Spaces:
Sleeping
Sleeping
File size: 1,930 Bytes
64dde49 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 |
import streamlit as st
from tensorflow.keras.models import load_model
from PIL import Image
import numpy as np
# Modeli yükleme
model = load_model('my_skin_cancer_model.h5')
def process_img(img):
img = img.resize((170, 170), Image.LANCZOS) # 170x170 piksel boyutuna dönüştürme, LANCZOS filtresi kullanılıyor
img = np.array(img) / 255.0 # Normalize etme
img = np.expand_dims(img, axis=0) # Resme boyut ekleme
return img
# Sayfa başlığı ve stili
st.markdown("""
<style>
.main {
background-color: #f5f5f5;
}
.title {
font-size: 36px;
font-weight: bold;
color: #4CAF50;
}
.subtitle {
font-size: 18px;
color: #555555;
}
.result {
font-size: 24px;
font-weight: bold;
color: #FF5722;
}
</style>
""", unsafe_allow_html=True)
st.markdown('<div class="title">Cilt Kanseri Resmini Sınıflandırılması</div>', unsafe_allow_html=True)
st.markdown('<div class="subtitle">Resim seç ve modelimiz kanser olup olmadığını kontrol etsin.<br>Upload an image and the model will predict if your image shows cancer or not.</div>', unsafe_allow_html=True)
file = st.file_uploader("Resim Yükle & Upload Image", type=['png', 'jpg', 'jpeg'])
if file is not None: # Resim boş değilse
img = Image.open(file) # Resmi açma
st.image(img, caption="Yüklenen Resim", use_column_width=True) # Seçilen resmi gösterme
result = process_img(img) # Fonksiyonla resim işleme, yani boyut değişecek ve işlenebilir hale getirilecek
prediction = model.predict(result)
prediction_class = np.argmax(prediction) # 0 veya 1 olarak tahmin edilen sınıf
class_names = ['Kanser Değil', 'Kanser!']
st.markdown(f'<div class="result">Sonuç: {class_names[prediction_class]}</div>', unsafe_allow_html=True)
else:
st.info("Lütfen bir resim yükleyin. / Please upload an image.")
|