Update src/streamlit_app.py

src/streamlit_app.py

@@ -1,32 +1,35 @@
-import streamlit as st 
+import streamlit as st
 from tensorflow.keras.models import load_model
 from PIL import Image
 import numpy as np
 
-# ✅ Doğru dosya yolu
-model = load_model('src/my_cnn_model.h5')
+# Modeli yükle
+model = load_model('my_cnn_model.h5')
 
+# Sınıf isimleri
 class_names = ['Kanser Değil', 'Kanser']
 
+# Resmi işle
 def process_image(img):
-    img = img.resize((170,170))
+    img = img.resize((170, 170))
     img = np.array(img) / 255.0
     img = np.expand_dims(img, axis=0)
     return img
 
-st.title("🧬 Cilt Kanseri Sınıflandırıcı")
-st.write("Bir cilt görseli yükleyin, model kanser olup olmadığını tahmin etsin.")
+# Uygulama arayüzü
+st.title("🩺 Cilt Kanseri Sınıflandırıcı")
+st.write("Bir deri lezyonu resmi yükle, model tahmin etsin:")
 
-file = st.file_uploader('Bir resim seç', type=['jpg','jpeg','png'])
+file = st.file_uploader("Resim seç", type=["jpg", "jpeg", "png"])
 
 if file is not None:
     img = Image.open(file).convert("RGB")
-    st.image(img, caption='Yüklenen Resim', use_container_width=True)
+    st.image(img, caption="Yüklenen Görsel", 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]}")
-
     confidence = np.max(prediction)
-st.success(f"Tahmin: {class_names[predicted_class]} ({confidence:.2%} güven)")
 
+    st.success(f"Tahmin: {class_names[predicted_class]} ({confidence:.2%} güven)")