src/streamlit_app.py

from tensorflow.keras.applications import VGG16
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten, Dense
import streamlit as st
from PIL import Image
import numpy as np

base_model = VGG16(
    weights="imagenet",
    input_shape=(224,224,3),
    include_top=False
)

for layer in base_model.layers:
    layer.trainable = False

model = Sequential()
model.add(base_model)
model.add(Flatten())
model.add(Dense(1024, activation="relu"))
model.add(Dense(5, activation="softmax"))

# Şimdi eğitilmiş ağırlıkları yüklüyoruz
model.load_weights("/app/src/rice_transfer_model.weights.h5")


# sınıf isimlerini tanımlıyoruz
class_names = ["Arborio", "Basmati", "Ipsala", "Jasmine", "Karacadag"]

# resmi modele uygun hale getiriyoruz
def process_image(img):

    img = img.resize((224,224))

    img = np.array(img)

    img = img / 255.0

    img = np.expand_dims(img, axis=0)

    return img


st.title("Transfer Learning Pirinç Siniflandirma")
st.write("Pirinç görseli yükle, model türünü tahmin etsin.")

# kullanıcıdan resim alıyoruz
file = st.file_uploader( "Bir resim yükle", type=["jpg","jpeg","png"])

# Şimdi tahmin yapıyoruz
if file is not None:

    img = Image.open(file)

    st.image(img, caption="Yüklenen Resim")

    image = process_image(img)

    prediction = model.predict(image)

    predicted_class = np.argmax(prediction)

    confidence = np.max(prediction) * 100

    st.write(
        "Tahmin:",
        class_names[predicted_class]
    )

    st.write(
        "Güven Oranı:",
        round(confidence,2),
        "%"
    )