Yapay zeka kalori sayacı nasıl çalışır?

Yapay zeka kalori sayacı, fotoğrafı üç aşamada okuyarak çalışır: yemeği bulur, adını koyar, sonra hacmini tahmin edip kaloriye çevirir. Hiçbir aşama yemeği, ölçülmüş besinlerin bulunduğu bir veri tabanında aramaz. Her aşamanın kendi hatası vardır. Hiçbiri yağı, sosu ya da tabaktaki gerçek ağırlığı göremez.

Bu, arama çubuğuna bir yemek yazmaktan farklıdır. Aramada, daha önce birinin kaydettiği hazır bir kalori değeri gelir. Fotoğraf tahmini ise tamamen pikselden çıkarılmış bir tahmindir. Aşağıda aşama aşama inceleniyor.

Yapay zeka kalori sayacı nasıl çalışır, adım adım?

Bir yemeği tanımak ile kalorisini bilmek iki ayrı problemdir. Yalnızca ilki çözüme yaklaşmıştır.

Healthcare (Basel) dergisinde yayımlanan 2022 tarihli bir sistematik derleme nedenini gösteriyor. İncelenen mobil uygulamaların 90,9%'u, sınıflandırmadan önce yemeği tabaktan, masadan ya da arka plandan bile ayıramıyordu (Amugongo ve ark., 2022). Sistem yemeği temiz biçimde ayıramazsa, etiket ve porsiyon dahil sonraki her adım bu hatayı devralır.

Bu yüzden "yapay zeka hamburger gördü, demek ki kalorisini biliyor" kestirmesi en zor iki adımı atlar. Hamburger ne kadar büyük, içinde ne kadar yağ var? Bu sorular yalnızca tanımayla yanıtlanamaz.

Yapay zeka fotoğraftaki yemeğin ne olduğunu nasıl bilir?

İlk aşama bölütlemedir: hangi piksellerin yemek, hangilerinin tabak, masa ya da el olduğunu ayırmak.

İkinci aşama sınıflandırmadır. Ayrılan bölge bir yemek kategorisiyle eşleştirilir, örneğin "ızgara tavuk göğsü" ya da "buharda pilav". Healthcare derlemesi, bölütleme ve sınıflandırmayı, incelenen mobil görüntü uygulamalarında herhangi bir kalori sayısı çıkmadan önceki ilk iki aşama olarak adlandırır (Amugongo ve ark., 2022).

Somut bir örnek, NYU Tandon'da geliştirilen bir yemek tarayıcısı prototipidir. IEEE Uluslararası Mobil Hesaplama ve Sürdürülebilir Bilişim Konferansı'nda sunulan araştırmayı anlatan 2025 tarihli bir üniversite haberinde yer alır. Prototip 214 kategoride yemek bulup tanımış ve ortalama kesinlik (mAP) olarak 0,7941 elde etmiştir. Haber bunu, görüntüde yemeği bulma ve tanıma açısından kabaca 80% doğruluk diye anlatır (NYU Tandon, 2025).

Bu 80% yalnızca bir adımı anlatır: yemeği bulmak ve adlandırmak. Tabaktaki miktar hakkında henüz hiçbir şey söylemez.

Düz bir fotoğraftan porsiyon nasıl tahmin edilir?

Yemek tanındıktan sonra sistem iki boyutlu bir görüntüden hacmi tahmin etmek zorundadır, ve bu daha zor problemdir.

Healthcare derlemesi iki adlandırılmış yöntemi ve ölçülen hatalarını bildirir. Derinlik algılayan bir akıllı telefon yönteminin mutlak hacim hatası 35,1 g, standart sapması 42,8 g idi. Bu, tahmin edilen porsiyonun kabaca 14%'üne denk gelir (Amugongo ve ark., 2022). Tek görüntüden çalışan ayrı bir yöntem, yemeğin 2B boyutundan ikinci dereceden eğri tahmini kullanır. Sonuçtaki kalori tahmininde 21,3% hata taşımıştır (Amugongo ve ark., 2022, Okamoto ve Yani, 2016'dan aktararak).

Her iki sayı da derlemenin incelediği akademik sistemleri anlatır, belirli bir ticari uygulamayı değil. Aynı noktayı gösterirler: düz bir fotoğrafı gram cinsinden ağırlığa çevirmek bir ölçüm değil, tahmindir. Hata, bölütleme sırasındaki hatayla birikir.

Kamera açısı, ışık ve görünürlük de sonucu değiştirebilir, çünkü sistemin kendi tahminini bağımsız biçimde doğrulamasının yolu yoktur.

Yapay zeka yağı, sosu ya da tam ağırlığı neden göremez?

Fotoğraf, yemeğin yüzeyini gösterir, nasıl pişirildiğini değil. Pilava karıştırılmış tereyağının kalorisini kamera görmez. Tavuk göğsünün kızartıldığı yağ ya da güvece karışmış sos da öyledir. Yapay zeka yalnızca görüntüde görünen şey hakkında akıl yürütebilir.

90,9% oranındaki yemek-arka plan ayrımı sınırlaması bu yüzden önemlidir. Yemeği tabaktan ayırmakta zorlanan bir sistemin, görünen bir malzemeyi gizli olandan ayırma şansı azdır (Amugongo ve ark., 2022). Tek girdi fotoğraftır. Onda görünmeyen her şey, tahmin için de görünmezdir.

Yapay zeka yemeği veri tabanında mı arar, yoksa resimden mi tahmin eder?

Fotoğraf tahmini veri tabanı araması değildir. Görüntüyü doğrudan okuyan görüntü modelinden gelir: yemeği tanır, porsiyonu, kaloriyi ve makroları gördüğünden tahmin eder. Fotoğrafı önceden ölçülmüş yemeklerin tablosuyla eşleştirmez.

Veri tabanı araması daha eski, farklı bir yöntemdir. Türkiye'de ulusal besin kompozisyonu verisi için TürKomp (Ulusal Gıda Kompozisyon Veri Tabanı) kullanılır. Karşılaştırma olarak ABD'de USDA FoodData Central, girdilerini üretilme biçimine göre ayırır. Foundation Foods, ticari ürün örneklerinin laboratuvar analizinden gelir ve yılda iki kez güncellenir. SR Legacy, 2018'de son güncellenen eski analiz kaynaklı veridir. Branded Foods, markaların kendi etiketlerine bastığı kalori ve makro değerleridir ve aylık güncellenir (USDA FoodData Central).

Bu sayılar bir kez, laboratuvarda ya da etiket üzerinde ölçülür, sonra saklanır. Fotoğraf tahmini ise her seferinde görüntüden yeniden hesaplanır, arkasında saklanmış bir ölçüm yoktur.

Her aşamadaki hata nereden gelir?

Aşağıdaki tablo örnek amaçlıdır: yüzdeler, üç bağımsız hatanın nasıl biriktiğini göstermek için uydurulmuştur, herhangi bir ürün için ölçülmüş sonuç değildir.

Bir tabak yemeğin gerçek değerinin 500 kcal olduğunu varsayın. Yalnızca bölütleme 10% yanılırsa, sistemin sonraki aşamaya taşıdığı sayı 450 ile 550 kcal arasında bir yerdedir. Bu, sınıflandırma ya da hacim tahmini daha çalışmadan olur.

Sonraki her aşama, doğrudan gerçekten başlamaz, bir önceki aşamanın verdiği sayıyla çarpılır. Bu yüzden tek bir toplam "doğruluk" yüzdesi gösterdiğinden fazlasını gizler.

Gerçek hata, üst üste binmiş üç ayrı tahmindir. Kaynaklı iki aralık bunun pratikte nasıl göründüğünü gösterir. Derinlik algılayan yöntemde hacim hatası kabaca 14%, tek görüntülü ikinci dereceden eğri yönteminde kalori hatası 21,3% idi (Amugongo ve ark., 2022, Okamoto ve Yani, 2016'dan aktararak). İkisi de, ölçüldükleri akademik sistemler için, aynı yığının içindedir.

Barkod okutmaktan ya da veri tabanında aramaktan farkı nedir?

Barkod okutma ya da elle arama, zaten var olan bir sayıyı getirir: USDA FoodData Central gibi bir veri tabanında saklanan laboratuvar ölçümü ya da etiket değeri (USDA FoodData Central). Sistem hiç tahmin yapmaz. Yalnızca bir tanımlayıcıyı bir kayıtla eşleştirir.

Fotoğraf tahmininde eşleşecek bir tanımlayıcı yoktur. Yapay zeka yemeği, hazırlanış biçimini ve porsiyonu pikselden çıkarmak, sonra fotoğraf çekilene kadar hiçbir yerde var olmayan bir sayı hesaplamak zorundadır. Bu temelde farklı bir görevdir ve hata kaynağı da farklıdır: tahmin etmek ile getirmek.

Karışık yemekler ek bir zorluk getirir. Yemek-arka plan oranı bunun nedenini gösterir: bütün bir elma, sınıflandırma aşamasına bölütlenecek tek, net bir hedef verir. Sosun altında pilav, onun yanında dağınık bir sebze içeren karışık tabakta ise parçalar birbirinin arkasında kalır (Amugongo ve ark., 2022).

Tek bir tabağı fotoğraflamak yerine evde yapılan yemeği malzemelerinden de oluşturabilirsiniz. Tarif kalorisi nasıl hesaplanır? rehberi, görüntüden tahmin etmek yerine malzeme toplamlarını alır ve sonucu porsiyonlara böler.

Uygulama neden sonucu gözden geçirip düzenlemenizi ister?

Çünkü tahmin ilk tahmindir, nihai cevap değildir. Kameranın göremediğini yalnızca gerçek tabağa bakan kişi bilir.

Avocalo böyle çalışır. Kullanıcı öğünün fotoğrafını çeker, bir yapay zeka görüntü modeli yemekleri tanır ve porsiyonu, kaloriyi, proteini, karbonhidratı ve yağı doğrudan görüntüden tahmin eder. Bu tahmin bir besin veri tabanıyla eşleştirilmez. Uygulama gizli yağı, sosları ya da tabağın tam ağırlığını bilemez, bu yüzden kullanıcı kaydetmeden önce sonucu gözden geçirir ve düzenler. Tahminler yaklaşıktır.

Sitenin ücretsiz tarif porsiyon hesaplayıcısı, evde pişen bir tarif için farklı bir yol sunar. Zaten bildiğiniz toplam kaloriyi porsiyonlara ya da tarttığınız bir porsiyona böler, görüntü tahmini içermez. Fotoğrafla kayıt akışını denemek isterseniz Avocalo'nun fotoğrafla kayıt özelliğini deneyin.

Sık sorulan sorular

Fotoğraftaki daha büyük bir tabak ya da referans nesne tahmini değiştirir mi?

Evet, referans nesne hacim tahmin algoritmasının ölçeği anlamasına yardımcı olabilir. Düz bir görüntüden boyutu anlamanın başka yolu yoktur. Referans olmazsa tabak boyutu ve görünürlük, tahminin tam kontrol edemediği değişkenlere dönüşür. Porsiyon hatasının var olmasının nedenlerinden biri budur (Amugongo ve ark., 2022).

Yapay zeka aynı yemeğin kızarmış ve buharda pişmiş halini ayırt edebilir mi?

Bazen, görsel fark belirginse ayırt edebilir. Altın renkli kızarmış bir kaplama ile sade buharda pişmiş bir yüzey birbirinden ayrılır. Sınıflandırma görünen şeye dayandığı için, zaten pişmiş pilava karıştırılan yağ gibi görünümü değiştirmeyen bir pişirme yöntemi görüntüde iz bırakmaz ve tespit edilemez.

Fotoğraf tahmini yemeği tartmanın yerini tutar mı?

Hayır, tutmaz. Fotoğraf tahmini görüntüden hesaplanan bir tahmindir, mutfak terazisi ise önünüzdeki gerçek ağırlığı ölçer. İki sayı farklı türdedir: biri pikselden çıkarılır, diğeri doğrudan ölçülür. Porsiyon tahmini belirsizliğini yalnızca ölçüm tamamen ortadan kaldırır.

Aynı yemeğin iki fotoğrafı neden farklı sonuç verebilir?

Bölütleme, sınıflandırma ve hacim tahmini, yemeğin o karede ne kadarının göründüğüne bağlıdır. Biraz farklı bir açı, sonraki her aşamanın girdisini değiştirir. Cihaza göre değişen görüntü kalitesi ise Healthcare derlemesinin genel olarak mobil görüntü uygulamaları için andığı, ilişkili ama ayrı bir sorundur (Amugongo ve ark., 2022).

Yapay zeka kalori sayaçları genel olarak ne kadar doğrudur?

Doğruluk büyük ölçüde yemeğe, yemeğin karmaşıklığına ve hangi sistemin test edildiğine bağlıdır, bu yüzden her yerde geçerli tek bir yüzde yoktur. Yukarıda anlatılan aşama aşama hata kaynakları, tek bir genel sayının bunu neden yansıtamayacağını açıklar. Sonuç her zaman yaklaşıktır, kontrol etmeniz gerekir.

Kaynaklar

• Amugongo et al., "Mobile Computer Vision-Based Applications for Food Recognition and Volume and Calorific Estimation: A Systematic Review," Healthcare (Basel) 2022, yukarıda anılan işlem hattı aşamalarının ve hata rakamlarının dayanağı olan sistematik derleme.
• NYU Tandon School of Engineering, AI food scanner news release, 214 kategorili tanıma prototipinin ve kesinlik skorunun kaynağı. Türkiye'deki besin verisi için ulusal karşılık TürKomp, Ulusal Gıda Kompozisyon Veri Tabanı ve T.C. Sağlık Bakanlığı beslenme rehberidir (TÜBER).
• USDA FoodData Central, Foundation Foods ve Branded Foods gibi veri tabanı girdilerinin gerçekte nasıl üretildiğinin ve güncellendiğinin kaynağı. Türkiye'deki karşılığı TürKomp.

Bu yazıdaki rakamların nasıl denetlendiğini editoryal politikamızda okuyabilirsiniz. Yayımlayan: Petros IT Solutions SRL. Düzeltme bildirmek için [email protected] adresine yazın.