Nutrola'nın AI'sı Tek Bir Fotoğraftan Yiyeceklerinizi Nasıl Tanıyor: Arkadaş Arkasında

Nutrola'yı açıyorsunuz, kameranızı ızgara somon, fırınlanmış sebzeler ve kinoa ile dolu bir tabağa doğrultuyorsunuz ve deklanşöre basıyorsunuz. Üç saniyeden kısa bir süre sonra uygulama, bu yemeğin yaklaşık 640 kalori, 38 gram protein, 42 gram karbonhidrat ve 28 gram yağ içerdiğini söylüyor. Hatta somonu, sebzeleri ve kinoayı ayrı ayrı bile gösteriyor.

Bu durum sihir gibi geliyor. Ancak bu sorunsuz deneyimin arkasında, her biri belirli bir parçayı yöneten dikkatlice düzenlenmiş bir yapay zeka süreci var. Bu makale, ışığın telefonunuzun kamera sensörüne vurduğu andan kalori sayılarının ekranda belirdiği ana kadar olan her adımı ele alıyor. Makine öğrenimi diplomasına ihtiyacınız yok.

Genel Bakış: Altı Aşamalı Süreç

Her aşamaya dalmadan önce, işte genel yolculuğunuz:

1. Görüntü İşleme -- Fotoğrafınız temizlenir ve standart hale getirilir, böylece AI ile çalışabilir.
2. Yiyecek Tespiti ve Segmentasyonu -- AI, tabağınızdaki her yiyecek parçasının nerede olduğunu bulur.
3. Yiyecek Sınıflandırması -- Her tespit edilen alan belirli bir yiyecek olarak tanımlanır.
4. Porsiyon Boyutu Tahmini -- AI, her yiyecekten ne kadar bulunduğunu tahmin eder.
5. Besin Veritabanı Eşleştirme -- Tanımlanan yiyecekler ve porsiyonlar doğrulanmış besin verileri ile eşleştirilir.
6. Güven Skoru ve Kullanıcı Onayı -- AI, ne kadar emin olduğunu söyler ve düzeltmeler yapmanıza izin verir.

Her adım bir sonrakine besleme yapar. Bunu bir fabrikadaki montaj hattı gibi düşünün: ham madde bir uçtan girer ve bitmiş ürün diğer uçtan çıkar. Eğer herhangi bir istasyon işini kötü yaparsa, nihai ürün zarar görür. Bu nedenle her aşama büyük bir özenle mühendislik, test ve iyileştirme sürecinden geçmiştir.

Şimdi her birini tek tek inceleyelim.

Adım 1: Görüntü İşleme

Deklanşöre bastıktan sonra gerçekleşen ilk şey, yiyecekleri tanımakla ilgili değildir. Görüntünün kendisini hazırlamakla ilgilidir.

Neden Ham Fotoğraflar AI için Hazır Değildir

Telefon kameranız genellikle 12 megapiksel veya daha yüksek çözünürlükte görüntüler yakalar. Bu, AI modelinin ihtiyaç duyduğundan çok daha fazla veridir ve tüm bunları işlemek yavaş ve israf olur. Ayrıca, görüntü kötü aydınlatmada, garip bir açıdan veya dikkat dağıtıcı arka plan karmaşası ile çekilmiş olabilir.

Bunu yemek pişirmeden önce malzemeleri hazırlamak gibi düşünün. Bir şef, yıkanmamış bir havucu doğrudan tencereye atmaz. Önce onu yıkar, soyar ve doğru boyutta doğrar. Görüntü işleme, AI'nın mise en place versiyonudur.

Görüntü İşleme Sırasında Neler Olur

Boyutlandırma ve Normalizasyon: Görüntü, genellikle her bir kenarı birkaç yüz piksel olacak şekilde standart bir boyuta küçültülür. Piksel değerleri, parlaklık ve kontrastın tutarlı bir aralıkta kalmasını sağlamak için normalleştirilir. Bu, modelin fotoğrafı parlak güneş ışığında veya loş bir restoran aydınlatmasında çekilmiş olsa bile aynı şekilde davranmasını sağlar.

Renk Düzeltme: Farklı ışık kaynaklarının neden olduğu renk tonlarını düzeltmek için ince ayarlar yapılır. Mum ışığında bir akşam yemeğinin sıcak turuncu parıltısı veya floresan ofis aydınlatmasının mavi tonu, AI'nın neye baktığını yanıltabilir. Renk düzeltme, bu bozulmaları azaltır.

Yönlendirme ve Kırpma: Sistem, telefonun dik mi yoksa yatay mı tutulduğunu tespit eder ve görüntüyü buna göre döndürür. Eğer AI, yiyeceklerin çerçevenin sadece küçük bir kısmını kapladığını tespit ederse, arka plandan gelen gürültüyü azaltmak için ilgili alanı kırpabilir.

Gürültü Azaltma: Düşük ışıkta çekilen fotoğraflar genellikle, görüntüyü grenli gösteren küçük lekeler içerebilir. Hafif bir gürültü azaltma işlemi, yiyeceklerin önemli detaylarını bulanıklaştırmadan bu artefaktları düzeltir.

Tüm bunlar bir saniyenin kesirinde gerçekleşir. Görüntü bir sonraki aşamaya ulaştığında, AI modelinin güvenilir bir şekilde yorumlayabileceği temiz, standart bir girdi haline gelir.

Adım 2: Yiyecek Tespiti ve Segmentasyonu

Artık AI'nın ilk gerçek zorluğu ile karşı karşıyayız: görüntüde yiyeceklerin nerede olduğunu bulmak ve her bir ayrı öğenin etrafında sınırlar çizmek.

Tespit: Çerçevede Yiyecek Bulma

Tespit modeli, tüm görüntüyü tarar ve yiyecek içeren bölgeleri tanımlar. Bu, göründüğü kadar basit değildir. Model, makarnanın tabağını altındaki masa örtüsünden, yanındaki su bardağından ve köşedeki peçeteden ayırt etmelidir. Ayrıca, kısmen örtülü, üst üste binen veya çerçevenin kenarında kesilmiş tabaklarla da başa çıkması gerekir.

Modern tespit sistemleri, nesne tespiti adı verilen bir teknik kullanır; burada model, tanıdığı her nesnenin konumunu ve kaba kategorisini aynı anda tahmin eder. Çok deneyimli bir garsonun bir masaya bakıp kalabalık bir restoranda bile her yemeği anında tanıyabilmesi gibi. AI, milyonlarca yiyecek fotoğrafını inceleyerek benzer bir içgörü geliştirmeyi öğrendi.

Segmentasyon: Kesin Sınırlar Çizme

Tespit, AI'ya belirli bir alanda yiyecek olduğunu söyler. Segmentasyon, her yiyecek öğesinin tam şeklini, piksel piksel, çizmeye gider.

Bu ayrım önemlidir. Izgara tavuk bir tabakta pirinç yatağının üzerinde oturuyorsa, tavuk etrafındaki pirinci de kapsayan basit bir sınırlayıcı kutu ile tanımlanır. Segmentasyon, sadece tavuğun, sadece pirincin ve sadece brokolinin etrafında kesin bir sınır çizer, hatta üst üste geldiklerinde bile.

Bu piksel düzeyindeki hassasiyet, sonraki adımlar için kritik öneme sahiptir çünkü AI'nın her yiyeceğin ne kadar görsel alan kapladığını bilmesi gerekir. Eğer tavuk sınırı yanlışlıkla bir parça pirinci kapsıyorsa, her iki öğenin porsiyon tahmini de hatalı olacaktır.

Karmaşık Tabaklarla Baş Etme

Gerçek dünya yemekleri dağınıktır. Yiyecekler üst üste gelir, soslar birden fazla öğe üzerinde yayılır ve karışık yemekler, örneğin kızartmalar veya salatalar, bir araya getirilmiş onlarca küçük bileşen içerir. Segmentasyon modeli, her piksele ait olma olasılığını her yiyecek kategorisine atayarak bu durumlarla başa çıkar. Bir kızartmada, hem tavuk hem de tofu gibi görünebilen bir piksel, her iki öğe için de olasılıklar alır ve sistem, çevresindeki piksellerden gelen bağlamı kullanarak belirsizliği çözer.

Adım 3: Yiyecek Sınıflandırması

Her yiyecek parçası izole edildikten sonra, AI'nın şimdi temel bir soruyu yanıtlaması gerekiyor: bu yiyecek nedir?

AI'nın Belirli Yiyecekleri Nasıl Tanıdığı

Sınıflandırma modeli, etiketlenmiş yiyecek görüntülerinin devasa bir veri kümesi üzerinde eğitilmiş derin bir sinir ağıdır. Eğitim sırasında, binlerce farklı yiyeceğin milyonlarca örneğini gördü. Zamanla, belirli görsel desenleri belirli yiyecek etiketleri ile ilişkilendirmeyi öğrendi.

Bu, çocukken yiyecekleri tanımayı öğrenme şeklinizle benzerlik gösterir. Bir elmanın her olası görünümünü ezberlemediniz. Bunun yerine, tekrar eden maruz kalma ile beyniniz "elma" modelini oluşturdu; bu, bir elmayı kırmızı veya yeşil, bütün veya dilimlenmiş, tezgahın üzerinde veya ağaçtan sarkarken tanımanızı sağlayan renk, şekil, boyut ve doku kombinasyonudur.

AI, benzer bir iç model oluşturur; ancak bunu biyolojik nöronlar yerine matematiksel fonksiyonlar aracılığıyla yapar. Izgara somonun genellikle belirli bir pembe-turuncu tonuna, daha koyu ızgara izlerine, pul pul bir dokuya ve belirli bir tipik şekle sahip olduğunu öğrenir. Kinoa'nın pirinç veya kuskustan farklı, belirgin küçük, yuvarlak tanecik desenine sahip olduğunu öğrenir.

Benzer Görüntüye Sahip Yiyeceklerin Zorluğu

Bazı yiyecekler birbirine çok benzer. Beyaz pirinç ve karnabahar pirinci. Normal makarna ve glütensiz makarna. Yunan yoğurdu ve ekşi krema. Hindi köftesi ve sığır köftesi.

Sınıflandırma modeli, bu durumları, çoğu insanın da kullanacağı ince görsel ipuçlarını dikkate alarak yönetir. Pişirilmiş beyaz pirincin hafif saydamlığı ile karnabahar pirincinin daha opak, düzensiz dokusu arasındaki küçük fark. Yunan yoğurdu ile ekşi krema arasındaki yüzey parlaklığındaki neredeyse algılanamaz fark.

Görsel ipuçları yeterli olmadığında, model bağlamı da dikkate alır. Eğer segmentasyon adımı, pirincin yanında soya sosu ve çubuklar olduğunu tespit ettiyse, model, tahılın beyaz pirinç olduğunu düşünme güvenini artırabilir.

Karışık Yemekler için Çoklu Etiket Sınıflandırması

Bazı yiyecekler tek bir kategoriye tam olarak uymuyor. Bir burrito, tortilla, pirinç, fasulye, et, peynir, salsa ve muhtemelen daha fazlasını içerir. AI, tüm burritoyu bir öğe olarak sınıflandırmak yerine, onu bileşen bir yemek olarak tanımlayabilir ve ya tüm burritonun besin değerini tahmin edebilir ya da görünür olanlara ve o yemekte genellikle bulunan bileşenlere dayanarak muhtemel bileşenlerini ayırabilir.

Adım 4: Porsiyon Boyutu Tahmini

Tabağınızda ızgara somon olduğunu bilmek faydalıdır, ancak kalori hesaplamak için yeterli değildir. AI'nın ayrıca ne kadar somon bulunduğunu tahmin etmesi gerekir. Bu 100 gramlık bir filet mi yoksa 200 gramlık bir filet mi? Kalori farkı önemli.

AI'nın Tartmadan Hacmi Nasıl Tahmin Ettiği

Porsiyon tahmini, yiyecek AI'sının en zor problemlerinden biri olarak kabul edilir. Sistem yiyeceklerinizi fiziksel olarak tartamaz, bu nedenle görsel ipuçlarına ve referans noktalarına dayanır.

Göreceli Boyut Analizi: AI, çerçevede bilinen nesneleri referans noktası olarak kullanır. Standart bir akşam yemeği tabağı yaklaşık 26 santimetre çapındadır. Bir çatal yaklaşık 19 santimetre uzunluğundadır. Model bu nesneleri tanımlayabiliyorsa, yiyeceklerin fiziksel boyutunu bunlara göre tahmin edebilir. Bunu, masada zaten bulunan bir cetvel kullanmak gibi düşünün.

Derinlik Tahmini: Modern AI modelleri, tek bir iki boyutlu görüntüden bir sahnenin üç boyutlu yapısını tahmin edebilir. Bu, sistemin sadece bir yiyeceğin ne kadar geniş olduğunu değil, aynı zamanda ne kadar kalın veya yüksek olduğunu da tahmin etmesine olanak tanır. İnce bir ızgara tavuk göğsü, üstten bakıldığında aynı boyutta görünse de kalori içeriği kalın bir parçadan çok farklıdır.

İstatistiksel Öncelikler: AI, eğitim verilerinden, tipik bir restoran porsiyonunun somonun 140 ile 200 gram arasında, tipik bir ev yapımı porsiyonun ise 100 ile 170 gram arasında olduğunu bilir. Bu istatistiksel temel, modelin görsel ipuçları belirsiz olduğunda makul tahminler yapmasına yardımcı olur.

Öğrenilmiş Yoğunluk Modelleri: Farklı yiyeceklerin farklı yoğunlukları vardır. Bir fincan yeşil yapraklı sebze, aynı hacmi kaplayan bir fincan patates püresinden çok daha az ağırlığa sahiptir. AI, bu yoğunluk ilişkilerini öğrenmiştir ve bunları ağırlık tahminlerine dahil eder.

Bu Adımın En Zoru Neden

Porsiyon tahmini, en büyük hataların meydana geldiği yerlerden biridir ve bu durum insanlar için de geçerlidir. Araştırmalar, insanların görsel olarak porsiyon boyutlarını tahmin etmede son derece kötü olduğunu sürekli olarak göstermiştir. Beslenme bilimi dergilerinde yayımlanan çalışmalar, hem eğitimli diyetisyenlerin hem de günlük tüketicilerin genellikle porsiyonları %20 ila %50 oranında yanlış tahmin ettiğini bulmuştur.

AI, bu zorluğu ortadan kaldırmaz, ancak içgüdüsel bir his yerine tutarlı, eğitimli bir metodoloji uygular. Çok sayıda yemek arasında, bu tutarlılık, manuel insan tahminine göre önemli ölçüde daha iyi bir doğruluk sağlar.

Adım 5: Besin Veritabanı Eşleştirme

Bu noktada, AI tabağınızdaki yiyeceklerin ne olduğunu ve her birinin yaklaşık ne kadar bulunduğunu biliyor. Son veri adımı, bu bilgiyi gerçek besin sayıları haline dönüştürmektir.

Doğrulanmış Yiyecek Veritabanlarına Bağlanma

Nutrola, hükümet gıda bileşim veritabanları, doğrulanmış üretici verileri ve laboratuvar analizleri gibi güvenilir kaynaklardan oluşturulmuş kapsamlı bir besin veritabanına sahiptir. AI, bir yiyeceği "ızgara somon, yaklaşık 170 gram" olarak tanımladığında, sistem ızgara Atlantik somonunun besin profilini arar ve değerleri tahmin edilen porsiyon boyutuna ölçeklendirir.

Bu arama, basit bir tablo aramasından daha karmaşıktır. Sistem, hazırlama yöntemini dikkate alır çünkü fırında pişirilmiş bir somon filetosu ile tereyağında kızartılmış bir somon filetosunun kalori sayıları aynı ağırlıkta bile farklıdır. Yaygın bölgesel varyasyonları da dikkate alır: Japon restoranında servis edilen somon, Akdeniz restoranındaki somondan farklı hazırlanabilir. Belirli hazırlama detayları belirsiz olduğunda, sistem, tanımlanan yemek için en istatistiksel olarak yaygın hazırlama yöntemini kullanır.

Bileşen ve Özel Yemeklerle Baş Etme

Tek bileşenli bir yiyecek, örneğin bir muz için veritabanı araması basittir. Ancak birden fazla öğe içeren bir tabak için sistem, her tanımlanan bileşenin besin verilerini toplar. Somon, kinoa ve fırınlanmış sebzelerle dolu tabağınız, somonun makrolarının, kinoanın makrolarının ve sebze karışımının makrolarının toplamı haline gelir; görünür soslar, yağlar veya soslar için ayarlamalar yapılır.

"Chicken Caesar salatası" veya "beef tacos" gibi iyi bilinen yemekler için veritabanı, tipik bileşen oranlarını ve hazırlama yöntemlerini hesaba katan önceden hazırlanmış girişler de içerir. AI, bileşen düzeyindeki analizini bu bütün yemek girişleri ile çapraz referans yaparak en doğru tahmini üretir.

Adım 6: Güven Skoru ve Kullanıcı Onayı

Hiçbir AI sistemi %100 doğru değildir ve Nutrola, kesinlik seviyesini şeffaf bir şekilde belirtmek üzere tasarlanmıştır.

Güven Skorunun Nasıl Çalıştığı

AI'nın yaptığı her tahmin, modelin sınıflandırma ve porsiyon tahmini konusundaki ne kadar emin olduğunu temsil eden bir iç güven skoru ile birlikte gelir. Eğer model, ızgara somon gördüğünden %95 emin ise, sonucu tereddüt etmeden sunar. Eğer yalnızca %70 emin ise, en iyi tahminini sunarken alternatif olasılıkları da sunabilir.

Güven skorunu, "Bunun X olduğundan oldukça eminim, ama Y de olabilir. Onaylayayım." diyen bir doktor gibi düşünün. Bu, iyi tasarlanmış bir sistemin bir işareti, bir hata değil.

Kullanıcı Onay Döngüsü

AI analizini sunduğunda, gözden geçirme ve ayarlama fırsatınız olur. Eğer AI kinoanızı kuskus olarak tanımladıysa, bir dokunuşla düzeltme yapabilirsiniz. Eğer porsiyon tahmini çok yüksek veya çok düşük görünüyorsa, porsiyon boyutunu ayarlayabilirsiniz. Bu düzeltmeler iki amaca hizmet eder: o spesifik yemek için doğru veriler sağlar ve gelecekteki tahminleri iyileştirmek için sisteme geri besleme yapar.

Bu insan döngüsü tasarımı kasıtlıdır. AI ağır yükü taşır, ancak nihai sonucun kontrolü sizdedir. Bu, bir ortaklık, bir kara kutu değil.

AI'nın Zorlukları: Dürüst Sınırlamalar

Hiçbir teknoloji mükemmel değildir ve sınırlamalar hakkında entelektüel dürüstlük, kusursuzluk iddialarından daha faydalıdır. İşte yiyecek AI'sının, Nutrola dahil, gerçek zorluklarla karşılaştığı senaryolar.

Gizli Bileşenler

AI, yalnızca görebildiği şeyleri analiz edebilir. Yapraklara sızmış bir salata sosu, patates püresine erimiş tereyağı veya bir sos içinde çözünmüş şeker, kameraya görünmez. Bu gizli kaloriler önemli ölçüde birikebilir. Bir yemek kaşığı zeytinyağı yaklaşık 120 kalori ekler ve AI, eğer yiyeceğe tamamen emilmişse bunu tespit edemeyebilir.

Nutrola, tipik hazırlama yöntemlerinin istatistiksel modellerini kullanarak bunu hafifletir. Eğer bir restoran makarnası tabağının fotoğrafını çekerseniz, sistem, görünmese bile hazırlamada makul bir miktarda yağ veya tereyağı kullanıldığını varsayar. Ancak bu, eğitimli bir tahmin değil, bir tahmindir.

Görsel Olarak Aynı Görüntüye Sahip Yiyecekler

Bazı yiyecekler, bir fotoğrafta neredeyse ayırt edilemez. Tam yağlı yoğurt ve yağsız yoğurt aynı görünür. Normal soda ve diyet soda bir bardakta kameraya aynı şekilde görünür. Beyaz şeker ve yapay tatlandırıcı bir pakette belirsiz olabilir. Bu durumlarda, AI en yaygın varyanta varsayıyor ancak yanlış tahmin yapabilir.

Sıradışı veya Bölgesel Yemekler

AI, eğitim verilerinde iyi temsil edilen yiyeceklerde en iyi performansı gösterir. Ana dünya mutfaklarından yaygın yemekler güvenilir bir şekilde tanınır. Ancak, küçük bir kasabadan gelen aşırı bölgesel bir özel yemek, alışılmadık bir malzeme içeren bir aile tarifi veya yeni bir füzyon yemeği modelin kelime dağarcığında olmayabilir. Bu durumlarda, AI en yakın bilinen eşleşmeye geri döner, bu da kesin olmayabilir.

Aşırı Aydınlatma veya Açı

Görüntü işleme adımı birçok aydınlatma ve açı sorununu düzeltse de, aşırı durumlar hala sorun yaratabilir. Neredeyse karanlıkta, yoğun tonlu bir aydınlatmada veya çok dik bir yan açıdan çekilen bir yemek, modeli yanıltabilir. Makul aydınlatmada üstten çekilen fotoğraflar, en iyi sonuçları sürekli olarak üretir.

Üst Üste veya Katmanlı Yiyecekler

Gizli katmanlara sahip yiyecekler, belirli bir zorluk sunar. Üstten çekilen bir sandviç, yalnızca üst dilim ekmeği gösterir. Bir lazanya yalnızca üst katmanı gösterir. Bir burrito yalnızca tortillayı gösterir. AI, yemeğin tipik olarak neler içerdiğine dayanarak iç bileşenleri tahmin eder, ancak katı yiyeceklerin içini göremez.

Nutrola Zamanla Nasıl Daha Akıllı Hale Geliyor

Modern AI'nın en güçlü yönlerinden biri, sürekli olarak gelişme yeteneğidir. Nutrola'nın yiyecek tanıma sistemi, lansmandan sonra statik kalmaz. Her geçen ay ölçülebilir şekilde daha iyi hale gelir.

Düzeltmelerden Öğrenme

Her kullanıcı, bir yiyecek tanımlamasını düzeltip porsiyon tahminini ayarladığında, bu düzeltme bir veri noktası haline gelir. Binlerce kullanıcı benzer düzeltmeler yaptığında, desen belirgin hale gelir ve model güncellenebilir. Eğer AI, belirli bir bölgesel ekmeği sürekli olarak yanlış tanımlıyorsa, kullanıcı düzeltmeleri sorunu işaret eder ve eğitim ekibi doğru ekmeğin daha fazla örneğini eğitim veri setine ekleyebilir.

Bu geri bildirim döngüsü, uygulamanın doğruluğunun doğrudan kullandığı topluluk tarafından iyileştirilmesini sağlar. İlk kullanıcılar, sonraki kullanıcılar için sistemi eğitmeye yardımcı olur ve döngü devam eder.

Yiyecek Veritabanını Genişletme

Nutrola'nın ekibi, veritabanına sürekli olarak yeni yiyecekler ekler: yeni mutfaklardan gelen yeni yemekler, mevsimlik ürünler, trend olan restoran menü öğeleri ve yeni piyasaya sürülen paketlenmiş ürünler. Her ekleme, AI'nın doğru bir şekilde tanıyabileceği yemeklerin yelpazesini genişletir.

Model Yeniden Eğitimi ve Mimari İyileştirmeleri

AI modeli, güncellenmiş ve genişletilmiş veri setleri üzerinde periyodik olarak yeniden eğitilir. Bilgisayarla görme ve derin öğrenme alanındaki yeni araştırmalar, daha iyi model mimarileri ve eğitim teknikleri üretirken, Nutrola bu gelişmeleri entegre eder. Bugün eğitilen bir model, aynı yiyecek görüntüleri seti üzerinde iki yıl önce eğitilen bir modelden anlamlı şekilde daha doğru sonuçlar verir.

Bölgesel Uyum

Nutrola'nın kullanıcı tabanı farklı bölgelerde büyüdükçe, sistem, bölgesel mutfaklar ve yeme alışkanlıkları hakkında daha fazla veri toplar. Bu, modelin, daha önce eğitim verilerinde iyi temsil edilmeyen yerel yiyecekler için giderek daha doğru hale gelmesini sağlar. Seul'deki bir kullanıcı, diğer Seul merkezli kullanıcıların zaten kaydettiği binlerce Kore yemeği fotoğrafından faydalanır.

Karşılaştırma: AI Fotoğraf Takibi, Barkod Tarama ve Manuel Arama

Farklı yiyecek kaydetme yöntemlerinin farklı güçlü ve zayıf yönleri vardır. İşte günlük takiple en önemli boyutlarda nasıl karşılaştırıldıkları:

Faktör	AI Fotoğraf Takibi	Barkod Tarama	Manuel Arama
Hız	3 ila 5 saniye	5 ila 10 saniye	30 ila 90 saniye
Ev yapımı yemekler için çalışır	Evet	Hayır	Evet, ama zahmetli
Restoran yemekleri için çalışır	Evet	Hayır	Kısmen
Paketlenmiş yiyecekler için çalışır	Evet	Evet, yüksek doğrulukla	Evet
Birden fazla öğeyi aynı anda işler	Evet	Hayır, tek seferde bir öğe	Hayır, tek seferde bir öğe
Basit yiyeceklerde doğruluk	Yüksek	Çok yüksek	Kullanıcıya bağlı
Karmaşık yemeklerde doğruluk	Orta ila yüksek	Uygulanamaz	Düşük ila orta
Etiket okumayı gerektirir	Hayır	Evet, onay için	Evet
Sürtünme seviyesi	Çok düşük	Düşük	Yüksek
Kullanıcının düşük raporlama riski	Düşük	Düşük	Yüksek
Paketlenmemiş yiyecekler için mevcut	Evet	Hayır	Evet

Ana çıkarım, hiçbir yöntemin her senaryoda en iyi olmadığıdır. AI fotoğraf takibi, barkodların mevcut olmadığı ev yapımı ve restoran yemekleri için mükemmel bir şekilde çalışır. Barkod tarama, kesin üretici verilerine sahip paketlenmiş yiyecekler için rakipsizdir. Manuel arama, diğer yöntemler mevcut olmadığında güvenilir bir yedek olarak hizmet eder. Nutrola, her birinin diğerlerinin bıraktığı boşlukları kapladığı için bu üç yöntemi de destekler.

Sıkça Sorulan Sorular

AI yiyecek tanıma, manuel kayda göre ne kadar doğru?

AI destekli yiyecek kaydını manuel kayıt ile karşılaştıran kontrollü çalışmalar, AI destekli yöntemlerin kalori tahmin hatalarını ortalama %25 ila %40 oranında azalttığını bulmuştur. İyileşme, manuel tahminin özellikle zor olduğu karmaşık, çok bileşenli yemeklerde en belirgindir. Basit, tek bileşenli yiyeceklerde doğruluk farkı daha küçüktür çünkü her iki yöntem de makul şekilde iyi performans gösterir.

AI tüm mutfaklar için çalışır mı?

Nutrola'nın AI'sı, dünya genelinde binlerce yemeği kapsayan çeşitli, küresel bir veri seti üzerinde eğitilmiştir. Bununla birlikte, tanıma doğruluğu genellikle eğitim verilerinde daha yaygın olan yemekler için daha yüksektir. Eğer AI'nın daha az güvenle ele aldığı bir mutfaktan düzenli olarak yemek yiyorsanız, düzeltmeleriniz zamanla o mutfak için doğruluğu artırmaya yardımcı olur.

AI yanlış tahmin yaparsa ne olur?

AI'nın önerisini her zaman düzenleyebilirsiniz. Tanımlanan herhangi bir yiyecek öğesine dokunarak onu değiştirebilir, porsiyon boyutunu ayarlayabilir veya AI'nın atladığı öğeleri ekleyebilirsiniz. Bu düzeltmeler, günlük kaydınıza hemen uygulanır ve ayrıca gelecekteki tahminleri iyileştirmek için sisteme katkıda bulunur.

Fotoğrafım telefonumdan çıkar mı?

Görüntü, AI modellerinin tamamen mobil bir cihazda çalıştırmak için çok büyük ve hesaplama açısından yoğun olması nedeniyle Nutrola'nın sunucularına işlenmek üzere gönderilir. Görüntü işlenir, sonuçlar geri döner ve Nutrola'nın gizlilik politikası, görüntü verilerinin nasıl işlendiğini düzenler. Hiçbir görüntü üçüncü şahıslarla paylaşılmaz.

AI neden bazen birden fazla olası eşleşme gösterir?

Modelin güveni belirli bir eşik seviyesinin altında olduğunda, tek bir yanıt vermek yerine en iyi adaylarını sunar. Bu tasarımdan kaynaklanır. Üç seçenek göstermek ve doğru olanı seçmenize izin vermek, yanlış bir yanıta sessizce bağlı kalmaktan daha iyidir. Bu şeffaf yaklaşım, sizi kontrol altında tutar ve kaydınızın doğru olmasını sağlar.

AI, pişirme yağlarını, sosları veya sosları tespit edebilir mi?

Görünür soslar ve soslar, örneğin bir salatanın üstüne serpilmiş bir ranch sosu veya bir tabağın üzerinde biriken soya sosu genellikle tespit edilebilir. Ancak, pişirme sırasında yiyeceğe emilmiş yağlar ve yağlar kameraya görünmez. Nutrola, tipik hazırlama yöntemlerini dikkate alarak bunu telafi eder. Örneğin, bir tabak kızartılmış sebze fotoğrafı çektiğinizde, sistem, makul bir miktarda pişirme yağı kullanıldığını varsayar.

AI asla %100 doğru olacak mı?

Gerçekçi olarak, hayır. Laboratuvar ekipmanları kullanan profesyonel diyetisyenler bile hata paylarını kabul eder. Amaç teorik mükemmeliyet değil, pratik doğruluktur: kalori açığı veya fazlasını korumak ve gün geçtikçe bilinçli beslenme kararları almak için gerçekten faydalı olacak kadar yakın. Çoğu kullanıcı için, AI fotoğraf takibi sağlık hedeflerine ulaşmak için anlamlı ilerlemeyi desteklemek için yeterince doğruluk sağlar.

Daha Büyük Resim

Yiyecek tanıma AI'sının arkasındaki teknoloji hızla ilerliyor. Beş yıl önceki en son teknoloji, birkaç kez geride kaldı. Modeller daha küçük, daha hızlı ve daha doğru hale geliyor. Eğitim veri setleri daha büyük ve daha çeşitli hale geliyor. Ve milyonlarca günlük kullanıcının oluşturduğu geri bildirim döngüleri, araştırma laboratuvarlarında mümkün olandan daha hızlı iyileşmeyi sağlıyor.

Kullanıcı olarak sizin için pratik sonuç basit: bir fotoğraf çekiyorsunuz, besin verilerinizi alıyorsunuz ve gününüze devam ediyorsunuz. O deneyimin arkasında çalışan süreç, görüntü işleme, tespit, sınıflandırma, porsiyon tahmini, veritabanı eşleştirme ve güven skorlama, hepsi birkaç saniye içinde görünmez bir şekilde gerçekleşiyor.

Nasıl çalıştığını anlamak, onu kullanmak için bir gereklilik değildir. Ancak, arka planda neler olduğunu bilmek, teknolojiye yerinde bir güven inşa edebilir ve onu daha etkili kullanmanıza yardımcı olabilir. İyi aydınlatmada üstten çekilen fotoğrafların en iyi sonuçları ürettiğini bildiğinizde, doğal olarak daha iyi yiyecek fotoğrafları çekmeye başlarsınız. Gizli bileşenlerin bir kör nokta olduğunu bildiğinizde, o ekstra yemek kaşığı zeytinyağını manuel olarak eklemeyi hatırlarsınız. Ve düzeltmelerinizin sistemi daha akıllı hale getirdiğini bildiğinizde, yanlış bir tahmini düzeltmek için gereken iki saniyeyi harcamak için motive olursunuz.

Gerçekten de teknolojiyi anlamanın gücü, sizi pasif bir kullanıcıdan kendi besin takibinizde bilinçli bir ortak haline getirir.