Update src/streamlit_app.py

src/streamlit_app.py

@@ -1,28 +1,40 @@
-import streamlit as st 
+import streamlit as st
 from tensorflow.keras.models import load_model
 from PIL import Image
 import numpy as np
 
-model=load_model('my_cnn_model.h5')
+# Modeli yükle
+try:
+    model = load_model('my_cnn_model.h5')
+except Exception as e:
+    st.error(f"Model yüklenirken bir hata oluştu: {e}")
 
 def process_image(img):
-    img=img.resize((170,170)) #boyutunu 170 x 170 pixel yaptik
-    img=np.array(img)
-    img=img/255.0 #normalize ettik
-    img=np.expand_dims(img,axis=0)
+    img = img.resize((170, 170))  # Boyutunu 170 x 170 pixel yaptık
+    img = np.array(img)
+    img = img / 255.0  # Normalize ettik
+    img = np.expand_dims(img, axis=0)
     return img
 
-st.title("Kanser Resmi Siniflandirma :cancer:")
-st.write("Resim sec ve model kanser olup olmadigini tahmin etsin")
+st.title("Kanser Resmi Sınıflandırma :cancer:")
+st.write("Resim seç ve model kanser olup olmadığını tahmin etsin.")
 
-file=st.file_uploader('Bir Resim Sec',type=['jpg','jpeg','png'])
+file = st.file_uploader('Bir Resim Seç', type=['jpg', 'jpeg', 'png'])
 
 if file is not None:
-    img=Image.open(file)
-    st.image(img,caption='yuklenen resim')
-    image= process_image(img)
-    prediction=model.predict(image)
-    predicted_class=np.argmax(prediction)
+    img = Image.open(file)
+    st.image(img, caption='Yüklenen Resim', use_column_width=True)
     
-    class_names=['Kanser Degil','Kanser']
-    st.write(class_names[predicted_class])
+    # Resmi işle
+    image = process_image(img)
+    
+    # Tahmin yap
+    try:
+        prediction = model.predict(image)
+        predicted_class = np.argmax(prediction)
+        
+        class_names = ['Kanser Değil', 'Kanser']
+        st.write(class_names[predicted_class])
+    except Exception as e:
+        st.error(f"Tahmin yaparken bir hata oluştu: {e}")
+