Fotoğraf, Barkod ve Manuel Giriş: Hangi Kayıt Yöntemi En Yüksek Doğruluğa Sahip?

Kalori takip uygulamanızı açtığınızda, genellikle bir öğünü kaydetmek için üç yolunuz vardır: bir fotoğraf çekip AI'nın besin değerini tahmin etmesine izin vermek, paketli gıdaların barkodunu taramak veya her bir öğeyi manuel olarak arayıp girmek. Her yöntemin savunucuları var ve her biri doğruluk, hız ve kullanıcı deneyiminde farklı avantajlar ve dezavantajlar sunuyor.

Peki hangisi gerçekten en iyi sonuçları veriyor? Sadece ham doğruluk açısından değil, aynı zamanda kullanıcıları meşgul tutma, farkındalık geliştirme ve hedeflerine ulaşmalarına yardımcı olma açısından da.

Nutrola'da Nisan 2025 ile Şubat 2026 arasında kaydedilen 38.4 milyon yemek kaydını analiz ettik ve tüm üç yöntemi birden fazla boyutta karşılaştırdık. Veriler ne gösteriyor, işte burada.

Çalışma Özeti

Veri Kaynakları

Nutrola veritabanından 38.4 milyon yemek kaydını, kayıt yöntemi bazında kategorize ettik:

Yöntem	Analiz Edilen Kayıtlar	Toplamın %	Eşsiz Kullanıcılar
AI Fotoğraf (Snap & Track)	16.0M	41.7%	1.24M
Barkod Tarama	10.4M	27.1%	982K
Manuel Giriş	9.4M	24.6%	1.08M
Hızlı Ekle (sadece kalori)	2.6M	6.6%	412K

Doğruluk analizimizi ilk üç yöntem üzerine yoğunlaştırdık, çünkü Hızlı Ekle girişleri yeterli besin detayı sunmadığı için doğruluk karşılaştırması yapamadık.

Doğruluğu Nasıl Ölçtük

Doğruluğu değerlendirmek için iki yaklaşım kullandık:

İç doğrulama: Kaydedilen değerleri Nutrola'nın doğrulanmış referans veritabanıyla karşılaştırdık. Bir kullanıcı "tavuk göğsü, 150g" girdiğinde, bir tavuk göğsü ürününün barkodunu taradığında veya bir tavuk göğsü fotoğrafı çektiğinde, her yöntemin çıktısını aynı gıda ve porsiyon için USDA FoodData Central referans değeriyle karşılaştırdık.

Dış doğrulama: 2,400 gönüllü Nutrola kullanıcısıyla kontrollü bir çalışma yaptık. Kullanıcılar, mutfak tartılarında gıdalarını tartarak hem tartılan referans verilerini hem de normal uygulama kayıtlarını sundular. Bu, üç yöntem için 14,200 yemek üzerinden gerçek veri sağladı.

Doğruluk Sonuçları: Tam Resim

Yönteme Göre Genel Kalori Doğruluğu

Yöntem	Ortalama Kalori Hatası	Medyan Kalori Hatası	Referansın %10'u İçinde	Referansın %20'si İçinde
Barkod Tarama	4.2%	2.8%	87.3%	96.1%
AI Fotoğraf	11.4%	8.6%	62.8%	84.7%
Manuel Giriş	14.8%	11.2%	48.6%	74.3%

Barkod tarama, ortalama kalori hatası sadece %4.2 ile açık bir doğruluk lideridir ve kayıtların %87.3'ü referans değerinin %10'u içinde kalmaktadır. Bu, mantıklı bir durumdur; çünkü barkod tarama, besin verilerini doğrudan doğrulanmış ürün veritabanlarından alır ve tahmini tamamen ortadan kaldırır.

AI fotoğraf kaydı, %11.4'lük bir ortalama hata ile %63'e yakın kaydın %10 doğruluk içinde olduğunu gösterir. Bu, bir bilgisayar görme sisteminin tek bir görüntüden gıda türünü ve porsiyon boyutunu tahmin etmesi için önemli bir başarıdır.

Manuel giriş, en fazla çaba gerektiren yöntem olmasına rağmen, %14.8 ortalama hata ile aslında en az doğru olanıdır. Manuel girişlerin yalnızca %48.6'sı referans değerinin %10'u içinde kalmaktadır.

Manuel Girişin Beklenenden Daha Az Doğru Olmasının Nedenleri

Manuel giriş doğruluk sonucu birçok kişiyi şaşırtıyor. Kullanıcılar belirli gıdaları ve porsiyonları yazarken, neden AI tahmininden daha düşük bir doğruluk elde ediyorlar?

Verilerimiz, manuel giriş hatalarının üç ana kaynağını ortaya koyuyor:

1. Porsiyon boyutu tahmini (hata oranının %52'sini oluşturur)

Kullanıcılar, manuel olarak girerken porsiyonları sürekli olarak küçümsemektedir. Ortalama manuel giriş porsiyonu, aynı gıda için ölçülen porsiyondan %18 daha küçüktür.

Gıda Kategorisi	Ortalama Manuel Girilen Porsiyon	Ortalama Gerçek Porsiyon (Tartılmış)	Hata
Makarna/pirinç (pişirilmiş)	168g	224g	-25.0%
Yemek yağları	8ml	15ml	-46.7%
Kuruyemişler/çekirdekler	25g	38g	-34.2%
Peynir	28g	42g	-33.3%
Tahıl	38g	54g	-29.6%
Tavuk göğsü	142g	164g	-13.4%
Sebzeler	92g	84g	+9.5%
Meyve	118g	124g	-4.8%

En kötü sonuçları verenler yemek yağları (-46.7%), kuruyemişler (-34.2%) ve peynirler (-33.3%) gibi kalori yoğun gıdalardır; burada küçük hacim farklılıkları büyük kalori farklılıklarına dönüşmektedir. Gerçekten iki yemek kaşığı olan bir zeytinyağı, tek bir bileşenden 120 kcal hata temsil eder.

Sebzeler, manuel girişin porsiyonları abarttığı tek kategoridir; muhtemelen insanlar sebze alımını erdemli buldukları için yukarı yuvarlamaktadırlar.

2. Yanlış gıda seçimi (hata oranının %28'ini oluşturur)

Manuel girişlerin %12.4'ünde, kullanıcılar gıda ile tam olarak eşleşmeyen bir veritabanı öğesi seçmektedir. Yaygın örnekler arasında "ızgara tavuk göğsü" seçmek varken, gerçek hazırlama "yağda tavuk göğsü kızartma" olduğunda (yaklaşık 50-80 kcal ekleyerek) veya sade pirinç seçerken pirincin tereyağı veya hindistan cevizi sütü ile pişirilmiş olması yer alır.

3. Atlanan bileşenler (hata oranının %20'sini oluşturur)

Kullanıcılar, manuel girişlerde soslar, soslar, pişirme yağları ve baharatları sıklıkla atlamaktadır. Verilerimiz, salata içeren manuel olarak kaydedilen yemeklerin %34'ünün sos kaydını içermediğini gösteriyor; oysa soslar ortalama 120-180 kcal eklemektedir.

AI Fotoğraf Doğruluğu Gıda Kategorisine Göre

AI fotoğraf kaydı doğruluğu, gıda türüne göre önemli ölçüde değişiklik göstermektedir.

Gıda Kategorisi	Ortalama Kalori Hatası	%10 İçinde
Tek bütün öğeler (muz, elma)	5.8%	81.2%
Paketli ürünler (görünür etiket)	6.2%	78.4%
Basit tabak yemekleri (protein + yan yemekler)	9.4%	68.3%
Sandviçler ve dürümler	12.8%	54.1%
Çorbalar ve güveçler	14.6%	47.8%
Karışık kaseler (salatalar, tahıl kaseleri)	15.2%	44.6%
Çok bileşenli tabaklar (büfe tarzı)	16.8%	41.2%
Soslar, soslar, yağlar (görünür değil)	28.4%	22.1%

AI, görsel olarak belirgin ve tanınabilir gıdalarda başarılıdır. Bir tabaktaki muz fotoğrafı %5.8 doğruluk elde eder. Karmaşık, karışık yemekler ve gizli bileşenler (soslar, yağlar) ana zorluk alanlarıdır.

Nutrola'nın Snap & Track'i zamanla önemli ölçüde gelişti. 2025'in 2. çeyreği ile 2026'nın 1. çeyreği arasında karşılaştırma:

Gıda Kategorisi	Hata Q2 2025	Hata Q1 2026	Gelişme
Tek öğeler	8.1%	5.8%	28.4%
Basit tabak yemekleri	13.2%	9.4%	28.8%
Karışık kaseler	21.4%	15.2%	29.0%
Çok bileşenli tabaklar	24.6%	16.8%	31.7%

Her kategori, kullanıcıların gönderdiği yemek fotoğraflarının artan hacmiyle eğitilen model güncellemeleri sayesinde %28-32 oranında gelişim göstermiştir.

Hız ve Çaba: Her Yöntemin Zaman Maliyeti

Ortalama Kayıt Süresi

Yöntem	Bir Öğünü Kaydetme Süresi	Tam Gün Kaydetme Süresi (3 öğün + 1 atıştırmalık)
AI Fotoğraf	8 saniye	32 saniye
Barkod Tarama	12 saniye	48 saniye
Manuel Giriş	47 saniye	188 saniye (3.1 dakika)
Manuel Giriş (karmaşık yemek)	94 saniye	-

AI fotoğraf kaydı, her yemek için manuel girişten 5.9 kat daha hızlıdır. 3 öğün ve bir atıştırmalıkla bir gün boyunca, fotoğraf kaydedici toplamda sadece 32 saniye harcarken, manuel kaydedici 3 dakikadan fazla harcamaktadır. Bu, ay boyunca yaklaşık 16 dakika ile 93 dakika arasında anlamlı bir fark yaratmaktadır.

Kayıt İptal Oranı

"Kayıt iptali" terimini, bir öğeyi kaydetmeye başlayıp kaydı tamamlamama durumu olarak tanımlıyoruz. Bu, kayıt sırasında yaşanan hayal kırıklığını ölçer.

Yöntem	İptal Oranı	En Yaygın İptal Noktası
AI Fotoğraf	3.2%	AI önerilerini gözden geçirme
Barkod Tarama	6.8%	Ürün veritabanında bulunamadı
Manuel Giriş	14.7%	Belirli gıda öğesini arama

Manuel girişin %14.7 iptal oranı vardır; bu da yaklaşık her 7 manuel kayıt girişiminden birinin başlandığı ancak tamamlanmadığı anlamına gelir. En yaygın neden, özellikle ev yapımı ve restoran yemekleri için veritabanında tam gıda öğesini bulmakta zorluk çekmektir. Barkod tarama iptalleri, bir ürünün veritabanında olmaması durumunda gerçekleşmektedir (taranan öğelerin yaklaşık %8'ini etkilemektedir).

AI fotoğraf iptali en düşük seviyededir (%3.2), en çok iptaller kullanıcıların AI'nın gıda tanımlamasına katılmamaları ve düzeltmemeyi tercih etmeleri durumunda gerçekleşmektedir.

Kullanıcı Tercihleri ve Yöntem Geçişi

Hangi Yöntemleri Kullanıcılar Tercih Ediyor?

48,000 aktif kullanıcıya tercih ettikleri kayıt yöntemi ve nedenleri hakkında anket yaptık.

Tercih Edilen Yöntem	% Kullanıcı	Tercih Sebebi
Öncelikle AI Fotoğraf	44.2%	Hız ve kolaylık
Öncelikle Barkod	21.8%	Paketli gıdalardaki doğruluk
Karışık (fotoğraf + barkod)	18.4%	İkisinin en iyisi
Öncelikle Manuel	12.1%	Kontrol ve detay
Öncelikle Hızlı Ekle	3.5%	Basitlik

"Karışık" yaklaşımı --- hazırlanan yemekler için AI fotoğrafı ve paketli gıdalar için barkod kullanma --- en hızlı büyüyen tercihtir; bu oran 2025'in 2. çeyreğinde %11.2 iken 2026'nın 1. çeyreğinde %18.4'e çıkmıştır.

Zaman İçindeki Yöntem Geçişi

Yeni kullanıcılar genellikle bir yöntemle başlar ve zamanla geçiş yaparlar. Kullanıcıların ilk 90 gün içerisindeki yöntem kullanımını takip ettik:

Kullanıcı Süresi	AI Fotoğraf %	Barkod %	Manuel %	Hızlı Ekle %
1. Hafta	31.4%	24.8%	38.2%	5.6%
4. Hafta	38.6%	26.1%	29.4%	5.9%
8. Hafta	42.8%	27.4%	23.1%	6.7%
12. Hafta	46.1%	27.8%	19.2%	6.9%

Manuel giriş, en popüler yöntem olarak başlar (%38.2 1. haftada), ancak kullanıcılar AI fotoğraf kaydını keşfettikçe ve buna alıştıkça düzenli olarak düşer. 12. haftada AI fotoğraf, %31.4'ten %46.1'e yükselirken, manuel giriş %38.2'den %19.2'ye düşmüştür.

Bu, birçok kullanıcının manuel girişi, tanıdık olduğu için (web aramasına benzer) varsayılan olarak tercih ettiğini, ancak fotoğraf kaydının hız avantajını deneyimledikçe geçiş yaptığını göstermektedir.

Tutma ve Sonuçlar Üzerindeki Etkisi

Birincil Kayıt Yöntemine Göre Tutma

Kullanıcının esas olarak hangi kayda dayandığı, ne kadar süreyle takip etmeye devam edeceği üzerinde önemli bir etkiye sahiptir.

Birincil Yöntem	30 Gün Tutma	90 Gün Tutma	180 Gün Tutma
AI Fotoğraf	52.4%	38.7%	31.2%
Barkod Tarama	46.8%	33.4%	26.8%
Karışık (fotoğraf + barkod)	58.6%	44.1%	36.4%
Manuel Giriş	38.2%	24.6%	18.1%
Hızlı Ekle	31.4%	17.8%	11.2%

Karışık yaklaşım (fotoğraf + barkod), tüm zaman dilimlerinde en yüksek tutmayı sağlar; 180 günde %36.4 hala aktiftir. Manuel girişin 180 gün işaretinde karışık yönteme göre %43 daha düşük bir tutma oranı vardır. Hızlı Ekle, en hızlı yöntem olmasına rağmen en düşük tutma oranına sahiptir; bu muhtemelen beslenme detaylarının eksikliği nedeniyle, gıda farkındalığı oluşturma işlevini sınırlamaktadır.

Kilo Kaybı Sonuçları Yönteme Göre

En az 60 gün boyunca takip eden kilo kaybı hedefi olan kullanıcılar arasında:

Birincil Yöntem	Aylık Ortalama Kilo Kaybı	Hedefe Ulaşma Oranı (-0.5 kg/ay+)
Karışık (fotoğraf + barkod)	-0.91 kg	62.4%
Barkod Tarama	-0.84 kg	58.7%
AI Fotoğraf	-0.79 kg	54.2%
Manuel Giriş	-0.68 kg	46.8%
Hızlı Ekle	-0.42 kg	28.4%

Karışık yaklaşım yine önde; kullanıcılar ortalama ayda 0.91 kg kaybetmektedir. Barkod taramanın doğruluk avantajı, fotoğraf kaydına göre biraz daha iyi sonuçlar verir, ancak fark küçüktür (0.84 vs 0.79 kg/ay). Manuel giriş, en fazla çaba gerektiren yöntem olmasına rağmen, detaylı kayıt yöntemleri arasında en kötü sonuçları vermektedir; bu da tutarlılığın (kolaylık sayesinde sağlanan) teorik doğruluktan daha önemli olduğunu pekiştirmektedir.

Doğruluk-Tutarlılık Paradoksu

Neden Daha Az Doğru Yöntemler Daha İyi Sonuçlar Üretebilir?

Bu veriler bir paradoks sunuyor: AI fotoğraf kaydı, barkod taramadan daha az doğru, ancak fotoğraf kaydedicilerin daha yüksek tutma ve karşılaştırılabilir kilo kaybı sonuçları var. Neden?

Cevap, "doğruluk-tutarlılık paradoksu" olarak adlandırdığımız şeyde yatıyor. Sizi kaydetmeye devam ettiren yöntem, en doğru bireysel kayıtları üreten yöntemden daha değerlidir.

İki varsayımsal kullanıcıyı düşünün:

• Kullanıcı A, %96 doğrulukla barkod tarar ancak yalnızca paketli gıdaları kaydeder (restoran yemeklerini ve ev yapımı yemekleri atlayarak) ve haftada 4 gün takip eder.
• Kullanıcı B, %85 doğrulukla AI fotoğrafı kullanır ancak her öğünü, restoran ve ev yapımı gıdalar dahil, haftada 6 gün takip eder.

Kullanıcı B, daha düşük giriş başına doğruluğa rağmen günlük alımının daha tamamlayıcı bir resmini çizer. Verilerimiz bunu doğruluyor: fotoğraf kaydedicileri günde ortalama 3.4 öğün kaydederken, yalnızca barkod kaydedenler günde 2.6 öğün kaydediyor. Ekstra veri, daha düşük giriş başına kesinliği fazlasıyla telafi ediyor.

Tamamlayıcılık Faktörü

Birincil Yöntem	Günlük Ortalama Kaydedilen Öğün	Tahmin Edilen Toplam Alımın % Olarak Yakalanan
AI Fotoğraf	3.4	87.2%
Karışık	3.2	91.4%
Barkod Tarama	2.6	72.8%
Manuel Giriş	2.8	76.4%

Karışık yöntem kullanıcıları, toplam alımlarının en yüksek yüzdesini (%91.4) yakalar; çünkü ev yapımı ve restoran yemeklerini hızlı bir şekilde fotoğraflarken, paketli gıdalar için barkod taramasını kullanabilirler. Sadece barkod kullananlar, en azını (%72.8) yakalar; çünkü birçok yemek basitçe barkod taraması yapılacak bir koda sahip değildir.

Yöntemlere Özel Maksimum Doğruluk İpuçları

AI Fotoğraf Doğruluğunu Optimize Etme

Yüksek doğruluklu ve düşük doğruluklu fotoğraf girişleri analizimize dayanarak, bu uygulamalar AI sonuçlarını iyileştirir:

1. Açıkça yukarıdan fotoğraf çekin; açıdan değil. Üstten çekilen fotoğraflar, porsiyon tahmin doğruluğunu %18 artırır.
2. Tabaktaki gıdaları mümkünse ayırın. Üst üste gelen gıdalar, tanımlama doğruluğunu %12 azaltır.
3. Tam tabak kenarını çerçeveye dahil edin. Tabak sınırı, AI'nın porsiyon boyutlarını kalibre etmesine yardımcı olur ve doğruluğu %15 artırır.
4. AI'nın önerilerini gözden geçirin ve ayarlayın. AI çıktısını gözden geçirip ayarlayan kullanıcılar, varsayılanları kabul edenlere göre %7.8 etkili doğruluk elde eder.
5. Sosları ve sosları ayrı kaydedin. En büyük doğruluk artışı, AI'nın göremediği gizli kalorileri eklemekten gelir.

Barkod Doğruluğunu Optimize Etme

1. Servis boyutunu doğrulayın. Barkod verileri servis başına doğrudur, ancak kullanıcıların %23'ü yanlış servis sayısını kaydetmektedir.
2. Ürün eşleşmesini kontrol edin. Bazen barkodlar yanlış ürünlere eşlenir (yaklaşık %2.1'inde gerçekleşir). Hızlı bir görsel kontrol bunu önler.
3. Pişirme eklemelerini ayrı kaydedin. Barkodla taranan bir makarna ürünü, pişirme sırasında eklediğiniz yağ, tereyağı veya sosu içermez.

Manuel Giriş Doğruluğunu Optimize Etme

1. Kalori yoğun gıdalar için bir mutfak tartısı kullanın. Kuruyemişler, peynirler, yağlar ve tahılları tartmak, manuel giriş hatalarının en büyük kaynağını ortadan kaldırır.
2. Belirli hazırlamaları arayın. "Tavuk göğsü, yağda kızartılmış" ifadesi, genel "tavuk göğsü" ifadesinden daha doğrudur.
3. Baharatları atlamayın. Ketçap, mayonez, soya sosu ve soslar, kullanıcıların sıklıkla atladığı 50-200 kcal ekler.
4. Yuvarlayın, aşağı değil. Manuel girişteki sistematik yanlılık, küçümsemedir; bu nedenle porsiyonları kasıtlı olarak yukarı yuvarlamak daha doğru toplamlar üretir.

Gıda Kayıtlarının Geleceği

AI Fotoğraf Kayıtlarının Geleceği

Nutrola'nın AI doğruluğu, yıllık yaklaşık %30 oranında artmıştır ve bu trendin yavaşlayacağına dair bir işaret yoktur. Geliştirme hattımızdaki önemli gelişmeler şunlardır:

• Çok açılı çekim: Kullanıcılar karmaşık yemekler için farklı açılardan 2-3 fotoğraf çekebilir, bu da doğruluğu tahminen %20-25 artırır.
• Bağlamsal öğrenme: AI, zamanla tipik porsiyon boyutlarınıza uyum sağlar, sistematik aşırı veya az tahmini azaltır.
• Gizli bileşen hatırlatmaları: AI, sıkça içeren gıdaları tespit ettiğinde soslar, yağlar ve soslar hakkında proaktif olarak sorular soracaktır.

AI doğruluğu, 2026'nın sonuna kadar barkod seviyesindeki hassasiyete yaklaşırken (hedef %7'den az ortalama hata), fotoğraf kaydının sağladığı kolaylık, çoğu kullanıcı için baskın yöntem haline gelecektir.

SSS

Hangi kayıt yöntemini kullanmalıyım?

Çoğu kullanıcı için karışık bir yaklaşım öneriyoruz: ev yapımı ve restoran yemekleri için AI fotoğraf kaydını (Snap & Track) kullanın, paketli gıdalar için barkod taramasını tercih edin. Bu kombinasyon, doğruluk, hız ve tamlık açısından en iyi dengeyi sağlar ve verilerimizde en yüksek tutma ve kilo kaybı sonuçlarını üretir.

AI fotoğraf kaydı ciddi takip için yeterince doğru mu?

Evet. %11.4 ortalama hata ile (ve gelişmekte olan), AI fotoğraf kaydı, alımınızın genel desenini yeterince doğru bir şekilde yakalar. %62.8'inin %10 doğruluk içinde olması, kayıtlarınızın çoğunun gerçek değere yakın olduğu ve hataların günler ve haftalar içinde ortalama olarak dengelendiği anlamına gelir.

Neden manuel giriş AI'dan daha az doğru?

Ana neden, porsiyon boyutu küçümsemesidir. Kullanıcılar, özellikle yağlar, kuruyemişler, peynirler ve tahıllar gibi kalori yoğun gıdalar için manuel olarak gıda girerken yedikleri miktarı sistematik olarak küçümsemektedir. AI fotoğraf kaydı, görüntüdeki gerçek gıda temelinde görsel olarak porsiyonları tahmin ettiğinden bu durumu önler.

Nutrola üç kayıt yöntemini destekliyor mu?

Evet. Nutrola, AI fotoğraf kaydı (Snap & Track), 2.5 milyonun üzerinde ürün veritabanıyla barkod taraması, manuel metin arama girişi ve sadece kalori kaydı için Hızlı Ekle desteği sunmaktadır. Her öğün için yöntemler arasında serbestçe geçiş yapabilirsiniz.

Gıda kayıtlarımın doğruluğunu nasıl artırabilirim?

En yüksek etki sağlayan tek eylem, unutulması kolay olan pişirme yağları, soslar ve sosları kaydetmektir. Bu gizli kaloriler, birçok kullanıcı için toplam alımın %15-25'ini oluşturur ve tüm kayıt yöntemleri arasında en sık atlanan öğelerdir. Kalori yoğun ürünler için bir mutfak tartısı kullanmak, ikinci en etkili uygulamadır.

AI fotoğraf kaydı nihayetinde manuel girişi mi yok edecek?

Mevcut trendlere dayanarak, AI fotoğraf kaydı muhtemelen çoğu kullanıcı için 1-2 yıl içinde birincil yöntem haline gelecektir. Manuel giriş, ayrıntılı kontrol isteyen kullanıcılar ve fotoğraf kaydının pratik olmadığı kenar durumları için mevcut kalacaktır. Barkod tarama, paketli gıdalar için neredeyse mükemmel doğruluk sağladığı için önemli olmaya devam edecektir.

Nutrola'nın AI, fotoğraflarımdan nasıl öğreniyor?

Nutrola'nın AI modelleri, platform genelindeki toplu, anonim yemek verileri üzerinde sürekli olarak eğitilmektedir. Bireysel fotoğraflarınız, besin tahmini için işlenir ancak saklanmaz veya kişisel olarak tanımlanabilir bir şekilde kullanılmaz. Model, çeşitli mutfaklardan, tabaklama stillerinden ve aydınlatma koşullarından gelen milyonlarca gıda görüntüsünden öğrenerek gelişir.