Update src/streamlit_app.py

src/streamlit_app.py

@@ -3,20 +3,61 @@ from PIL import Image
 import numpy as np
 from tensorflow.keras.models import load_model
 
-# 🔧 CONFIG PANELİ
 st.set_page_config(page_title="Sıtma Sınıflandırıcı", page_icon="🦟")
 
-st.sidebar.title("⚙️ Ayarlar")
-model_path = st.sidebar.text_input("Model Dosyası Yolu", value="src/myn_cnn_model.h5")
-image_size = st.sidebar.slider("Görsel Boyutu (px)", min_value=32, max_value=256, value=64, step=16)
-
 st.title("🦟 Sıtma Resmi Sınıflandırma")
 st.write("Bir mikroskop görüntüsü yükleyin, sıtma olup olmadığını tahmin edelim.")
 
 # MODELİ YÜKLE (compile=False kritik!)
 try:
-    model = load_model(model_path, compile=False)
+    model = load_model("src/myn_cnn_model.h5", compile=False)
     st.success("✅ Model başarıyla yüklendi.")
 except Exception as e:
     st.error(f"❌ Model yüklenemedi: {e}")
     st.stop()
+
+# SINIFLAR
+class_names = ["Sıtma Değil", "Sıtma"]
+
+# GÖRSEL SEÇİCİ
+file = st.file_uploader("📷 Mikroskop Görüntüsü Seçin", type=["jpg", "jpeg", "png"])
+
+# TAHMİN İŞLEMİ
+if file:
+    try:
+        image = Image.open(file).convert("RGB")
+        st.image(image, caption="Yüklenen Resim", use_container_width=True)
+
+        img = image.resize((170, 170))
+        img = np.array(img) / 255.0
+        img = np.expand_dims(img, axis=0)
+
+        # 📌 TAHMİN
+        prediction = model.predict(img)
+
+        # RAW ÇIKTIYI GÖSTER (debug için)
+        st.write("📊 Model çıktısı (şekil):", prediction.shape)
+        st.write("📊 Model çıktısı (değer):", prediction.tolist())
+
+        # SHAPE KONTROLÜ VE YORUMLAMA
+        if prediction.shape[-1] == 1:
+            predicted_class = int(prediction[0][0] > 0.5)
+        elif prediction.shape[-1] == 2:
+            predicted_class = int(np.argmax(prediction))
+        else:
+            st.error("⚠️ Model çıktısı beklenmeyen formatta.")
+            st.stop()
+
+        # SONUCU GÖSTER
+        st.success(f"🧪 Tahmin: **{class_names[predicted_class]}**")
+
+        # SKORLARI GÖSTER
+        st.subheader("📈 Sınıf Skorları:")
+        for i, score in enumerate(prediction[0]):
+            if i < len(class_names):
+                st.write(f"{class_names[i]}: {score:.4f}")
+            else:
+                st.write(f"Sınıf {i}: {score:.4f}")
+
+    except Exception as e:
+        st.error(f"🚫 Görsel işleme hatası: {e}")