Yapay Zeka Gıda Tarayıcısı Telefon Fotoğraflarını Besin Analizine Dönüştürüyor
Yemeğinizin bir fotoğrafını çekin, yapay zeka anında kalori miktarını, yağ içeriğini ve besin değerini size söylesin – artık yemek günlükleri tutmaya veya tahmin yürütmeye gerek yok. Bu fütüristik senaryo, NYU Tandon Mühendislik Okulu araştırmacılarının geliştirdiği bir yapay zeka sistemi sayesinde gerçeğe çok daha yakın. Bu sistem, kilo kontrolü, diyabet ve diğer beslenmeyle ilişkili sağlık sorunlarıyla mücadele eden milyonlarca insan için yeni bir araç vaat ediyor.
IEEE Uluslararası Mobil Bilgi İşlem ve Sürdürülebilir Bilişim Konferansı’nda sunulan bir makalede detaylandırılan bu teknoloji, derin öğrenme algoritmaları kullanarak görüntülerdeki yiyecekleri tanıyor ve kalori, protein, karbonhidrat ve yağ gibi besin içeriklerini hesaplıyor.
On yıldan fazla süredir, makalenin baş yazarı Prabodh Panindre ve ortak yazarı Sunil Kumar’ın da dahil olduğu NYU İtfaiye Araştırma Grubu, itfaiyecilerin sağlık ve operasyonel zorluklarını inceliyor. Araştırmalar, kariyer itfaiyecilerinin %73-88’inin ve gönüllü itfaiyecilerin %76-87’sinin aşırı kilolu veya obez olduğunu, bu durumun kardiyovasküler ve diğer sağlık risklerini artırarak operasyonel hazırlığı tehdit ettiğini gösteriyor. Bu bulgular, yapay zeka destekli gıda takip sisteminin geliştirilmesinde doğrudan motivasyon kaynağı oldu.
NYU Tandon Mühendislik Okulu Mekanik Mühendislik Bölümü’nde Doçent Araştırma Profesörü olan Panindre, “Geleneksel gıda takip yöntemleri, büyük ölçüde güvenilmez olan öz bildirimlere dayanıyor. Sistemimiz, insan hatasını denklemden çıkarıyor,” diyor.
Konsept basit gibi görünse de, güvenilir bir gıda tanıma yapay zekası geliştirmek yıllardır araştırmacıları zorladı. Daha önceki girişimler, NYU Tandon ekibi’nin aşmayı başardığı üç temel zorlukla karşılaştı.
NYU Abu Dhabi Mekanik Mühendislik Profesörü ve NYU Tandon Küresel Ağ Mekanik Mühendislik Profesörü olan Kumar, “Yiyeceklerin görsel çeşitliliği inanılmaz derecede fazla. Standart görünümlü üretilmiş nesnelerin aksine, aynı yemek, onu kimin hazırladığına bağlı olarak çarpıcı şekilde farklı görünebilir. Bir restorandaki burger, başka bir yerdekine benzemez; ev yapımı versiyonlar ise başka bir karmaşıklık katmanı ekler,” diyor.
Önceki sistemler, besin hesaplamalarında kritik bir faktör olan porsiyon boyutlarını tahmin etmekte de zorlanıyordu. NYU ekibinin ilerlemesi, her yiyeceğin tabakta kapladığı alanı tam olarak ölçmek için gelişmiş görüntü işleme kullanan hacimsel hesaplama fonksiyonu. Sistem, her yiyeceğin kapladığı alanı yoğunluk ve makro besin verileriyle ilişkilendirerek 2D görüntüleri besin değerlendirmelerine dönüştürüyor. Bu, yapay zeka modeli ile hacimsel hesaplamaların entegrasyonu sayesinde manuel giriş olmadan hassas analiz sağlıyor ve otomatik diyet takibindeki uzun süredir devam eden bir sorunu çözüyor.
Üçüncü büyük engel ise hesaplama verimliliğiydi. Önceki modeller, gerçek zamanlı kullanım için pratik olmayan çok fazla işlem gücü gerektiriyor, genellikle gecikmelere ve gizlilik endişelerine yol açan bulut işlemine ihtiyaç duyuyordu. Araştırmacılar, YOLOv8 adlı güçlü bir görüntü tanıma teknolojisini ONNX Runtime (yapay zeka programlarının daha verimli çalışmasını sağlayan bir araç) ile kullanarak, indirilebilir bir uygulama yerine bir web sitesinde çalışan bir gıda tanımlama programı geliştirdi. Bu, insanların telefonlarının web tarayıcısını kullanarak yemeklerini analiz etmelerine ve diyetlerini takip etmelerine olanak tanıyor.
Çeşitli Yemeklerde Başarılı Testler
Sistem, bir dilim pizzada test edildiğinde 317 kalori, 10 gram protein, 40 gram karbonhidrat ve 13 gram yağ hesapladı – bu değerler referans standartlarla yakından uyumlu. Güney Hindistan’a özgü buğulanmış pirinç kekleri ve mercimek yahnisi içeren idli sambhar gibi daha karmaşık yemeklerde de benzer şekilde iyi performans gösterdi; bu yemek için 221 kalori, 7 gram protein, 46 gram karbonhidrat ve sadece 1 gram yağ hesaplandı.
Panindre, “Amacımız, sistemin farklı mutfaklar ve yemek sunumlarında çalışmasını sağlamaktı. Bir sosisli sandviçte –sistemimize göre 280 kalori– olduğu kadar, Ortadoğu tatlısı baklavada –sistemimizin 310 kalori ve 18 gram yağ olarak tanımladığı– da doğru sonuçlar vermesini istedik,” diyor.
Araştırmacılar, veri zorluklarını benzer yiyecek kategorilerini birleştirerek, çok az örneği olan yiyecek türlerini çıkararak ve eğitim sırasında belirli yiyeceklere ekstra vurgu yaparak çözdü. Bu teknikler, başlangıçtaki sayısız görüntüden daha dengeli bir şekilde 214 yiyecek kategorisi içeren 95.000 örneklik bir eğitim veri setini rafine etmelerine yardımcı oldu.
Teknik performans ölçümleri etkileyici: Sistem, Intersection over Union (IoU) eşiği 0.5’te 0.7941’lik bir ortalama Hassasiyet (mAP) puanı elde etti. Teknik olmayanlar için bu, yapay zekanın yiyecekleri yaklaşık %80 doğrulukla bulup tanımlayabildiği anlamına geliyor, hatta yiyecekler üst üste binse veya kısmen gizlenmiş olsa bile.
Sistem, mobil cihazlarda çalışan bir web uygulaması olarak dağıtıldı ve bu, akıllı telefonu olan herkes için potansiyel olarak erişilebilir hale getiriyor. Araştırmacılar, mevcut sistemlerini bir “kavram kanıtı” olarak tanımlıyor ve bunu çok yakında daha geniş sağlık uygulamaları için geliştirmeyi ve genişletmeyi planlıyor.
Makalenin yazarları arasında Panindre ve Kumar’a ek olarak, NYU Tandon Bilgisayar Bilimi ve Mühendisliği Bölümü’nde yüksek lisans öğrencileri olan Praneeth Kumar Thummalapalli ve Tanmay Mandal da yer alıyor.
Çalışmanın Teknik Detayları
Yayın Tarihi: 18 Mart 2025 Kaynak:NYU Tandon School of Engineering
Zinde Türkiye Sağlıklı Yaşam ve Spor Dergisi 2009 yılında kurularak bodytr.com adresinde 2014 yılındaki satışa kadar geçen sürede hizmet vermiş ve ülkenin en çok ziyaret edilen fitness sitesi olmuştu. 10 yıllık bir aradan sonra 2025 yılında tekrar etkinleşmiştir.
İlk yorum yapan siz olun