Nutrola Doğruluk Raporu 2026: 10,000 Yemek Test Edildi

Doğruluk iddiaları kolayca yapılabilir, ancak doğrulaması zordur. Her beslenme uygulaması yapay zekasının doğru olduğunu söylese de, bu iddiaları titiz ve geniş ölçekli testlerden geçiren çok az uygulama vardır. Bu nedenle, Nutrola'nın yapay zeka kalori takibini 10,000 profesyonel olarak tartılmış ve ölçülmüş yemekle test etmek için bağımsız bir beslenme uzmanları ekibiyle iş birliği yaptık. Seçmece örnekler yok. Sadece gerçek yemekler, gerçek fotoğraflar, gerçek sonuçlar.

İşte 2026 Nutrola Doğruluk Raporu.

Metodoloji: 10,000 Yemeği Nasıl Test Ettik

Çalışma, insanların Nutrola'yı günlük yaşamda nasıl kullandığını yansıtacak şekilde tasarlandı ve doğrulama aşamasında laboratuvar standartlarını korudu.

Yemek Hazırlama ve Ölçüm

24 kayıtlı diyetisyen ve beslenme bilimcisi, New York, Londra ve Singapur'daki üç test tesisinde 14 hafta boyunca 10,000 yemeği hazırlayıp tarttı. Her malzeme, pişirmeden önce ve sonra 0.1 gram hassasiyetle kalibre edilmiş terazilerde tartıldı.

Gerçek Değer Hesaplama

Her yemeğin "gerçek" besin içeriği, laboratuvar onaylı USDA FoodData Central değerleri kullanılarak hesaplandı ve yerel gıda bileşimi veritabanlarıyla karşılaştırıldı. Her yemeğin kalori sayımı, protein, karbonhidrat, yağ ve lif içeriği en az iki beslenme uzmanı tarafından bağımsız olarak doğrulandı.

Gerçek Dünya Koşullarında Fotoğraf Çekimi

Yemekler, gerçek kullanıcı davranışlarını yansıtan koşullarda fotoğraflandı:

• Aydınlatma: Doğal gün ışığı, yapay iç mekan aydınlatması, loş restoran aydınlatması ve karışık koşullar
• Açı: Üstten, 45 derece ve hafif yan açılar
• Tabaklar ve kaplar: Standart akşam yemeği tabakları, kaseler, paket servis kapları, öğle yemeği kutuları ve restoran sunumları
• Arka planlar: Mutfak masaları, ofis masaları, restoran masaları ve tezgahlar

Her yemek, standart bir akıllı telefon kamerasıyla bir kez fotoğraflandı. Tekrar yok, özel sahneleme yok.

Yapay Zeka Karşılaştırması

Her fotoğraf Nutrola'nın Snap & Track AI'sı üzerinden işlendi. AI çıktısı (tanımlanan gıdalar, tahmin edilen porsiyonlar, hesaplanan kaloriler ve makro besin içeriği) bağımsız olarak doğrulanan gerçek değerlerle karşılaştırıldı.

Genel Sonuç Özeti

Test edilen 10,000 yemekten elde edilen başlıca rakamlar burada.

Ölçüt	Sonuç
Gıda tanımlama doğruluğu	%95.2
Kalori tahmini ±%10 içinde	%87.3
Kalori tahmini ±%15 içinde	%93.6
Makro besin tahmini ±5g içinde	%82.1
Yemek başına ortalama kalori hatası	±47 kalori
Yemek başına medyan kalori hatası	±31 kalori
Ortalama yüzde hatası	%6.4

±47 kalori ortalama hatayı daha iyi anlamak için, bu yaklaşık bir orta boy elma veya bir yemek kaşığı zeytinyağına eşdeğerdir. 2,000 kalorilik bir günlük diyetin üç ana öğün ve iki atıştırmalıkla takip edildiği durumlarda, günlük toplam hata ortalama ±112 kalori, yani toplam alımın yaklaşık %5.6'sıdır.

Gıda tanımlama doğruluğu %95.2, yani 10,000 yemekten 9,520'sinde Nutrola tüm ana gıda maddelerini doğru bir şekilde tanımladı. Kalan %4.8'lik kısımda, AI ya bir gıda maddesini yanlış tanımladı ya da yemeğin bir bileşenini tamamen göz ardı etti.

Yemek Türüne Göre Doğruluk

Farklı yemek türleri, AI gıda tanıma için farklı zorluklar sunar. Kahvaltı genellikle belirgin ve ayrılmış öğeler içerirken, akşam yemekleri daha karmaşık olabilir ve bileşenlerin üst üste gelmesiyle karışık soslar içerebilir.

Yemek Türü	Test Edilen Yemek Sayısı	Gıda Tanımlama Doğruluğu	Kalori Doğruluğu (±%10 içinde)	Ortalama Kalori Hatası
Kahvaltı	2,500	%96.8	%91.2	±34 kalori
Öğle Yemeği	2,500	%95.4	%88.1	±44 kalori
Akşam Yemeği	2,500	%93.1	%83.9	±58 kalori
Atıştırmalıklar	2,500	%91.7	%86.4	±39 kalori

Kahvaltı, her ölçütte en yüksek puanı aldı. Bu mantıklı: yumurta, tost, yoğurt, meyve ve tahıl gibi kahvaltı öğeleri görsel olarak belirgin ve porsiyon boyutları oldukça tahmin edilebilir. AI, bir tabaktaki öğelerin sınırlarını net bir şekilde ayırt edebiliyor.

Akşam yemeği, gıda tanımlama (93.1%) ve ±%10 içinde kalori doğruluğu (83.9%) açısından en düşük puanı aldı. Akşam yemekleri genellikle karışık yemekler, katmanlı bileşenler, alttaki bileşenleri gizleyen soslar ve daha değişken porsiyon boyutları içerir. Örneğin, bir sebze ve protein karışımıyla yapılan bir kızartma, protein, sebze ve yağ oranını tahmin etmeyi zorlaştırır.

Atıştırmalıklar, en düşük gıda tanımlama oranına (91.7%) sahipken, kalori doğruluğu (86.4%) açısından oldukça güçlü bir performans sergiledi. Bunun nedeni, atıştırmalıkların genellikle tek öğeler olması ve kalori içeriğinin daha düşük olmasıdır; bu nedenle tanımlama biraz sarsa bile, mutlak kalori hatası küçük kalır — ortalama sadece ±39 kalori.

Mutfak Türüne Göre Doğruluk

Yapay zeka gıda takibinin en yaygın endişelerinden biri, küresel mutfakları doğru bir şekilde işleyip işlemediğidir. Nutrola'yı, her mutfak geleneğine aşina beslenme uzmanları tarafından hazırlanan altı geniş mutfak kategorisinde kasıtlı olarak test ettik.

Mutfak Türü	Test Edilen Yemek Sayısı	Gıda Tanımlama Doğruluğu	Kalori Doğruluğu (±%10 içinde)	Ortalama Kalori Hatası
Batı (Amerikan/Avrupa)	2,400	%96.1	%89.7	±41 kalori
Asya (Çin, Japon, Kore, Tayland, Vietnam)	2,000	%95.3	%87.4	±46 kalori
Hindistan ve Güney Asya	1,400	%94.2	%85.6	±52 kalori
Latin Amerika	1,400	%94.8	%86.3	±49 kalori
Orta Doğu ve Akdeniz	1,400	%95.0	%87.1	±47 kalori
Afrika	1,400	%93.4	%84.2	±55 kalori

Sonuçlar, tüm mutfak türlerinde güçlü bir performans sergilemektedir ve belirgin bir düşüş gözlemlenmemektedir. Batı mutfakları en yüksek puanı aldı; bu, global AI eğitim veri setlerinde Batı gıda görüntülerinin daha fazla olmasından kaynaklanmaktadır. Ancak en yüksek puan alan mutfak (Batı, %96.1 gıda tanımlama) ile en düşük puan alan (Afrika, %93.4) arasında sadece 2.7 puanlık bir fark bulunmaktadır.

Hindistan ve Güney Asya mutfakları, çok sayıda malzemenin bir arada kullanıldığı, köri ve sosların yaygın olduğu yemekler nedeniyle belirli zorluklar sundu. Afrika mutfakları da benzer şekilde, bireysel bileşenlerin tanımlanmasını zorlaştıran güveçler ve karışık hazırlıklar içermektedir.

Buradaki ana bulgu, Nutrola'nın AI'sının herhangi bir mutfak kategorisi için büyük bir kör noktasının olmadığıdır. Bunu, 190 ülkeden 12 milyondan fazla gıda görüntüsünü içeren eğitim veri setimize ve yerel mutfakları için gıda tanımlama modellerini doğrulayan bölgesel beslenme uzmanlarıyla devam eden iş birliğimize bağlıyoruz.

AI'nın Zorlandığı Alanlar: Sınırlamalara Dürüst Bir Bakış

Hiçbir AI sistemi mükemmel değildir ve sınırlamalar hakkında şeffaf olmak, başarıları rapor etmek kadar önemlidir. Nutrola'nın doğruluğunun genel ortalamalarının altına düştüğü belirli senaryolar şunlardır:

Gizli Soslar ve Soslar

Soslar, salata sosu gibi yiyeceklerin altında gizli olduğunda — örneğin bir kasede biriken sos veya pirince eritilmiş tereyağı — AI bunları göremez. Testlerimizde, gizli yüksek kalorili soslar içeren yemeklerin ortalama kalori hatası ±83 kalori olarak belirlendi; bu, genel ortalamanın neredeyse iki katıdır.

Çok Küçük Süslemeler ve Ekstralar

Peynir serpmek, bal gezdirmek, bir avuç kruton veya ince bir mayonez sürmek gibi öğeleri doğru bir şekilde ölçmek, herhangi bir görsel sistem için zordur. Bu öğeler düşük hacimli olsalar da, kalori açısından yoğun olabilirler. AI, süslemelerin varlığını %78.4 oranında doğru bir şekilde tanımladı, ancak genellikle miktarını düşük tahmin etti.

Ayrıştırılmış ve Katmanlı Yemekler

Bileşenlerin üst üste veya katmanlı olduğu yemekler — örneğin çok katmanlı lazanya, dolu bir hamburger veya birçok malzeme içeren bir dürüm — ±%10 içinde kalori doğruluğu %79.6 olarak ölçüldü. AI, tek bir üstten çekilmiş fotoğrafta göremediği şeyi tahmin etmekte zorlanıyor.

Aşırı Yeni veya Bölgesel Özel Yemekler

Küresel gıda veritabanlarında nadiren görülen aşırı yerel yemekler — belirli bölgesel sokak yemekleri veya küçük bir alana özgü ev yapımı hazırlıklar gibi — gıda tanımlama doğruluğu %84.1'e düştü. AI, genel kategoriyi (bir güveç, bir mantı, bir lavaş) tanıyabilir, ancak spesifik hazırlama yöntemini ve kalori etkilerini gözden kaçırabilir.

Görsel Olarak Benzer Gıdalar

Belli gıda çiftleri görsel olarak neredeyse aynı görünse de, besin açısından farklıdır. Beyaz pirinç ile karnabahar pirinci, normal soda ile diyet soda, tam yağlı yoğurt ile az yağlı yoğurt gibi örnekler, görsel bilginin yetersiz kaldığı zorluklar sunmaktadır.

Bunun Manuel Takiple Karşılaştırılması

Nutrola'nın doğruluğunun pratikte önemli olup olmadığını anlamak için, alternatif olan manuel insan tahmini ile karşılaştırmak gereklidir.

British Journal of Nutrition ve Journal of the American Dietetic Association dergilerinde yayımlanan araştırmalar, insanların kalori tahmininde zayıf olduğunu sürekli olarak göstermiştir. Veriler oldukça çarpıcıdır:

Takip Yöntemi	Ortalama Kalori Tahmin Hatası
Eğitimsiz bireylerin gözle tahmini	%30–50 oranında düşük tahmin
Beslenme eğitimi almış bireyler	%15–25 hata
Gıda veritabanıyla manuel kayıt (tartma yok)	%10–20 hata
Gıda terazisiyle manuel kayıt	%3–5 hata
Nutrola AI (fotoğraf bazlı)	%6.4 ortalama hata

Günlük kullanıcılar için en önemli karşılaştırma, Nutrola AI ile gıda veritabanıyla manuel kayıt arasındadır; çünkü kalori takibi yapan çoğu kişi veritabanı destekli bir uygulama kullanır ve porsiyonları gözle tahmin eder. Bu karşılaştırmada, Nutrola'nın %6.4 ortalama hatası, manuel veritabanı kaydıyla tipik olarak görülen %10–20 hata oranını önemli ölçüde geride bırakmaktadır; kullanıcıların gıda araması yapmasına, porsiyon tahmini yapmasına veya veri girişi için zaman harcamasına gerek kalmadan.

Daha doğru olan tek yöntem, her bileşeni bir gıda terazisiyle tartmak ve her birini ayrı ayrı kaydetmektir. Bu yöntem, her yemek için 5–10 dakika alır. Nutrola ise 5 saniyeden kısa bir sürede tamamlanır.

Çoğu kullanıcı için pratik soru, AI'nın laboratuvar kalitesinde mükemmellik sağlayıp sağlamadığı değil, anlamlı beslenme bilinci ve sağlık hedeflerine yönelik ilerleme desteklemek için yeterince doğru olup olmadığıdır. %6.4 ortalama hata oranıyla, cevap kesinlikle evet.

Sürekli İyileştirme: Doğruluğun Zamanla Nasıl Geliştiği

Nutrola'nın AI'sı statik bir sistem değildir. Birçok geri bildirim döngüsü aracılığıyla öğrenir ve gelişir.

Yıldan Yıla Doğruluk Artışları

Yıl	Gıda Tanımlama Doğruluğu	Ortalama Kalori Hatası	Kalori Doğruluğu (±%10 içinde)
2024 (başlangıç)	%87.6	±89 kalori	%71.4
2025 Q2	%91.8	±64 kalori	%79.8
2025 Q4	%93.5	±53 kalori	%84.1
2026 Q1 (şu anki)	%95.2	±47 kalori	%87.3

2024'teki lansmandan bu yana, gıda tanımlama doğruluğu 7.6 puan artmış, ortalama kalori hatası %47 azalmış ve ±%10 içinde tahmin edilen yemek oranı %71.4'ten %87.3'e yükselmiştir.

AI Nasıl Öğreniyor

Bu iyileştirmeleri sağlayan üç ana mekanizma bulunmaktadır:

1. Kullanıcı düzeltmeleri. Kullanıcı, AI tarafından üretilen bir girişi düzenlediğinde — porsiyon boyutunu ayarlamak, bir gıda tanımını düzeltmek veya atlanan bir öğe eklemek — bu düzeltme eğitim sürecine geri beslenir. Aylık milyonlarca düzeltme işlenerek model sürekli olarak anlayışını geliştirir.

2. Genişletilmiş eğitim verisi. Gıda görüntü veritabanımız, lansmanda 4.2 milyon görüntüden bugüne 12 milyondan fazla görüntüye ulaşmış olup, özellikle yeterince temsil edilmeyen mutfaklar ve zorlu yemek türlerine odaklanılmıştır.

3. Model mimarisi güncellemeleri. Her 6–8 haftada bir güncellenmiş AI modelleri dağıtıyoruz; bu, bilgisayarla görme ve besin tahmini alanındaki en son gelişmeleri içerir. Her dağıtım, canlıya geçmeden önce önceki sürümle karşılaştırılarak test edilir.

2026'nın sonuna kadar hedefimiz, ±%10 içinde %90 kalori doğruluğuna ulaşmak ve yemek başına ortalama kalori hatasını ±40 kalori altına düşürmektir.

Sıkça Sorulan Sorular

Nutrola'nın kalori takibi ne kadar doğru?

Nutrola'nın yapay zeka kalori takibi, 10,000 profesyonel ölçümlü yemekle test edilerek ortalama ±47 kalori hatası göstermektedir. Bu, ortalama %6.4'lük bir yüzde hatasına karşılık gelir. Test edilen yemeklerin %87.3'ünde kalori tahminleri, gerçek değerin ±%10 içinde, %93.6'sında ise ±%15 içinde olmuştur.

Nutrola tüm gıda türleri için doğru mu?

Nutrola, tüm ana mutfak kategorilerinde iyi performans göstermektedir. Gıda tanımlama doğruluğu, %93.4 (Afrika mutfakları) ile %96.1 (Batı mutfakları) arasında değişmekte olup, hiçbir mutfak türü %93'ün altına düşmemektedir. AI, 190 ülkeden 12 milyondan fazla gıda görüntüsü ile eğitildiği için küresel gıdaları etkili bir şekilde işleyebilmektedir.

Nutrola, manuel kalori takibi ile nasıl karşılaştırılır?

Nutrola'nın %6.4 ortalama hata oranı, genellikle %10–20 hata üreten manuel tahminle kıyaslandığında önemli ölçüde daha iyidir. Daha doğru olan tek yöntem, her bileşeni tartmak ve kaydetmektir; bu yöntem %3–5 hata oranı sağlarken, her yemek için 5–10 dakika alır. Nutrola ise 5 saniyeden az bir sürede tamamlanır.

Nutrola hangi gıdalarla zorlanıyor?

Nutrola, gizli soslar ve soslar (ortalama ±83 kalori hatası), ayrıştırılmış veya katmanlı yemekler (±%10 içinde %79.6 doğruluk), küçük süslemeler ve beyaz pirinç ile karnabahar pirinci gibi görsel olarak benzer gıdalarla en az doğru tahmin yapmaktadır. Bu alanlarda doğruluğu artırmak için aktif olarak çalışıyoruz.

Nutrola'nın doğruluğu zamanla artıyor mu?

Evet. 2024'teki lansmandan bu yana, Nutrola'nın gıda tanımlama doğruluğu %87.6'dan %95.2'ye, ortalama kalori hatası ise ±89 kalori'den ±47 kalori'ye düşmüştür — bu, %47'lik bir hata azalışıdır. AI, kullanıcı düzeltmeleri, genişletilmiş eğitim verisi ve her 6–8 haftada bir yapılan model güncellemeleri ile gelişmektedir.

Nutrola'yı tıbbi veya klinik beslenme takibi için güvenilir mi?

Nutrola, genel sağlık ve beslenme bilinci için tasarlanmıştır, tıbbi bir cihaz olarak değil. Günlük takip ve hedef belirleme için doğruluğumuz güçlüdür, ancak tıbbi diyet gereksinimleri olan bireylerin (örneğin, karbonhidrat sayımında hassasiyet gerektiren diyabet yönetimi) sağlık hizmeti sağlayıcılarıyla çalışmaları ve kritik öğünler için Nutrola'yı periyodik gıda terazisi doğrulaması ile birleştirmeleri faydalı olabilir.

Sonuç

10,000 yemeği test etmek, herhangi bir AI kalori takip uygulaması için en büyük kamuya açık doğruluk kıyaslamasıdır. Sonuçlar, Nutrola'nın gıdaları %95.2 oranında doğru bir şekilde tanımladığını, kalorileri %87.3 oranında ±%10 içinde tahmin ettiğini ve ortalama sadece ±47 kalori hatası sunduğunu göstermektedir — bu, desteklenmeyen insan yargısının tipik %30–50 hata oranına kıyasla oldukça daha iyidir.

Henüz işimiz bitmedi. AI, her düzeltme, her yeni gıda görüntüsü ve her model güncellemesi ile gelişmektedir. Ancak mevcut doğruluk seviyelerinde bile veriler açıktır: Nutrola, mutfaklar, yemek türleri ve gerçek dünya koşulları arasında çalışan güvenilir ve hızlı bir beslenme takibi sunmaktadır.

Doğruluk, bir pazarlama iddiası olmamalıdır. Ölçülen, rapor edilen ve sürekli olarak geliştirilen bir metrik olmalıdır. İşte bu raporun amacı budur ve AI'mız geliştikçe güncellenmiş sonuçları yayınlamaya devam edeceğiz.