Update src/streamlit_app.py

src/streamlit_app.py

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