Update src/streamlit_app.py

src/streamlit_app.py

@@ -1,63 +1,40 @@
 import streamlit as st
-from PIL import Image
 import numpy as np
+from PIL import Image
 from tensorflow.keras.models import load_model
 
-st.set_page_config(page_title="Sıtma Sınıflandırıcı", page_icon="🦟")
-
-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("src/myn_cnn_model.h5", compile=False)
-    st.success("✅ Model başarıyla yüklendi.")
-except Exception as e:
-    st.error(f"❌ Model yüklenemedi: {e}")
-    st.stop()
+# Modeli yükle
+model = load_model("src/saved_model_format.keras")
 
-# SINIFLAR
-class_names = ["Sıtma Değil", "Sıtma"]
+# Görseli işle
+def process_image(img):
+    img = img.resize((170, 170))  # Modelin beklediği boyut
+    img = np.array(img) / 255.0   # Normalize et
+    img = np.expand_dims(img, axis=0)  # (1, 170, 170, 3)
+    return img
 
-# GÖRSEL SEÇİCİ
-file = st.file_uploader("📷 Mikroskop Görüntüsü Seçin", type=["jpg", "jpeg", "png"])
+# Streamlit başlık
+st.title("Sıtma Tespiti Uygulaması")
+st.write("Bir hücre resmi yükleyin. Model, sıtma olup olmadığını tahmin etsin.")
 
-# TAHMİN İŞLEMİ
-if file:
-    try:
-        image = Image.open(file).convert("RGB")
-        st.image(image, caption="Yüklenen Resim", use_container_width=True)
+# Görsel yükleme
+uploaded_file = st.file_uploader("Bir resim seçin", type=["jpg", "jpeg", "png"])
 
-        img = image.resize((170, 170))
-        img = np.array(img) / 255.0
-        img = np.expand_dims(img, axis=0)
+if uploaded_file is not None:
+    image = Image.open(uploaded_file).convert("RGB")
+    st.image(image, caption="Yüklenen Resim", use_column_width=True)
 
-        # 📌 TAHMİN
-        prediction = model.predict(img)
+    # Tahmin butonu
+    if st.button("Tahmin Et"):
+        img = process_image(image)
+        prediction = model.predict(img)  # shape: (1, 2) — softmax çıktısı
 
-        # RAW ÇIKTIYI GÖSTER (debug için)
-        st.write("📊 Model çıktısı (şekil):", prediction.shape)
-        st.write("📊 Model çıktısı (değer):", prediction.tolist())
+        class_names = ["Sıtma Yok", "Sıtma Var"]
+        predicted_class = np.argmax(prediction, axis=1)[0]
+        confidence = prediction[0][predicted_class]
 
-        # 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))
+        # Sonucu göster
+        if predicted_class == 1:
+            st.error(f"Sonuç: {class_names[predicted_class]} ⚠️ ({confidence:.2%} emin)")
         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}")
+            st.success(f"Sonuç: {class_names[predicted_class]} ✅ ({confidence:.2%} emin)")