ChatGPT fotoğraftan kalori sayabilir mi?

ChatGPT fotoğraftan kalori sayabilir, üstelik yiyecekleri çoğu zaman doğru adlandırır. Hakemli bir testte GPT-4, gerçek yemek fotoğraflarındaki yiyecekleri 93,0% kesinlik ve 84,6% duyarlılıkla tanıdı, yani F1 skoru 88,6% oldu (O'Hara ve ark. 2025, Nutrients). Zorlandığı yer, yiyeceğe iliştirdiği sayıdır: porsiyon boyutu, gizli yağ ve aynı soruya iki kez aynı cevabı vermek. Bu rakamların arkasındaki tüm süreç için fotoğraftan kaloriye giden üç aşamalı sürecin nasıl çalıştığına bakabilirsiniz.

ChatGPT fotoğraftan kalori sayabilir mi?

Evet, ChatGPT bir tabak fotoğrafından yemeğin adını, yaklaşık malzemelerini ve kalori ile makro tahminini verebilir. Bu kısım çalışır, çünkü görsel modeller yiyecek tanımada iyidir.

Asıl zor iş pilavı ve tavuğu adlandırmak değil. Düz bir görüntüden, terazisiz, derinlik sensörsüz ve tavaya ne kadar yağ girdiğini bilmeden tartmaktır. Sayı gerçeklikten işte burada uzaklaşmaya başlar.

Yayımlanmış çalışmalara göre ChatGPT'nin tahmini ne kadar şaşıyor?

114 fotoğraflık bir çalışmada ChatGPT-4, fotoğrafların 76,3%'ünde (114 içinden 87) toplam yemek ağırlığını olduğundan düşük tahmin etti (O'Hara ve ark. 2025, Nutrients). Yani sorunun cevabı tahmin değil, ölçülmüş bir sayıdır.

114 fotoğrafın tamamında, ChatGPT'nin tahmin ettiği ağırlıkla ölçülen ağırlık arasındaki mutlak yüzde fark ortalama 27,8% çıktı, standart sapma 18,5%. Bu tek sayı bütün porsiyon boyutlarını birbirine karıştırır.

Porsiyon boyutuna göre ayırınca tablo netleşir. Küçük porsiyonlar ölçülen ağırlıktan anlamlı farklı değildi (p=0,221). Orta ve büyük porsiyonlar ise anlamlı biçimde düşük tahmin edildi (p<0,001). Makale her boyut için ayrı bir ortalama hata yüzdesi vermiyor.

Diyetisyenlerin kendi tahminleriyle uyum, sınıf içi korelasyonla ölçüldüğünde enerji için 0,56 oldu. Çalışma bu aralığı zayıf ile orta arası olarak tanımlıyor. Protein 0,67 ile biraz daha iyiydi, orta ile iyi arası. Karbonhidrat uyumu ise yalnızca 0,31 ile zayıftı.

Ayrı bir hastane yemeği çalışması toplam on modeli test etti: üç genel amaçlı çok kipli model ve yedi özel beslenme uygulaması. Ayrıntılı incelenen en iyi üç modelde (GPT-4o dahil) diyetisyenlerle korelasyon enerji için 0,82 ile 0,89 arasındaydı, yağ için yalnızca 0,41 ile 0,48 (Isobe ve ark. 2026, Nutrients). Enerji ortalamada fena görünür. Tek tek besin ögeleri görünmez.

Çalışmaların rakamlarını yan yana koyunca, hiçbirinin tek başına söylemediği bir örüntü ortaya çıkıyor.

Yiyecek tanıma zincirin en güçlü halkasıdır. Porsiyon boyutu ve yağ içeriği en zayıf olanlardır, tekrarlanabilirlik ise hepsinin altında yatar.

ChatGPT büyük porsiyonları neden olduğundan az tahmin ediyor?

ChatGPT büyük porsiyonları olduğundan az tahmin ediyor, çünkü hata porsiyon boyutuna bağlı ve rastgele değil. 114 fotoğrafta ortalama mutlak ağırlık hatası 27,8% ± 18,5% idi, ama bu rakam tüm tabakları birlikte kapsar, tek bir boyutu değil.

Boyuta göre ayrıldığında küçük porsiyonlar ölçülen ağırlıktan istatistiksel olarak farklı değildi (p=0,221). Orta ve büyük porsiyonlar anlamlı biçimde düşük tahmin edildi (p<0,001) (O'Hara ve ark. 2025, Nutrients).

Düz bir fotoğrafı okuyan modelin cetveli ve derinlik bilgisi yoktur. Küçük bir yığın yaklaşık olduğu gibi görünür. Yüksek, kalabalık ya da katmanlı bir tabak görüntüde sıkışır ve model çok yüksek bir sayı riskine girmek yerine temkinli tahmin ediyor gibi görünür.

Bu, hatanın haftanıza eşit dağılmadığı anlamına gelir. Tek bir kase çorba yakın çıkabilir. Dolu bir akşam yemeği tabağı ise sessizce eksik sayılma olasılığı yüksek olandır.

ChatGPT'nin en çok şaştığı sayı neden yağ?

ChatGPT'nin en çok şaştığı sayı yağdır, çünkü yağ, tereyağı ve soslar yemeğin yüzeyindeki parlaklığa karışır ve fotoğraf tavaya ne kadar girdiğini göstermez. Hastane yemeği çalışması, yağın modeller genelinde 33,8% ile 52,3% arasında olduğundan yüksek tahmin edildiğini buldu. Bu yanlılık istatistiksel olarak anlamlıydı (p<0,01) (Isobe ve ark. 2026, Nutrients).

Ölçülen değerin ±10% içinde kalan tahminler aynı hikâyeyi başka açıdan anlatır: yemeklerin enerji için 46,7% ile 73,3%'ü, yağ için ise yalnızca 6,7% ile 33,3%'ü bu aralıkta kaldı.

Bu bir yargı hatası değil, bir mekanizmadır. Model parlaklığı görüp "yağlanmış" diye çıkarım yapabilir, ama o parlaklığı yaratan yemek kaşığını göremez. Fotoğrafın gösteremediği yağ ve sos kalorisini, tabağın ne kadar parladığına değil tavaya gerçekte ne girdiğine bakan ücretsiz yağ kalorisi hesaplayıcısıyla bulabilirsiniz.

ChatGPT'ye iki kez sorarsanız aynı cevabı verir mi?

ChatGPT iki kez sorulduğunda her zaman aynı cevabı vermez ve bu, tek bir hata rakamından daha önemlidir. 2026'da tam olarak bunu sınamak için tasarlanan bir çalışma, aynı yemek görüntülerini büyük dil modellerine 60'ar kez sordu. Ardından bir görüntü içindeki tahmin değişimini, aynı yemeğin farklı fotoğrafları arasındaki değişimle karşılaştırdı (Wang, Lane & Waki 2026, JMIR Diabetes).

Araştırmacılar bu yöntemi kurdu, çünkü aynı fotoğrafa tekrarlanan sorgular tek bir sabit sayıda birleşmiyor. O'Hara çalışması boşluğu öbür taraftan doğruluyor: tekrarlanabilirliği test etmenin kapsamı dışında kaldığını açıkça söylüyor (O'Hara ve ark. 2025, Nutrients).

Tek seferlik merak için bu değişkenlik pek hissedilmez. Bugünkü sayının dünkü sayıyla aynı anlama gelmesini istediğiniz günlük takipte ise gerçek bir sorundur. Yalnızca ChatGPT'yi değil, genel olarak hesabın nasıl doğru yapılacağını görmek isterseniz kalorinin tartı ve kaynakla nasıl doğru hesaplandığına göz atın.

ChatGPT'nin yapmadığını bir takip uygulaması ne yapar?

Bir takip uygulaması, tahmini kaydetmeden önce düzenlemenize ve sonra kalıcı bir günlükte tutmanıza izin verir. Sohbet penceresi ise tek bir soruyu yanıtlar ve unutur. Kaydı, geçmişi ve sayı kalıcı bir yere yazılmadan önce düzenleme imkânı yoktur.

Avocalo da fotoğrafın benzer bir görsel model okumasından yola çıkar. Altta yatan yöntem için yukarıdaki çalışmaların gösterdiğinin ötesinde bir doğruluk rakamı iddia etmez. Fark, tahmin göründükten sonra olanlardır: kaydetmeden önce gözden geçirip düzenleyebilirsiniz ve tahmin, sohbet bitince kaybolmak yerine akan bir günlükte durur. Uygulamada öğün fotoğrafı kaydedip düzenleyebilir ve geçmişte tutabilirsiniz.

Sektörün nereye gittiğine dair bir bağlam: MyFitnessPal, Ocak 2026'da yeni bir ChatGPT Health deneyiminin içinde bir uygulama başlattı. Uygulama makro rehberliği, kişiselleştirilmiş hedefler, kilo yönetimi desteği ve kendi besin veri tabanından tarifler sunuyor (MyFitnessPal basın bülteni). Bu, rehberlik için bir veri tabanı sorgusudur, fotoğraftan tahmin özelliği değildir ve yukarıdaki rakamların hiçbirini değiştirmez.

Kalori saymak için ChatGPT'yi kullanmalı mısınız?

ChatGPT'yi kaba, tek seferlik bir tahmin için kullanabilirsiniz, özellikle bir ya da iki yiyeceğin göründüğü ve gizli sosun olmadığı bir tabakta. Yayımlanmış hata oranları, en iyi tuttuğu yerin burası olduğunu düşündürüyor.

Dolu bir tabakta, kızartılmış ya da soslu bir yemekte veya yarınki öğünle karşılaştırmayı planladığınız her yemekte daha şüpheci olun. Alıntılanan çalışmaların en büyük boşlukları gösterdiği yer tam burasıdır ve iki kez sorunca aynı sayıyı alamayabilirsiniz.

Sonucu sessizce bozan tuzaklar:

• Tek bir büyük ya da dolu porsiyona olduğu gibi güvenmeyin. O'Hara çalışmasında orta ve büyük porsiyonlar anlamlı biçimde düşük tahmin edildi (p<0,001), küçükler edilmedi (p=0,221).
• Parlak fotoğraf, modelin yağı gördüğü anlamına gelmez. Bir çalışmada yağ 33,8% ile 52,3% olduğundan yüksek tahmin edildi, ama gerçek değerin ±10% içindeki doğruluk yağ için yalnızca 6,7% ile 33,3% idi, enerjideki 46,7% ile 73,3%'ün çok altında.
• Aynı fotoğrafı iki kez sorup aynı sayıyı beklemeyin. JMIR Diabetes çalışması, cevaplar her denemede değiştiği için 60 tekrarlı bir yöntem kurdu.
• 0,56'lık enerji ICC'sini sağlam bir uyum sanmayın. Çalışmanın kendisi bu aralığı zayıf ile orta arası olarak tanımlıyor, yakın değil.
• Yiyecek tanıma skorundan karbonhidrat doğruluğunu çıkarmayın. Tanıma F1'i 88,6% idi, ama diyetisyenlerle karbonhidrat uyumu yalnızca 0,31 idi.

Sık sorulan sorular

ChatGPT fotoğraf yerine besin etiketini okuyabilir mi?

Alıntılanan çalışmalar etiket değil yemek fotoğrafı test ettiği için burada geçerli kaynaklı bir rakam yok. Basılı bir etiket kalori ve makroları zaten yazar. Bu da tabaktaki yemeğin yarattığı porsiyon tahmini sorununu tümüyle aradan çıkarır.

Önce malzemeleri sormak tahmini daha iyi yapar mı?

Bilinmiyor, çünkü alıntılanan üç çalışmanın hiçbiri önce malzeme soran iki adımlı bir yöntemi denemedi. Bu yüzden iki yönde de kaynaklı bir rakam yok. Fotoğrafta ölçek referansı olmaması gibi temel sınırlama, soruyu nasıl sorarsanız sorun yerinde kalır.

ChatGPT içindeki MyFitnessPal uygulaması fotoğraftan kalori sayımıyla aynı şey mi?

Hayır. Ocak 2026'da makro rehberliği, kişiselleştirilmiş hedefler, kilo yönetimi desteği ve MyFitnessPal'ın besin veri tabanından tarifler sunarak çıktı, fotoğraftan tahmin özelliği sunmadı. Bir veri tabanı sorgu aracıdır ve bu yazıda anlatılan görsel model fotoğraf analizinden ayrıdır.

GPT-4o bu işte eski ChatGPT sürümlerinden daha mı iyi?

Isobe ve ark. 2026 çalışması GPT-4o'yu ayrıntılı incelenen en iyi üç model arasına aldı ve bunlarda yağ korelasyonunu 0,41 ile 0,48 buldu, tek bir sürümü açıkça üstün göstermedi. Bu yazıdaki kaynakların hiçbiri sürüm sürüm bir doğruluk sıralaması sunmuyor.

Kullandığım yağ miktarını söylersem ChatGPT bunu hesaba katabilir mi?

Alıntılanan çalışmaların hiçbiri belirtilmiş bir yağ miktarıyla yönlendirmeyi test etmedi, bu yüzden kaynaklı bir rakam yok. Miktarı söylemek, çalışmaların yağın olduğundan yüksek tahmin edilmesinin gerçek kaynağı olarak gösterdiği tahmin payını ortadan kaldırır.

Kaynaklar

• O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients 2025, 17(4), 607, yiyecek tanıma doğruluğu, porsiyon boyutunun düşük tahmini ve diyetisyenlerle uyum için.
• Isobe T, et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images. Nutrients 2026, 18(6), 966, yağın olduğundan yüksek tahmin yanlılığı ve besin ögesi bazında korelasyon rakamları için.
• Wang Z, Lane D, Waki K. Toward Robust AI-Assisted Dietary Assessment for Diabetes Self-Management. JMIR Diabetes 2026, tekrarlanabilirlik bulgusunun arkasındaki tekrarlı çalıştırma yöntemi için.
• MyFitnessPal Launches App in New ChatGPT Health Experience, güncel ChatGPT entegrasyonlarının gerçekte ne sunduğuna dair tarihli bağlam için.
• Bu rehberdeki rakamların nasıl kaynaklandığı ve denetlendiği için Avocalo'nun editoryal politikasına da bakın.

Petros IT Solutions SRL tarafından yayımlanmıştır. Bir hata mı fark ettiniz? [email protected] adresine yazın.