10 Milyon Gıda Fotoğrafını Analiz Ettik: AI Tarafından En Çok Yanlış Tanımlanan 20 Gıda

AI Gıda Tanımanın Arkasındaki Veri

AI destekli gıda tanıma, beslenme takibini dönüştürdü. Veritabanlarında arama yapıp porsiyon boyutlarını tahmin etmek yerine, bir fotoğraf çekiyorsunuz ve bilgisayar görüsü işini hallediyor. Nutrola'nın Snap & Track özelliği, her ay milyonlarca gıda görüntüsünü işliyor ve 50'den fazla ülkede kullanıcılar bunu ana kayıt yöntemi olarak kullanıyor.

Ancak AI gıda tanıma mükemmel değil. Bazı gıdalar, en gelişmiş bilgisayar görüsü modellerini bile sürekli olarak yanıltıyor. Teknolojinin nerelerde başarılı olduğunu ve nerelerde zorlandığını anlamak için, 2025 Ocak ile 2026 Ocak arasında Nutrola'nın Snap & Track sistemi aracılığıyla işlenen 10 milyon gıda fotoğrafını analiz ettik. AI tanımlamalarını kullanıcı düzeltmeleri, manuel doğrulamalar ve beslenme uzmanı incelemeleri ile karşılaştırarak her bir gıda için doğruluk oranlarını hesapladık ve yanlış tanımlama kalıplarını belirledik.

İşte bulgularımız.

Metodoloji

Analizimiz, Nutrola kullanıcıları tarafından 53 ülkede gönderilen 10,247,831 gıda fotoğrafını içeriyordu. Her fotoğraf için şunları takip ettik:

• Başlangıç AI tanımlaması: AI'nın en yüksek güven puanıyla tanımladığı gıda(lar)
• Kullanıcı düzeltme oranı: Kullanıcının AI'nın tanımlamasını farklı bir gıda ile değiştirme sıklığı
• Beslenme uzmanı doğrulaması: 50,000 görüntüden oluşan rastgele bir örnek, kullanıcı düzeltmelerinden bağımsız olarak gerçek doğruluğu belirlemek için nitelikli beslenme uzmanları tarafından incelendi
• Top-1 doğruluk: AI'nın en yüksek güven puanına sahip tanımlamasının doğru olup olmadığı
• Top-3 doğruluk: Doğru gıdanın AI'nın üç en yüksek güven tahmininden biri arasında olup olmadığı

Genel olarak, Nutrola'nın Snap & Track özelliği tüm gıda kategorilerinde %87.3 top-1 doğruluk ve %94.1 top-3 doğruluk sağladı. Bu rakamlar, genellikle Food-101 ve ISIA Food-500 gibi standart veri setlerinde %80-90 top-1 doğruluk raporlayan en son gıda tanıma modelleri için yayımlanan referanslarla tutarlıdır.

Ancak, doğruluk gıda türüne göre dramatik şekilde değişiyor. Bazı kategoriler %95'in üzerinde top-1 doğruluk sağlarken, diğerleri %60'ın altına düşüyor.

En Çok Yanlış Tanımlanan 20 Gıda

Tam Sıralama

Sıra	Gıda	Top-1 Doğruluk	Top-3 Doğruluk	En Yaygın Yanlış Tanımlama	Yanlış Tanımlandığında Kalori Hatası
1	Kuskus	52.1%	71.4%	Quinoa, bulgur, pirinç	+/- 15-40 kcal porsiyon başına
2	Yunan yoğurdu (sade)	55.8%	78.2%	Ekşi krema, labneh, normal yoğurt	+/- 30-80 kcal porsiyon başına
3	Karnabahar pirinci	57.3%	74.6%	Beyaz pirinç, kuskus	+110-150 kcal porsiyon başına
4	Miso çorbası	58.9%	76.1%	Diğer et suyu bazlı çorbalar, dashi	+/- 20-60 kcal porsiyon başına
5	Lavaş çeşitleri	59.4%	73.8%	Naan, roti, pita, tortilla	+/- 50-150 kcal parça başına
6	Açai kasesi	61.2%	79.5%	Smoothie kasesi, karışık meyve kasesi	+/- 100-200 kcal kase başına
7	Hindi bacon	62.0%	80.1%	Domuz bacon	+40-70 kcal porsiyon başına
8	Tempeh	63.4%	77.9%	Tofu (sert), seitan	+/- 30-80 kcal porsiyon başına
9	Kabak eriştesi	64.1%	81.3%	Normal makarna, cam erişte	+150-200 kcal porsiyon başına
10	Baba ghanoush	64.8%	79.7%	Humus	+30-60 kcal porsiyon başına
11	Beyaz balık filetosu	65.2%	82.4%	Tavuk göğsü, diğer beyaz balık türleri	+/- 20-50 kcal porsiyon başına
12	Protein pankekleri	66.1%	83.0%	Normal pankekler	+80-150 kcal porsiyon başına
13	Yulaf sütü	67.3%	84.2%	Normal süt, badem sütü, soya sütü	+/- 30-80 kcal bardak başına
14	Koyu yeşil yapraklı sebzeler (pişirilmiş)	67.9%	85.1%	Ispanak, lahana, kara lahana, pazı	+/- 5-15 kcal porsiyon başına
15	Şekersiz tatlılar	68.4%	80.6%	Aynı tatlının normal versiyonları	+100-250 kcal porsiyon başına
16	Tahıl kaseleri	69.1%	83.7%	Tahıl baz türü yanlış tanımlaması	+/- 40-100 kcal porsiyon başına
17	Bitki bazlı et	69.8%	84.9%	Gerçek et karşılığı	+/- 30-80 kcal porsiyon başına
18	Mantı	70.2%	85.6%	Wonton, gyoza, pierogi, momo	+/- 20-60 kcal parça başına
19	Karışık köri yemekleri	70.5%	82.3%	Köri türleri ve bazları arasında karışıklık	+/- 50-150 kcal porsiyon başına
20	Gece yulafları	71.0%	86.2%	Normal yulaf ezmesi, chia pudingi	+/- 50-120 kcal porsiyon başına

Bu Gıdalar Neden AI'yi Yanıltıyor: Beş Kalıp

Kalori Profilleri Farklı Görsel İkizler

Yanlış tanımlamanın en yaygın kaynağı, görünüşte neredeyse aynı olan ancak besin profilleri açısından önemli farklılıklar gösteren gıdalardır. Kuskus ve quinoa, bir fotoğrafta özellikle sebzeler veya soslarla karıştırıldığında neredeyse ayırt edilemez. Ancak quinoa, kuskustan yaklaşık %20 daha fazla kalori ve porsiyon başına önemli ölçüde daha fazla protein içeriyor.

Benzer şekilde, karnabahar pirinci ve beyaz pirinç fotoğraflarda neredeyse aynı görsel özelliklere sahipken, kalori farkı devasa: karnabahar pirinci için yaklaşık 25 kcal, beyaz pirinç için ise 200+ kcal. AI, karnabahar pirincini beyaz pirinç olarak yanlış tanımladığında, kalori kaydı tek bir yan yemek için 150 veya daha fazla kalori artabilir.

Yunan yoğurdu, ekşi krema ve labneh de başka bir görsel ikizler grubunu oluşturuyor. Üçü de beyaz, kremalı ve genellikle kaselerde servis ediliyor. Tam yağlı Yunan yoğurdu yaklaşık 130 kcal içerirken, ekşi krema yaklaşık 445 kcal içeriyor. Buradaki bir yanlış tanımlama, kullanıcının günlük alım hesaplamasını dramatik şekilde çarpıtabilir.

Benzer Gıdaların Bölgesel Varyasyonları

Lavaşlar, sıralamamızda beşinci sırada yer alıyor çünkü bu kategori, kültürler arasında görsel olarak benzer ancak besin açısından farklılık gösteren onlarca gıdayı kapsıyor. Standart bir buğday unundan yapılmış tortilla (yaklaşık 120 kcal), fotoğraflarda naan (yaklaşık 260 kcal) ile benzer görünüyor, özellikle kısmen katlanmış veya sarılmışken. Roti (yaklaşık 100 kcal) ve paratha (yaklaşık 260 kcal, yağ/tereyağı katmanları nedeniyle) neredeyse ayırt edilemez görünebilir, ancak birinin kalorisi diğerinin iki katından fazla.

Mantılar (18. sırada) aynı zorluğu sunuyor. Japon gyoza, Çin jiaozi, Polonya pierogi, Nepal momo ve Gürcü khinkali benzer bir form faktörüne (hamur kaplama ile dolgu) sahipken, boyut, kaplama kalınlığı, dolgu bileşimi ve hazırlama yöntemi (buharda pişirme, kızartma, haşlama) açısından önemli farklılıklar gösteriyor.

Nutrola'nın bu konudaki avantajı, 50'den fazla ülkede geniş bir kapsama sahip olması. AI modeli, her büyük mutfak geleneğinden gıda görüntüleri ile eğitildiği için, Batı gıda fotoğrafçılığına ağırlık veren modellere göre daha geniş bir görsel kelime dağarcığına sahip. Ancak, kategori içindeki farklılıklar hala zorluğunu koruyor.

Orijinal Gıdaları Taklit Eden İkame Gıdalar

Diyet ikamelerinin artışı, tanıma zorluklarının yeni bir sınıfını oluşturdu. Hindi bacon, domuz baconunu taklit ediyor. Bitki bazlı hamburgerler, sığır hamburgerlerini taklit ediyor. Kabak eriştesi, makarnayı taklit ediyor. Protein pankekleri, normal pankekleri taklit ediyor. Şekersiz tatlılar, tam şekerli versiyonlarını taklit ediyor.

Bu ikameler, değiştirdikleri gıdalarla benzer görünmek üzere tasarlanmıştır. Bu, tüketici memnuniyeti açısından tamamen mantıklıdır, ancak görsel tanıma sistemleri için temel bir sorun yaratır. Kalori etkileri önemli olabilir: normal pankekler ortalama 175 kcal içerirken, protein pankekleri genellikle 90-110 kcal içerir. Kabak eriştesi, pişirilmiş spagetti için 220 kcal'a karşılık yaklaşık 20 kcal içerir.

Veri setimizde, ikame gıdaların ortalama top-1 doğruluğu %66.7 iken, ikame olmayanların %89.2'dir. Bu, bağlamsal sinyallerin (kullanıcı diyet tercihleri, geçmiş kayıt kalıpları) yardımcı olabileceği bir alandır ve Nutrola'nın AI'si bu sinyalleri tahminleri geliştirmek için kullanır.

Sıvı ve Yarı Sıvı Gıdalar

Çorbalar, smoothie kaseleri ve içecekler, AI'nın katı gıdalara göre tanımlaması sürekli olarak daha zor. Miso çorbası (4. sırada), görünür tofu ve deniz yosunu parçaları olan berrak bir sıvıdır ve diğer Asya et suyu ile karıştırılabilir. Açai kaseleri (6. sırada), diğer meyve smoothie kaseleri ile benzer görsel özelliklere sahipken, baz karışımı ve malzemelere bağlı olarak kalori içeriği açısından dramatik farklılıklar gösterir.

Sıvı gıdalarla ilgili zorluk, kritik besin bilgilerinin kelimenin tam anlamıyla görünmez olmasıdır. Fotoğrafta aynı görünüme sahip iki bardak sıvı, 10 kcal (sade kahve) ile 400 kcal (yüksek kalorili bir smoothie) arasında değişebilir. Nutrola, sıvı gıdalar tespit edildiğinde kullanıcılara takip soruları sorarak bu durumu ele alır: "Bu normal mi yoksa diyet versiyonu mu?" "Bu hangi marka?"

Gizli Malzemelerle Karışık Yemekler

Köri yemekleri (19. sırada) ve tahıl kaseleri (16. sırada) daha geniş bir zorluğu temsil ediyor: besin açısından önemli bileşenlerin görünümden gizlendiği çok bileşenli yemekler. Bir Thai yeşil köri, porsiyon başına 200+ kcal ekleyen hindistancevizi sütü ile veya daha hafif bir et suyu bazında yapılabilir. Bir tahıl kasesinin kalori içeriği, bazın quinoa, beyaz pirinç, kahverengi pirinç veya farro olup olmadığına bağlıdır ve bu, malzemelerin üzerini kaplayabilir.

Karışık yemekler, Nutrola kullanıcıları tarafından kaydedilen tüm öğünlerin yaklaşık %35'ini oluştururken, önemli kalori tahmin hatalarının %52'sini (gerçek kalori içeriğinin %15'ini aşan hatalar) temsil ediyor.

Nutrola'nın Doğruluğu Nasıl Artırdığı

Sürekli Model Eğitimi

Nutrola'daki her kullanıcı düzeltmesi, AI modelinin eğitim sürecine geri beslenir. Bir kullanıcı "quinoa"yı "kuskus" olarak değiştirdiğinde, o düzeltme ve orijinal görüntü eğitim veri setine eklenir. Analiz dönemimiz boyunca, bu sürekli öğrenme süreci genel top-1 doğruluğu %82.6'dan %87.3'e çıkararak 4.7 puanlık bir artış sağladı.

Çeyrek	Top-1 Doğruluk	Top-3 Doğruluk	Ortalama Kalori Hatası
2025 Q1	82.6%	90.3%	47 kcal
2025 Q2	84.1%	91.8%	41 kcal
2025 Q3	85.9%	93.2%	36 kcal
2025 Q4	86.8%	93.9%	33 kcal
2026 Q1 (kısmi)	87.3%	94.1%	31 kcal

Bağlamsal Sinyaller

Nutrola'nın AI'si, gıdaları tek başına tanımlamaz. Doğruluğu artırmak için bağlamsal sinyalleri kullanır:

• Kullanıcı diyet profili: Eğer bir kullanıcı bitki bazlı bir diyet uyguladığını belirtmişse, model bitki bazlı alternatifler için güven puanlarını artırır (tofu yerine tavuk, yulaf sütü yerine süt, bitki bazlı hamburger yerine sığır eti).
• Öğün zamanı: Kahvaltı görüntüleri, daha fazla kahvaltılık gıda içermeye eğilimlidir. Bu açık görünse de, gece yulafları ile chia pudingi gibi belirsiz öğeler için doğruluğu anlamlı şekilde artırır.
• Coğrafi konum: Tokyo'da çekilen bir fotoğrafın miso çorbası olma olasılığı, minestrone olma olasılığından daha yüksektir. Nutrola, 50'den fazla ülkede kullanıcılarına hizmet veriyor ve genel konum verilerini (kullanıcı izni ile) gıda tanımlama önceliklerini ayarlamak için kullanıyor.
• Geçmiş kayıt kalıpları: Eğer bir kullanıcı düzenli olarak karnabahar pirinci kaydediyorsa, model bu kullanıcının görsel girdi belirsiz olduğunda karnabahar pirinci yeme olasılığının daha yüksek olduğunu öğrenir.

Çoklu Görüntü Tanıma

2025 yılında, Nutrola aynı yemeğin farklı açılardan birden fazla fotoğraf çekme yeteneğini tanıttı. Karmaşık yemekler ve belirsiz gıdalar için ikinci bir açı, tanımlama belirsizliğini çözebilir. Testlerde, çok açılı tanıma, en çok yanlış tanımlanan 20 gıda için top-1 doğruluğu %8.2 puan artırdı.

Güven Eşikleri ve Kullanıcı İstekleri

AI'nın güven puanı %75'in altına düştüğünde, Nutrola kullanıcıya en iyi üç adayı sunar ve otomatik olarak en yüksek sonucu kaydetmez. Kullanıcılar doğru tanımlamayı seçebilir veya gıda adını yazabilir. Bu şeffaf yaklaşım, düşük güvenli tanımlamaların yakalanmasını ve düzeltilmesini sağlar, böylece kalori takibi doğruluğunu etkilemeden önce düzeltme yapılır.

Yanlış Tanımlamanın Kalori Etkisi

Tüm yanlış tanımlamalar eşit yaratılmamıştır. Lahanayı ıspanak ile karıştırmak (14. sırada) porsiyon başına 5-15 kcal kalori etkisi yaratırken, karnabahar pirincini beyaz pirinç ile (3. sırada) veya kabak eriştesini makarna ile (9. sırada) karıştırmak 150-200 kcal hata ekleyebilir, bu da günlük kalori bütçesini anlamlı şekilde etkileyebilir.

Yanlış tanımlamaların veri setimizdeki ağırlıklı kalori etkisini hesapladık:

Kalori Hata Aralığı	Tüm Yanlış Tanımlamaların %	Pratik Etki
25 kcal'den az	38.2%	Önemsiz
25-75 kcal	29.6%	Küçük
75-150 kcal	19.7%	Orta, zamanla fark edilir
150-250 kcal	9.1%	Önemli, günlük hedefleri etkileyebilir
250 kcal'den fazla	3.4%	Büyük, küçük bir öğünle eşdeğer

Tüm yanlış tanımlamalar arasındaki medyan kalori hatası 42 kcal'dir, bu da çoğu beslenme takibi amacı için hata payı içindedir. Ancak dağılımın kuyruk kısmı (150+ kcal hatası ekleyen yanlış tanımlamaların %12.5'i), AI gıda tanımanın en fazla gelişim alanına sahip olduğu yerdir.

Kullanıcıların AI Doğruluğunu Artırmak İçin Yapabilecekleri

1. Açık, iyi aydınlatılmış fotoğraflar çekin. AI, iyi aydınlatma ve tabak üzerinde net bir üstten görünümle en iyi performansı gösterir. Karanlık restoran fotoğrafları ve aşırı açılar, doğruluğu ortalama 6 puan azaltır.

2. Mümkünse bileşenleri ayırın. Eğer yemeğinizin belirgin bileşenleri (protein, tahıl, sebzeler) varsa, bunları görünür bir şekilde ayırarak düzenlemek, AI'nın her bir öğeyi ayrı ayrı tanımlamasına yardımcı olur, böylece tabağı tek bir karışık yemek olarak değerlendirmez.

3. Düzeltme özelliğini kullanın. Yaptığınız her düzeltme, hem sizin hem de tüm Nutrola topluluğu için AI'yı geliştirir. İlk iki hafta içinde yanlış tanımlamaları düzeltmek, modelin spesifik diyet kalıplarını öğrenmesi nedeniyle uzun vadeli doğruluk oranlarını %11 artırır.

4. İkame gıdaları belirtin. Eğer düzenli olarak ikame gıdalar (karnabahar pirinci, bitki bazlı et, şekersiz seçenekler) tüketiyorsanız, bunu Nutrola diyet tercihlerinize not edin. AI, bu alternatifleri tahminlerinde daha fazla dikkate alacaktır.

5. Çok açılı fotoğrafları deneyin. Karmaşık yemekler için, farklı bir açıdan ikinci bir fotoğraf belirsizliği çözebilir. Bu, ana malzemelerin kaplama altında gizli olabileceği kaseler, çorbalar ve karışık yemekler için özellikle faydalıdır.

Geleceğe Bakış

AI gıda tanıma doğruluğu son üç yılda dramatik şekilde gelişti ve bu eğilimde bir yavaşlama belirtisi yok. Nutrola'nın Snap & Track modeli, ayda çoğu yayımlanan akademik veri setinin toplamından daha fazla gıda fotoğrafı işliyor ve her etkileşim sistemi daha akıllı hale getiriyor.

2026'nın sonuna kadar hedefimiz, tüm gıda kategorilerinde %90 top-1 doğruluk ve mevcut en çok yanlış tanımlanan 20 gıda için %75 doğruluk sağlamaktır. Sürekli model iyileştirmeleri, 50'den fazla ülkedeki büyüyen kullanıcı tabanımızdan genişletilmiş eğitim verileri ve çok açılı tanıma ile bağlamsal sinyaller gibi özelliklerle bu hedeflerin ulaşılabilir olduğuna inanıyoruz.

Amaç, insan yargısını tamamen ortadan kaldırmak değil. Gıda kaydını o kadar hızlı ve doğru hale getirmek ki, beslenme takibinin zorluğu etkili bir şekilde ortadan kalksın. Henüz orada değiliz, ancak 10 milyon fotoğraf sonrasında, bir yıl öncesine göre ölçülebilir şekilde daha yakınız.