Update src/streamlit_app.py

src/streamlit_app.py

@@ -3,26 +3,43 @@ from tensorflow.keras.models import load_model
 from PIL import Image
 import numpy as np
 
-model=load_model('my_cnn_model.h5')
+# ✅ Modeli doğru yoldan yükle (gerekirse "src/my_cnn_model.h5" yap)
+model = load_model('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)) #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))  # modelin beklediği input boyutu
+    img = np.array(img) / 255.0   # normalizasyon
+    img = np.expand_dims(img, axis=0)  # modelin beklediği 4D tensor
     return img
 
-st.title("Kanser Resmi Siniflandirma :cancer:")
-st.write("Resim sec ve model kanser olup olmadigini tahmin etsin")
+# ✅ Uygulama başlığı ve açıklama
+st.set_page_config(page_title="Cilt Kanseri Sınıflandırıcı")
+st.title("🔬 Cilt Kanseri Sınıflandırma")
+st.write("Bir cilt görseli yükleyin, model kanser olup olmadığını tahmin etsin.")
 
-file=st.file_uploader('Bir Resim Sec',type=['jpg','jpeg','png'])
+# ✅ Kullanıcıdan dosya al
+file = st.file_uploader('📷 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)
-    
-    class_names=['Kanser Degil','Kanser']
-    st.write(class_names[predicted_class])
+    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}")