Nutrola'nın Ürün Sayım Modeli: Piksel Segmentasyonundan Kalori Hesabına

Yapay zeka ile kalori takibinde ürün sayımı, (1) gıda sınıflandırması, (2) ayrı gıda birimlerini tanımlamak için örnek segmentasyonu, (3) segment edilen örneklerin tam sayı ile sayılması ve (4) her bir gıda maddesi için besin veritabanında değerlerin sorgulanması gibi teknik aşamaları bir araya getiren bir süreçtir.
Mayıs 2026 itibarıyla, çoğu kalori takip uygulaması etkili ürün sayımı için gerekli olan bir veya daha fazla bileşenden yoksundur.

Yapay zeka ile kalori takibinde ürün sayımı nedir?

Yapay zeka ile kalori takibinde ürün sayımı, görüntülerdeki gıda maddelerini doğru bir şekilde tanımlayıp miktarını belirleme sürecidir. Bu süreç, gıda sınıflandırması, örnek segmentasyonu ve besin sorgulaması gibi birkaç aşamadan oluşur. Her bir aşama, doğru kalori takibi sağlamak için kritik bir rol oynar.

Gıda sınıflandırması, gıda maddelerini kategorize etmek için evrişimli sinir ağları (CNN'ler) kullanır. Bu ilk adım, bir görüntüde hangi gıda türlerinin bulunduğunu anlamak için gereklidir. Sınıflandırmanın ardından, örnek segmentasyonu görüntüdeki bireysel gıda birimlerini tanımlar. Bu genellikle Mask R-CNN ailesi veya benzeri mimarilerden modeller kullanılarak gerçekleştirilir.

Gıda maddeleri segment edildikten sonra, her bir gıda türünün sayılması gerekir. Bu sayım süreci, gıda maddelerinin üst üste bindiği veya birbirini gizlediği durumları dikkate almalıdır. Son olarak, her tanımlanan gıda maddesi, kalori değerlerini almak için bir besin veritabanıyla eşleştirilir ve bu sayede doğru kalori toplamı hesaplanır.

Ürün sayımının kalori takibi doğruluğu için önemi nedir?

Doğru ürün sayımı, etkili kalori takibi için hayati öneme sahiptir. Araştırmalar, bireylerin kendi bildirimlerine dayalı diyet alımlarındaki tutarsızlıkların enerji dengesi değerlendirmelerinde önemli hatalara yol açabileceğini göstermiştir. Örneğin, Schoeller (1995), bireylerin kendi bildirimleriyle diyet enerjisi alımının değerlendirilmesindeki sınırlamaları tartışmakta ve daha güvenilir yöntemlere olan ihtiyacı vurgulamaktadır.

Hill ve Davies (2001), kendi bildirimlerine dayalı enerji alımının, çift etiketli su tekniği ile doğrulandığında genellikle gerçek alımın altında kaldığını göstermiştir. Bu durum, kalori takibi uygulamalarında doğru ürün sayımı ve besin sorgulamasının önemini ortaya koymaktadır. Doğru ürün sayımı, diyet değerlendirmelerindeki hata payını azaltarak daha iyi sağlık sonuçlarına yol açabilir.

Ürün sayımı nasıl çalışır?

1. Gıda Sınıflandırması: İlk aşama, bir görüntüde bulunan gıda maddelerini sınıflandırmak için CNN tabanlı bir model kullanmaktır. Bu model, eğitim verilerine dayanarak çeşitli gıda kategorilerini tanır.

2. Örnek Segmentasyonu: Bu aşamada, Mask R-CNN ailesinden bir örnek segmentasyon modeli kullanılır. Bu model, görüntüdeki her bir gıda maddesini tanımlar ve sınırlarını belirleyen maskeler oluşturur.

3. Tam Sayı Sayım Entegrasyonu: Segment edilen örnekler sayılır. Bu süreç, üst üste binen maddelerin çift sayılmadığından emin olmak için etkili bir şekilde occlusion'ları yönetmelidir.

4. Her Bir Gıda Maddesi İçin Besin Sorgulaması: Her tanımlanan gıda maddesi, kayıtlı bir diyetisyen tarafından doğrulanmış bir veritabanıyla eşleştirilir. Bu sorgulama, her gıda maddesi için kalori değerlerini alır.

5. Kalori Toplaması: Son olarak, her gıda maddesi için alınan değerlerin toplamı hesaplanarak toplam kalori sayısı belirlenir.

Sektör durumu: Mayıs 2026 itibarıyla büyük kalori takip uygulamalarında ürün sayım yeteneği

Uygulama Adı	Gıda Sınıflandırması	Örnek Segmentasyonu	Tam Sayı Sayım Entegrasyonu	Her Bir Gıda Maddesi İçin Besin Değerleri	AI Fotoğraf Kaydı	Yıllık Premium
Nutrola	CNN tabanlı	Mask R-CNN	Evet	Evet	Evet	30 EUR
MyFitnessPal	CNN tabanlı	N/A	Evet	Evet	Evet	99.99 $
Lose It!	CNN tabanlı	N/A	Evet	Evet	Sınırlı	~40 $
FatSecret	CNN tabanlı	N/A	Evet	Evet	Temel	Ücretsiz
Cronometer	CNN tabanlı	N/A	Evet	Evet	N/A	49.99 $
YAZIO	CNN tabanlı	N/A	Evet	Evet	N/A	~45–60 $
Foodvisor	CNN tabanlı	N/A	Evet	Evet	Sınırlı	~79.99 $
MacroFactor	Seçilmiş	N/A	Evet	Evet	N/A	~71.99 $

Kaynaklar

• U.S. Department of Agriculture, Agricultural Research Service. FoodData Central. https://fdc.nal.usda.gov/
• Hassannejad, H. ve diğerleri. (2017). Çok derin evrişimli ağlar kullanarak gıda görüntüsü tanıma. Multimedia Tools and Applications.
• Ege, T. ve Yanai, K. (2017). Gıda kategorileri, malzemeler ve pişirme talimatları bilgisi kullanarak görüntü tabanlı gıda kalori tahmini.

SSS

Ürün sayımı kalori takibi doğruluğunu nasıl artırır?

Ürün sayımı, gıda maddelerinin kesin bir şekilde miktarını belirleyerek kalori takibi doğruluğunu artırır. Bu, kalori alımının yanlış bildirilme olasılığını azaltır.

Ürün sayımında hangi teknolojiler kullanılır?

Ürün sayımı, gıda sınıflandırması için evrişimli sinir ağları ve gıda birimlerini tanımlamak için Mask R-CNN gibi örnek segmentasyon modellerini kullanır. Bu teknolojiler, doğru ürün tespiti sağlamak için birlikte çalışır.

Ürün sayımı üst üste binen gıda maddelerini yönetebilir mi?

Evet, ürün sayımı, occlusion'ları dikkate alan tam sayı sayım yöntemlerini entegre eder. Bu, üst üste binen gıda maddelerinin doğru bir şekilde sayılmasını sağlar.

Besin veritabanının ürün sayımındaki rolü nedir?

Besin veritabanı, tanımlanan gıda maddeleri için kalori değerlerini sağlar ve uygulamanın toplam kalori alımını hesaplamasına olanak tanır. Bu, doğru diyet değerlendirmeleri için esastır.

Nutrola, diğer kalori takip uygulamalarıyla nasıl karşılaştırılır?

Nutrola, CNN tabanlı sınıflandırma ve segmentasyon için Mask R-CNN gibi gelişmiş ürün sayım teknikleri kullanmaktadır. Bu, benzer yeteneklere sahip olmayan diğer uygulamalara göre doğruluk avantajı sağlayabilir.

Tüm kalori takip uygulamalarında AI fotoğraf kaydı mevcut mu?

Tüm kalori takip uygulamaları AI fotoğraf kaydı sunmamaktadır. Nutrola, bu özelliği ücretsiz sürümünde sunarken, diğer uygulamalar sınırlamalar veya benzer işlevsellik için premium abonelik gerektirebilir.

Kayıtlı diyetisyen tarafından doğrulanmış bir veritabanı kullanmanın avantajları nelerdir?

Kayıtlı diyetisyen tarafından doğrulanmış bir veritabanı kullanmak, besin bilgilerinin doğru ve güvenilir olmasını sağlar. Bu, kalori takibi sürecinin güvenilirliğini artırır ve daha iyi diyet kararlarını destekler.

Bu makale, Nutrola'nın beslenme metodolojisi serisinin bir parçasıdır. İçerik, Nutrola beslenme bilim ekibindeki kayıtlı diyetisyenler (RD'ler) tarafından gözden geçirilmiştir. Son güncelleme: 9 Mayıs 2026.