Update src/streamlit_app.py

src/streamlit_app.py

@@ -3,43 +3,26 @@ from tensorflow.keras.models import load_model
 from PIL import Image
 import numpy as np
 
-# ✅ Modeli doğru yoldan yükle (gerekirse "src/my_cnn_model.h5" yap)
-model = load_model('my_cnn_model.h5')
+# ✅ Doğru dosya yolu
+model = load_model('src/my_cnn_model.h5')
 
-# ✅ Sınıf isimleri (Binary Classification)
 class_names = ['Kanser Değil', 'Kanser']
 
-# ✅ Resim ön işleme fonksiyonu
 def process_image(img):
-    img = img.resize((170, 170))  # modelin beklediği input boyutu
-    img = np.array(img) / 255.0   # normalizasyon
-    img = np.expand_dims(img, axis=0)  # modelin beklediği 4D tensor
+    img = img.resize((170,170))
+    img = np.array(img) / 255.0
+    img = np.expand_dims(img, axis=0)
     return img
 
-# ✅ Uygulama başlığı ve açıklama
-st.set_page_config(page_title="Cilt Kanseri Sınıflandırıcı")
-st.title("🔬 Cilt Kanseri Sınıflandırma")
+st.title("🧬 Cilt Kanseri Sınıflandırıcı")
 st.write("Bir cilt görseli yükleyin, model kanser olup olmadığını tahmin etsin.")
 
-# ✅ Kullanıcıdan dosya al
-file = st.file_uploader('📷 Resim Seç', type=['jpg', 'jpeg', 'png'])
+file = st.file_uploader('Bir resim seç', type=['jpg','jpeg','png'])
 
 if file is not None:
-    try:
-        img = Image.open(file).convert("RGB")
-        st.image(img, caption='Yüklenen Resim', use_container_width=True)
-        
-        # İşleme ve tahmin
-        processed = process_image(img)
-        prediction = model.predict(processed)
-        predicted_class = int(np.argmax(prediction))
-
-        # Tahmini yazdır
-        if predicted_class < len(class_names):
-            st.success(f"Tahmin: **{class_names[predicted_class]}**")
-        else:
-            st.warning("⚠️ Tahmin edilen sınıf geçersiz. Model veya sınıf isimleri uyuşmuyor.")
-    except Exception as e:
-        st.error(f"Bir hata oluştu: {e}")
-        confidence = float(np.max(prediction)) * 100
-        st.write(f"🧠 Güven: %{confidence:.2f}")
+    img = Image.open(file).convert("RGB")
+    st.image(img, caption='Yüklenen Resim', use_container_width=True)
+    image = process_image(img)
+    prediction = model.predict(image)
+    predicted_class = np.argmax(prediction)
+    st.success(f"Tahmin: {class_names[predicted_class]}")