fix: bug fixed

app.py

@@ -1,13 +1,22 @@
-# app.py
+import gradio as gr
 import torch
-from torchvision import transforms
+import torch.nn as nn
 from PIL import Image
-import gradio as gr
-from model import get_model
+import torchvision.transforms as transforms
+
+# Model tanımı (ResNet yapınızı buraya ekleyin)
+# Eğer torchvision ResNet kullanıyorsanız:
+from torchvision import models
+
+class PlantDiseaseModel(nn.Module):
+    def __init__(self, num_classes):
+        super(PlantDiseaseModel, self).__init__()
+        self.model = models.resnet50(pretrained=False)
+        self.model.fc = nn.Linear(self.model.fc.in_features, num_classes)
+    
+    def forward(self, x):
+        return self.model(x)
 
-NUM_CLASSES = 38
-MODEL_PATH = 'plant-disease-model-complete.pth'
-DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
 CLASS_NAMES = [
     'Tomato___Late_blight', 
@@ -50,48 +59,60 @@ CLASS_NAMES = [
     'Corn_(maize)___healthy'
 ]
 
+
+# Device ayarı
+device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
+
+# Model yükleme
+model = PlantDiseaseModel(num_classes=len(CLASS_NAMES))
+model.load_state_dict(torch.load('plant-disease-model-complete.pth', map_location=device))
+model.to(device)
+model.eval()
+
+# Transform
 transform = transforms.Compose([
     transforms.Resize((256, 256)),
     transforms.ToTensor(),
-    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) 
+    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
 ])
 
-def load_model():
-    model = get_model(num_classes=NUM_CLASSES)
-    try:
-        loaded_model = torch.load(MODEL_PATH, map_location=DEVICE)
-    except:
-        pass
-        
-    loaded_model.to(DEVICE)
-    loaded_model.eval()
-    return loaded_model
-
-model = load_model()
-
-def predict_image(img: Image.Image):
-    tensor = transform(img).unsqueeze(0) # (1, C, H, W) şekline getir
+# Tahmin fonksiyonu
+def predict(image):
+    """Resimden hastalık tahmini yapar"""
+    
+    # Resmi hazırla
+    img_tensor = transform(image).unsqueeze(0).to(device)
     
-    # Cihaza gönder ve tahmin yap
-    tensor = tensor.to(DEVICE)
+    # Tahmin yap
     with torch.no_grad():
-        outputs = model(tensor)
-        probabilities = torch.nn.functional.softmax(outputs, dim=1)
+        output = model(img_tensor)
+        probabilities = torch.nn.functional.softmax(output[0], dim=0)
         
-    # En yüksek olasılıklı sınıfı bul
-    confidences = {CLASS_NAMES[i]: prob.item() * 100 for i, prob in enumerate(probabilities[0])}
+    # En yüksek 3 tahmini al
+    top3_prob, top3_idx = torch.topk(probabilities, 3)
     
-    # Tahmin sonucunu döndür
-    return confidences
+    # Sonuçları hazırla
+    results = {}
+    for i in range(3):
+        class_name = CLASS_NAMES[top3_idx[i].item()]
+        probability = top3_prob[i].item()
+        results[class_name] = float(probability)
     
+    return results
 
-iface = gr.Interface(
-    fn=predict_image, 
-    inputs=gr.Image(type="pil", label="Yüklenecek Bitki Görüntüsü"), 
-    outputs=gr.Label(num_top_classes=3), 
-    title="Bitki Hastalığı Tespit Modeli",
-    description="Bir bitki yaprağının resmini yükleyin ve modelin hastalığı tahmin etmesini izleyin."
+# Gradio arayüzü
+demo = gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="pil", label="Bitki Resmi Yükleyin"),
+    outputs=gr.Label(num_top_classes=3, label="Tahmin Sonuçları"),
+    title="🌱 Plant Disease Detection",
+    description="Bitki yapraklarının resmini yükleyin, hastalık tespiti yapılsın!",
+    examples=[
+        # Örnek resimleri buraya ekleyebilirsiniz
+    ],
+    theme="soft"
 )
 
 if __name__ == "__main__":
-    iface.launch() # Bu kısım sadece yerel test için gerekli
+    demo.launch()
+

model.py

@@ -1,13 +0,0 @@
-# model.py (Örnek - Kendi mimarinize göre düzenleyin)
-import torch.nn as nn
-from torchvision import models
-
-def get_model(num_classes):
-    # ResNet modelini yükle
-    model = models.resnet18(pretrained=False) # Eğer eğitimde pretrained kullandıysanız True yapın
-    
-    # Son katmanı değiştir (Sınıf sayınıza göre)
-    num_ftrs = model.fc.in_features
-    model.fc = nn.Linear(num_ftrs, num_classes)
-    
-    return model

requirements.txt

@@ -1,5 +1,5 @@
 gradio
 torch
 torchvision
-numpy
-Pillow
+Pillow
+numpy