# Fotoğraftan Kalori Hesaplama: Adım Adım Rehber

> Fotoğraftan kalori hesaplama adım adım nasıl yapılır? Yapay zeka tarayıcı, 5 ipucu ve bir tabloyla fotoğraf kayıtlarınızı çok daha isabetli hale getirin.

_2026-06-24 · 2026-07-09 · LensNutra Team · LensNutra_
_Canonical: https://lensnutra.com/tr/blog/fotograftan-kalori-nasil-hesaplanir_
_Language: tr_

Bir yemek fotoğrafından kaloriyi, bir yapay zeka kalori takipçisini açıp öğününüzün fotoğrafını çekerek hesaplayabilirsiniz; uygulamanın görüntü modeli yiyecekleri tanır, porsiyonları tahmin eder ve genellikle birkaç saniye içinde kalori ile makroları verir. Ardından porsiyonları onaylar ya da düzeltirsiniz ve öğün otomatik olarak kaydedilir. Mutfak tartısı yok, veritabanında arama yok.

İşte tam olarak nasıl çalıştığı ve en isabetli sonucu nasıl alacağınız.

## Öne çıkan noktalar

- Fotoğraftan kalori hesaplamak için tabağınızın net, üstten çekilmiş tek bir fotoğrafını çekin ve bir [yapay zeka yemek tarayıcının](/features/ai-food-scanner) yiyecekleri tanıyıp porsiyonları tahmin etmesine izin verin; saniyeler içinde gözden geçirip kaydedersiniz.
- Fotoğraf kalori tahminleri tekil yiyeceklerde genellikle %85 ila %95, karışık öğünlerde %65 ila %80 isabetlidir; bu da düzenli kilo vermek için fazlasıyla yeterlidir.
- En önemli tek adım porsiyon tahminini kontrol etmektir, çünkü yapay zeka görüntüden hacmi okur ama ağırlığı ya da gizli yağı algılayamaz.
- Tabağa ayrı ayrı dizilmiş bütün yiyecekler; karıştırılmış, katmanlı veya soslu yemeklerden çok daha isabetli taranır.
- Barkodu ya da besin değerleri etiketi olan her şey için etiketi taramak fotoğraftan üstündür, çünkü sayılar tahmin edilmez, basılıdır.
- Sulu ve zeytinyağlı Türk yemeklerinde gizli yağlar en büyük hata kaynağıdır, bu yüzden taramadan sonra porsiyonu düzeltmek isabeti belirgin biçimde artırır.

## Neden yazmak yerine fotoğraftan kalori hesaplamalı?

Elle kalori saymak yorucudur. Yemeğinizi bitirir, bir uygulama açar ve "ızgara tavuk" yazmaya başlarsınız; sonra birbirinin neredeyse aynısı olan 40 veritabanı kaydı arasında kaydırırsınız, ardından aynı şeyi pilav, sebzeler ve sos için tekrar edersiniz. Bir de porsiyonları tahmin etmeye, gramlarla uğraşmaya çalışırsınız. Çoğu insan bir hafta içinde bırakır; çünkü akşam yemeğinden sonra hiç kimse beş dakikasını menü kazımaya ayırmak istemez.

Bu sürtünme, çok az kişinin takibe devam edebilmesinin asıl nedenidir. *American Journal of Preventive Medicine* dergisinde yayımlanan ve sıkça alıntılanan 2008 tarihli bir Kaiser Permanente araştırması, düzenli yemek kaydı tutan diyet yapanların, az kayıt tutan ya da hiç tutmayanlara göre yaklaşık iki kat daha fazla kilo verdiğini bulmuştur. Yani sorun hiçbir zaman kayıt tutmanın işe yaramaması değildi; sorun, elle kayıt tutmanın sürdürülemeyecek kadar yavaş olmasıydı. İnsanlar takibi bıraktığında genellikle "işe yaramadı" demezler, "vaktim yoktu" derler.

Tabağınızın fotoğrafını çekmek tüm bu süreci tek dokunuşa indirir. Uygulamayı açar, kadraja bakar, deklanşöre basarsınız; gerisini yapay zeka yapar. İşte bu yüzden yapay zeka ile yemek tarama, takibin en hızlı yolu haline geldi. Amaç kusursuz bir kayıt tutmak değil, uzun süre bırakmayacağınız kadar kolay bir kayıt tutmaktır; çünkü haftalarca sürdürdüğünüz kabaca doğru bir kayıt, üç günde terk ettiğiniz kusursuz bir kayıttan her zaman daha çok kilo verdirir.

Türkiye'de uygulama mağazaları reklamlarla dolu, çoğu zaman elle giriş isteyen "kalori sayacı" uygulamalarıyla dolu; bu uygulamaların birçoğu da yerel yemeklerin çoğunu veritabanında bulundurmaz. Kuru fasulyeyi, mercimek çorbasını ya da içli köfteyi tek tek aramak, sabrın çabuk tükendiği bir iştir. Fotoğrafla tarama bu engeli aşar: sistem yemeği önce görüntüden tanır, sonra siz yalnızca miktarı doğrularsınız. Böylece kayıt tutmak, günlük bir yük olmaktan çıkıp iki saniyelik bir alışkanlığa dönüşür.

## Fotoğraftan kalori hesaplama adım adım

### 1. Net, düz açılı bir fotoğraf çekin

Tüm tabağı iyi bir aydınlatmayla kadraja alın. Hafif açılı, neredeyse üstten çekilmiş bir kare, yapay zekaya porsiyon miktarları için en iyi görünümü verir; çünkü modelin yiyeceklerin yalnızca yüzeyini değil derinliğini de görmesi gerekir. Sert gölgelerden, yükselen buhardan veya yemeğin bir kısmını gizleyen aşırı yakın çekimlerden kaçının. Bir yiyecek üst üste yığılmışsa (örneğin bir tabak dolusu pilav ya da makarna), kameranın tüm miktarı görebilmesi için onu biraz yayın. Buğulanmış bir çorba kâsesinin ya da loş bir restoran masasının en zorlu koşulları oluşturduğunu unutmayın; mümkünse tabağı ışığa doğru çevirin. Gün ışığı en iyisidir; akşam yemeklerinde ise tabağı doğrudan tavan lambasının altına almak, sarı ve donuk bir görüntüden çok daha iyi sonuç verir. Fotoğrafı çekmeden önce telefonu iki saniye sabit tutmak, bulanıklığı önler ve tanımayı belirgin biçimde kolaylaştırır.

### 2. Yapay zekanın yiyecekleri tanımasına izin verin

Görüntü modeli tabaktaki her farklı yiyeceği (proteini, nişastayı, sebzeleri) tanır ve bunları ayrı ayrı öğelere böler. İyi uygulamalar size tek, toplu bir sayı yerine ayrıntılı dökümü gösterir; böylece yapay zekanın tam olarak neye baktığını düşündüğünü görebilir ve varsa hatalı bir okumayı düzeltebilirsiniz. Türk sofrasında etli bir sebze yemeği, pilav, cacık ve salata çoğu zaman aynı tabakta ya da yan yana geldiğinden, bu döküm özellikle işe yarar: yapay zekanın bulguru pilavla ya da yoğurdu sosla karıştırıp karıştırmadığını tek bakışta görürsünüz. Bir öğe yanlış tanınmışsa dokunup düzeltin; bu, sonraki taramaların da doğru gitmesine yardımcı olur. Tek bir toplu sayı veren, dökümü göstermeyen uygulamalardan uzak durun; çünkü orada nerede yanıldığını göremez, dolayısıyla düzeltemezsiniz.

### 3. Porsiyon tahminini kontrol edin

Çoğu insanın atladığı adım budur ve en çok önem taşıyan da odur. Yapay zeka hacmi görüntüden tahmin eder, ama tavuk göğsünüzün ağırlığını ya da sotenize sinmiş yağı hissedemez. Porsiyon yanlış görünüyorsa ayarlayın. Çoğu uygulama porsiyonları tek dokunuşla artırıp azaltmanıza izin verir. 170 gramlık bir porsiyonun 115 gram olarak etiketlenmesi, herhangi bir yanlış tanımadan çok daha büyük bir hatadır; çünkü yanlış tanınan bir yiyecek birkaç kalori kayması yaratırken, yanlış tahmin edilen bir porsiyon yüzlerce kalorilik farka yol açabilir. Gözünüz zamanla oturur, ama ilk haftalarda tahminleri gözden geçirmeyi alışkanlık haline getirin.

Pratik bir örnek: bir kepçe pilav mı yoksa iki kepçe mi yediniz? Bir dilim ekmek mi, iki dilim mi? Bu küçük ayrımlar, günün sonunda toplam sayının belirleyicisi olur. Elinizle ölçmek de işe yarar; sıkılı bir yumruk kabaca bir su bardağı hacme, avuç içiniz de bir porsiyon proteine denk gelir. Bu basit referansları kullanarak yapay zekanın tahminini birkaç saniyede güvenle düzeltebilirsiniz.

### 4. Makroları gözden geçirip kaydedin

Porsiyonlar doğru göründüğünde kalorinin yanı sıra protein, karbonhidrat, yağ ve lif değerlerini alırsınız. LensNutra'da ayrıca [makro takipçisinden 1 ile 10 arası bir sağlık puanı](/features/macro-tracker) alırsınız; böylece öğünü yalnızca miktarına göre değil kalitesine göre de değerlendirebilirsiniz. Bu puan, aynı kaloriye sahip iki öğün arasında hangisinin daha çok protein ve lif içerdiğini bir bakışta görmenizi sağlar. Onaylayın, öğün gününüze kaydedilsin ve günlük toplamınıza eklensin. Bileşenleri belirgin olduğu için fotoğraf tarayıcıların iyi başa çıktığı bir örnek olan [tavuk ve pilav kalorileri sayfamızda](/calories/chicken-and-rice) çözümlenmiş bir örnek görebilirsiniz.

## Fotoğraf doğruluğunu ne artırır, ne düşürür?

Doğru bir fotoğraf kaydıyla kötü bir kayıt arasındaki fark genellikle uygulamadan değil, kadrajda ne olduğundan kaynaklanır. İşte sayıyı her iki yönde değiştiren şeyler.

| Doğruluğu artırır | Doğruluğu düşürür |
| --- | --- |
| Tüm tabağı gösteren hafif üstten açı | Derinliği gizleyen aşırı yakın çekim veya yan açı |
| Eşit, parlak aydınlatma | Sert gölgeler, loş odalar veya parlama |
| Boyut referansı (çatal, standart tabak, el) | Sade bir zeminde tek başına duran yiyecek yığını |
| Ayrı ayrı dizilmiş bütün yiyecekler | Karıştırılmış, katmanlı veya soslu karışık yemekler |
| Yemeden önce tüm porsiyonu fotoğraflamak | Yarısı yenmiş tabak |
| Taramadan sonra porsiyonu ayarlamak | İlk tahmini kontrol etmeden kabul etmek |
| Varsa barkod veya etiket taramak | Paketli yiyeceğin porsiyonunu fotoğraftan tahmin etmek |

## Fotoğraf kalori kayıtlarını daha isabetli yapacak 5 ipucu

1. **Boyut referansı ekleyin.** Kadraja bir çatal, standart bir yemek tabağı ya da elinizi katmak yapay zekaya ölçek verir. Beyaz bir zeminde tek başına duran bir pilav yığınının boyutunu tahmin etmek çok daha zordur.
2. **Karışık yiyecekleri mümkün olduğunca ayırın.** Bir güveç ya da bir smoothie malzemelerini gizler. Tabağa ayrı ayrı dizilmiş bütün yiyeceklerin miktarını tahmin etmek çok daha kolaydır.
3. **Yemeden önce fotoğraflayın.** Yarısı yenmiş tabağı değil, tüm porsiyonu çekin. Yapay zeka yalnızca gördüğünü ölçebilir.
4. **Porsiyonları düzenleyin.** Yapay zeka size akıllı bir başlangıç noktası verir. Bunu değişmez bir gerçek değil, geliştireceğiniz bir taslak gibi görün; özellikle küçük bir hacim hatasının büyük bir kalori hatasına dönüştüğü, kalori yoğunluğu yüksek yiyeceklerde.
5. **Paketli yiyecek için barkod kullanın.** Etiketi ya da barkodu varsa, [barkodu taramak](/features/barcode-scanner) tam basılı sayıları çeker; bu da her fotoğraf tahmininden üstündür.

## Fotoğraftan kalori hesaplama gerçekte ne kadar doğru?

Dürüst cevap: eğilimleri takip etmek için çok iyi, kalorisine kadar mükemmel değil. Yapay zeka yemek tanıma, tek tek ve net biçimde ayrılmış yiyeceklerde genellikle %85 ila %95, malzemelerin birbirinin arkasına gizlendiği karışık öğünlerde ise %65 ila %80 isabetlidir. Yani ızgara bir köftenin yanındaki pilava kıyasla, malzemeleri iç içe geçmiş bir kuru fasulye ya da karnıyarıkta hata payı doğal olarak artar. Bu, uygulamanın kusuru değil, fiziğin sınırıdır: bir kamera yalnızca gördüğünü ölçebilir ve sosun altına saklanan malzemeleri göremez. Yerel bir örnek vermek gerekirse, üzerine yoğurt ve tereyağlı sos gezdirilmiş bir mantı tabağında hem hamurun içindeki eti hem de sosa giden yağı tam kestirmek zordur.

Hataların çoğunu iki şey belirler. İlki, kameranın yalnızca hacimden tahmin ettiği porsiyon miktarıdır. İkincisi gizli yağdır: bir yemek kaşığı pişirme yağı, [USDA FoodData Central](https://fdc.nal.usda.gov/) verilerine göre yaklaşık 120 kalori ve kabaca 14 gram yağ içerir ve bitmiş bir sotenin fotoğrafında görünmez. Tencerede kullanılan iki üç kaşık yağ, kolayca birkaç yüz görünmez kalori demektir; bu yüzden ev yemeklerinde porsiyonu onaylarken yağ payını da hesaba katmak akıllıca olur. Türk mutfağı zeytinyağı ve tereyağı bakımından cömert olduğu için bu, yerel tabaklarda özellikle geçerlidir; sote, kavurma ya da zeytinyağlılarda tencerede kalan yağ gözle görülmez ama kaloriye eklenir. İşte bu yüzden porsiyonları ayarlamak ve gizli yağları eklemek, herhangi bir tekil yiyecek etiketinden daha çok önem taşır.

İyi haber şu ki bu düzeyde bir hassasiyet yeterlidir. Kilo değişimi, herhangi bir öğünün tam sayımıyla değil, haftalar boyunca ortalama kalori dengenizle belirlenir. Federal [Amerikalılar için Beslenme Rehberi](https://www.dietaryguidelines.gov/) sağlıklı beslenmeyi öğün başına kusursuz matematik yerine tutarlı genel örüntüler etrafında tanımlar. Her gün %90 doğru olan bir kayıt, bir hafta sonra terk ettiğiniz kusursuz bir kayıttan iyidir. Gerçek sayıları [yapay zeka kalori sayma ne kadar doğru](/blog/how-accurate-are-ai-calorie-counters) yazımızda ayrıntılı ele alıyoruz.

Bunu şöyle düşünün: kilo takibi bir borsa grafiği gibidir; tek tek günlerin gürültüsü değil, haftalık eğilim önemlidir. Bir gün tahmin biraz yüksek, ertesi gün biraz düşük çıkar ve bu küçük hatalar zamanla birbirini götürür. Önemli olan, her öğünde ne yediğinize dair güvenilir ve tutarlı bir resim edinmektir. Fotoğraftan kalori hesaplama tam da bunu sağlar: mükemmel olmayan ama her gün eksiksiz tuttuğunuz bir kayıt, aradaki farkı sizin lehinize çevirir.

## Ne zaman fotoğraf, ne zaman barkod, ne zaman manuel giriş?

Fotoğrafla tarama en hızlı seçenektir, ama her zaman en doğrusu değildir. En iyi sonucu almak için yöntemi yiyeceğe göre seçin.

- **Fotoğraf kullanın:** bileşenleri görünür ve belirgin olan bütün yiyecekli, ev yapımı ya da restoran tabakları için. Izgara, salata, pilav ve sebzeler bunun tipik örnekleridir.
- **Barkod veya besin değerleri etiketi kullanın:** paketli her şey için. Basılı sayılar her seferinde tahminleri yener, bu yüzden protein barları, yoğurt kapları ve hazır dondurulmuş yemekler için [barkod tarama](/features/barcode-scanner) kazanır.
- **Manuel giriş kullanın:** sık yaptığınız tarifler için. Standart yulaf lapanızı ya da menemeninizi birkaç kez kaydettikten sonra, kayıtlı bir öğün yeniden taramaktan hem daha hızlı hem daha kesindir.

Çoğu insan sonunda üçünü birden harmanlar: dağınık ve değişken öğünler için fotoğraf; paketli ürünler için barkod; her gün tekrarlayan öğünler için kayıtlı öğünler. Böylece hız ve doğruluk arasında pratik bir denge kurarsınız. Örneğin sabah kahvaltıda paketli yoğurdun barkodunu okutur, öğle yemeğinde restoran tabağınızın fotoğrafını çeker, akşam ise her zaman yaptığınız mercimek çorbasını kayıtlı öğünlerden tek dokunuşla eklersiniz. Zamanla hangi yiyecek için hangi yöntemin en pratik olduğunu içgüdüsel olarak bilir hale gelirsiniz. Makro hedefleri hakkında tam resmi görmek istiyorsanız [makro besin hesaplama](/blog/how-to-track-macros) rehberimize bakın.

## Sonuç

Fotoğraftan kalori hesaplamak, insanların takibi bırakmasının en büyük nedenini ortadan kaldırır: sürtünme. Çek, döküme göz at, porsiyonu ayarla, tamam. Bunu düzenli yapın; sonuçlar kendiliğinden gelir, çünkü kantarın üzerindeki sayıyı değiştiren şey ondalık kesinlik değil, gün be gün sürdürdüğünüz tutarlılıktır. Mükemmel olmaya çalışıp iki günde pes etmek yerine, kabaca doğru ama her gün tuttuğunuz bir kaydı hedefleyin; asıl fark yaratan yaklaşım budur.

Denemek ister misiniz? [LensNutra'yı indirin](/download) ve ilk öğününüzü saniyeler içinde bir fotoğraftan kaydedin; kalori takibinin ne kadar kolay olabileceğini kendiniz göreceksiniz.