettik. Fiyatları önce Türkiye App Store’dan TL olarak veriyoruz. Uygulamaların App Store açıklamaları ve yardım sayfaları İngilizce olduğu için tırnak içindeki iddiaları özgün İngilizceleriyle aktarıyoruz.
Bağımsız testler ne buldu
Dört popüler uygulamanın 2026 NIH testi
ABD Ulusal Sağlık Enstitüleri’ne (NIH) bağlı Ulusal Diyabet, Sindirim ve Böbrek Hastalıkları Enstitüsü’nden (NIDDK) araştırmacılar, 102 öğünün standart fotoğraflarını dört uygulamanın fotoğraf özelliklerinden geçirdi. Öğünler, her malzemenin 0,1 gram hassasiyetle tartıldığı kontrollü bir beslenme çalışmasından geliyordu ve ortalama 918 kcal’di (özet, Amerikan Beslenme Derneği’nin (ASN) basın bülteni).
| Uygulama (test edildiği hâliyle) | Öğün başına ortalama eksik | %95 güven aralığı | Tek tek öğünlerde aralık (uyum sınırları) |
|---|---|---|---|
| Appediet | 252 kcal | 210 ila 295 | 672 eksik ile 167 fazla arası |
| MyFitnessPal | 327 kcal | 269 ila 385 | 884 eksik ile 246 fazla arası |
| Lose It! | 333 kcal | 282 ila 383 | 835 eksik ile 170 fazla arası |
| Cal AI | 345 kcal | 296 ila 392 | 821 eksik ile 132 fazla arası |
Dört uygulama da kaloriyi ortalamada yaklaşık üçte bir, yağı ise öğün başına yaklaşık 30 g eksik hesapladı; en tutarlı sonuçlar karbonhidratlarda çıktı. 200’den fazla ek öğünden gelen ilk sonuçlar, uygulamaların yüksek yağlı ketojenik öğünlerde daha çok zorlandığını düşündürdü. İki uyarı: Bu bir kongre bildirisi özeti, yani hakemli bir makale yayımlanana kadar ön bulgu niteliğinde; ayrıca uygulama sürümleri ve test tarihleri bildirilmedi. Araştırmacılardan Aaron Hengist, fotoğraf tabanlı bir uygulamayı porsiyonları ayarlamadan ya da yiyecek miktarlarını girmeden kullananların sonuçlara ihtiyatla yaklaşması gerektiğini söyledi.
Daha önceki çalışmalar
- Yedi uygulamayı akıllı telefonla çekilmiş 22 fotoğrafla (16 yiyecek, 6 içecek) test eden 2024 tarihli bir çalışma, MyFitnessPal’ın yiyecek bileşenlerinin %97’sini tanıdığını buldu; ama bu kalori değil, tanıma başarısı. Enerji değerinde ise MyFitnessPal ortalama %3, Foodvisor %47 eksik hesapladı; tereyağlı kızarmış ekmek üstünde yumurtadan oluşan bir tabak da tereyağı gözden kaçtığı için sırasıyla %35 ve %73 eksik hesaplandı.
- Genel amaçlı yapay zekâ sohbet botları da daha iyi değil: 52 standart yemek fotoğrafı verildiğinde ChatGPT-4o ve Claude 3.5 Sonnet kaloride ortalama %35,8, Gemini 1.5 Pro ise %64,2 yanıldı ve üçü de porsiyonlar büyüdükçe daha fazla eksik hesapladı (2025 tarihli çalışma). Daha fazlası ChatGPT fotoğraftan kalori hesaplayabilir mi? yazımızda.
- Çoğunluğu araştırma sistemi olan otomatik görüntü yöntemlerini inceleyen 2023 tarihli bir sistematik derleme, ortalama kalori hatalarının %0,1 ile %38,3 arasında değiştiğini ve tek, basit yiyeceklerin en kolay tahmin edildiğini buldu.
Fotoğraf tahminleri neden düşük kalır
Kameranın iyi göremediği üç şey farkın büyük kısmını açıklar: yağ (yemeğe işlemiş yağ, sosun içinde erimiş tereyağı), porsiyon derinliği (yukarıdan bakıldığında derin bir kâseyle sığ bir kâse aynı görünür) ve karışık yemeklerdeki gizli malzemeler. Yapay zekâ kalori uygulamaları ne kadar doğru? rehberimiz her birini kaynaklarıyla anlatıyor.
Doğruluk iddiaları ve dayanakları
Birkaç uygulama bir doğruluk rakamı veriyor. Her birini şirketin kendi iddiası olarak, nasıl ölçüldüğüne dair bulabildiklerimizle birlikte aktarıyoruz.
- Cal AI, SSS sayfasında yaklaşık %80 doğru olduğunu söylüyor (“CalAI is about 80% accurate”, Cal AI SSS); blogundaki eski bir yazı ise görünen yiyeceklerde %90 doğruluktan söz ediyor (“90% accuracy on visible foods”, Cal AI blogu). İki sayfa da “doğru”nun ne anlama geldiğini ya da nasıl test edildiğini söylemiyor. NIH testinde dört uygulama arasında ortalamada en çok eksik hesaplayan, Cal AI’ın fotoğraf özelliğiydi.
- SnapCalorie’nin SSS sayfası artık ortalama kalori hatasının yaklaşık %15 olduğunu söylüyor (“around 15% mean caloric error”) ve bunu, fotoğraftan tahmin yapan diyetisyenlerin yaklaşık %40’lık hatasıyla karşılaştırıyor; bu rakamlar için bir kaynak vermiyor (SnapCalorie SSS). SSS’de eskiden yer alan “2x more accurate than nutritionists” ifadesi artık yok; ana sayfa ise “2x Nutritionist Accuracy” diyor (SnapCalorie). Kurucusu, Google Research ile hazırlanan ve herkese açık bir veri seti bulunan Nutrition5k makalesinin (CVPR 2021) ortak yazarlarından biri: Bu makalede bir araştırma modeli, tek bir kafeteryadan gelen ve ortalaması 255 kcal olan yemeklerde tek fotoğrafla %26,1, derinlik kamerasıyla %16,5 sapma gösterdi. Makaledeki insan karşılaştırmasında, beslenme uzmanı olmayan 16 kişiden ve 4 beslenme uzmanından 10 basit tabakta porsiyon ağırlıklarını tahmin etmeleri istendi (%53 ve %41 hata). Bu hakemli bir yöntem, ama 2021’deki bir araştırma modeli için; bugünkü uygulamanın yayımlanmış bir testi değil.
- Fitia App Store sayfasında kendini en hızlı ve en doğru kalori sayacı olarak tanımlıyor (“The fastest & most accurate calorie counter”); Fastic de blogunda tarayıcısının yiyecekleri doğru tanıyabildiğini söylüyor (“It can accurately identify foods”). İkisi de rakam ya da yöntem vermiyor.
- Yukarıdaki tabloda yer almayan PlateLens, Dietary Assessment Initiative adlı bir çalışmanın 180 tartılmış öğünde ±%1,1 kcal hata ölçtüğünü ve Foodvision Bench adlı bir kıyaslama testinin bunu 231 öğünde daha tekrarladığını söylüyor (“Foodvision Bench reproduced it on 231 more”, PlateLens). Bunu doğrulayamadık: Çalışma için verdiği DOI 23 Ekim 2026’da da “bulunamadı” sonucunu döndürdü, çalışmanın Crossref’te ya da Zenodo’da bir kaydını bulamadık ve kıyaslama testinin deposunda kod ile sonuç dosyaları vardı ama yemek fotoğrafları ya da referans veriler yoktu; 231 öğünlük tekrar da bu yüzden kontrol edilemiyor.
Tablomuzdaki diğer 12 uygulamanın hiçbiri, güncel uygulamasının doğruluk testini verisi, yöntemi ve tarihiyle birlikte yayımlamıyor. Bizimki dahil, bir rakama güvenmeden önce aradığımız standart bu.
Fotoğraftan kalori hesaplayan bir uygulamada nelere bakmalı
- Kontrol edebileceğin bir liste. Tek bir toplamı sorgulamak zordur; porsiyonlarıyla birlikte bir malzeme listesi, tahminin nerede yanıldığını gösterir.
- Kolay düzeltmeler. Gramları değiştirmek, bir yiyeceği başkasıyla değiştirmek, yağı eklemek ya da bir düzeltmeyi kelimelerle anlatmak saniyeler sürmeli.
- Barkod ve etiket tarama. Böylece paketli yiyecekler tahmin yerine beyan edilen değerleriyle kaydedilir. Etiketler kusursuz değildir: ABD’de bir yiyecek ancak kalorisi etiketinde yazandan %20’den fazla yüksekse yanlış etiketlenmiş sayılır (21 CFR 101.9).
- Uygulamaya göremediğini söylemenin bir yolu. Örneğin “tereyağında pişti” ya da “yarım porsiyon”.
- Doğruluk konusunda dürüstlük. Yöntemini ve verisini kontrol edebileceğin bir iddia, bunlar olmadan verilen daha büyük bir rakamdan daha değerlidir.
Her uygulamada daha iyi tahmin almanın yolları
- Yağları ekle. Pişirme yağını, tereyağını, salata sosunu ya da mayonezi ayrı bir kalem olarak kaydet; bir yemek kaşığı zeytinyağı yaklaşık 119 kcal’dir.
- Önce en büyük kalemleri kontrol et. Toplamı en çok pilav, makarna, et ve soslar değiştirir.
- Gözünü kalibre etmek için arada bir birkaç temel yiyeceği tart: her zamanki kahvaltılık gevrek kâseni, bir kepçe pilavını ya da döktüğün yağ miktarını.
- Daha iyi bir fotoğraf çek: iyi ışık, tabağın tamamı ve tam tepeden değil, 45 derecelik bir açı.
- Paketli her şeyde barkodu ya da etiketi kullan.
Peki ya Calorix?
Calorix NIH testine dahil değildi ve daha iyi sonuç vereceğini iddia etmiyoruz: Pilava işlemiş yağı hiçbir kamera göremez. Calorix’in yaptığı, her fotoğrafı bir ilk taslak olarak ele almak. Her malzemeyi gramı, kalorisi ve güven rozetiyle listeler; böylece hangi kalemlerin ikinci bir bakışı hak ettiğini görebilir, herhangi birini değiştirebilir, “tereyağında pişti” gibi bir not ekleyebilir ya da neyin düzeltilmesi gerektiğini “Yapay zekâyla düzelt”e yazarak veya sesle anlatabilirsin. Paketli yiyecekler için barkod ve besin değerleri etiketi taraması var. Calorix tarayıcısının nasıl çalıştığına göz at.
Değişiklik geçmişi
- 23 Ekim 2026: Tablodaki her rakip bilgisi yeniden kontrol edildi ve fiyat sütununa Türkiye App Store’daki TL fiyatları eklendi (ABD fiyatları ayrıca belirtiliyor). BitePal artık besin değerleri etiketi tarıyor (19 Ekim 2026) ve sesle kayıt sunuyor; MyFitnessPal’ın Meal Scan’i ve sesle kaydı ile Lose It! uygulamasının Snap It özelliği yalnızca İngilizce çalışıyor; SnapCalorie’nin SSS sayfası artık “2x more accurate than nutritionists” demiyor; Fastic’in fotoğraf taramasının Fastic Plus’a özel olduğu artık belirtilmiyor; Zero’nun ilk ücretsiz kayıtları App Store sayfasına dayandırıldı; Cal AI’ın 3 günlük denemesi web sitesine, ABD fiyatı açıkça üçüncü taraf bir rehbere dayandırıldı; PlateLens’in yeni 231 öğünlük tekrar iddiası eklendi ve doğrulanamadığı belirtildi; 2024 çalışmasındaki fotoğrafların akıllı telefonla çekildiği düzeltildi. Tırnak içindeki iddialar artık özgün İngilizceleriyle veriliyor.
- 11 Ekim 2026: Sayfa yayımlandı. Özellikler, fiyatlar ve iddialar her uygulamanın App Store sayfasında, yardım merkezinde ve web sitesinde; bağımsız çalışmalar PubMed’de, PMC’de ve yayıncıların sitelerinde kontrol edildi.
Güncellenme: 23 Ekim 2026
