Added

Dockerfile

@@ -0,0 +1,18 @@
+# Python 3.10 taban imajını kullan
+FROM python:3.10-slim
+
+# Çalışma dizinini ayarla
+WORKDIR /code
+
+# Önce gereksinimleri kopyala ve yükle (bu, build cache'i için daha verimlidir)
+COPY requirements.txt .
+RUN pip install --no-cache-dir --upgrade -r requirements.txt
+
+# Proje dosyalarının geri kalanını kopyala
+COPY . .
+
+# FastAPI sunucunuz 7860 portunda çalışıyor (kodunuzda böyle yazıyor)
+EXPOSE 7860
+
+# Sunucuyu başlatma komutu
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -0,0 +1,327 @@
+import os
+import torch
+import torch.nn as nn
+import numpy as np
+from fastapi import FastAPI, File, UploadFile, HTTPException
+from fastapi.responses import JSONResponse
+import io
+import torchaudio
+import librosa
+import random
+import json
+import logging
+from contextlib import asynccontextmanager
+
+# [YENİ EKLEME] Hugging Face Transformers kütüphanelerini içe aktarın
+from transformers import AutoFeatureExtractor, AutoModelForAudioClassification
+
+# --- 1. Günlük Yapılandırması ---
+logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
+
+# --- 2. Yapılandırma Seçenekleri ---
+class Config:
+    CLASS_NAMES = ['belly_pain', 'burping', 'discomfort', 'hungry']
+    NUM_CLASSES = len(CLASS_NAMES)
+    MODEL_PATH_ON_HF_SPACE = "cry_model_quantized_final.ptl" 
+    TARGET_SAMPLE_RATE = 22050
+    AUDIO_DURATION_SECONDS = 6.0
+    TARGET_AUDIO_LENGTH = int(AUDIO_DURATION_SECONDS * TARGET_SAMPLE_RATE)
+    N_FFT = 400
+    HOP_LENGTH = 160
+    N_MELS = 128
+    N_MFCC = 120 
+    N_CHROMA = 12
+    MODEL_ARCHITECTURE = 'vanilla'
+    MODEL_BASE_CHANNELS = 32
+    MODEL_DROPOUT_RATE = 0.4
+    FUSION_DIM = 256
+    DEVICE = torch.device('cpu') 
+    THRESHOLD_HIGH_CONFIDENCE = 0.49
+    THRESHOLD_TWO_CATEGORIES = 0.40
+    NUM_CARE_POINTS = 2 
+    FAILURE_REDIRECT_STATUS_TEXT = "redirect_to_failure"
+    
+    # [YENİ EKLEME] ESC-50 "Kapı Bekçisi" Modeli için yapılandırma
+    ESC50_MODEL_NAME = "MIT/ast-finetuned-esc50"
+    ESC50_TARGET_SR = 16000  # Bu model 16kHz örnekleme hızı bekler
+    CRY_CONFIDENCE_THRESHOLD = 0.5 # Ağlama olarak kabul etmek için minimum güven eşiği
+
+cfg = Config()
+
+# --- 3. Bakım Noktaları "Veritabanı" ---
+CARE_POINTS_DB_RAW = {
+    "belly_pain": """Bebek olabilir: Karnı rahatsız. [Ana Neden] Hava yutma. Beslendikten hemen sonra geğirme, muhtemelen şişkinlikle birlikte; [Bakım Noktası] Besledikten sonra bebeği dik tutun ve 10-15 dakika dik pozisyonda tutarak gazını çıkarın.---Bebek olabilir: Karnı rahatsız. [Ana Neden] Olgunlaşmamış sindirim sistemi. Yenidoğanlarda sık geğirme, özellikle beslendikten sonra; [Bakım Noktası] Düzenli beslenmeyi sürdürün, aşırı beslemekten kaçının; gaz çıkarmasına yardımcı olmak için beslendikten sonra sırtına hafifçe vurun.---Bebek olabilir: Karnı rahatsız. [Ana Neden] Çok hızlı veya çok fazla yemek. Geğirme, huysuzluk, kusma eşliğinde; [Bakım Noktası] Besleme hızını kontrol edin, daha küçük, daha sık öğünler benimseyin; besleme sırasında uygun şekilde duraklayın.---Bebek olabilir: Karnı rahatsız. [Ana Neden] Duygusal değişiklikler. Ağladıktan veya güldükten sonra geğirme; [Bakım Noktası] Bebeğin duygularını yatıştırın, yoğun ağlama veya heyecandan kaçının; beslenmeden önce ve sonra sakin bir ortam sağlayın.---Bebek olabilir: Karnı rahatsız. [AnaNeden] Sıcaklık değişiklikleri. Ani ortam sıcaklığı değişikliklerinden veya bebek üşüdüğünde geğirme; [Bakım Noktası] Oda sıcaklığını sabit tutun, bebeğin karnının üşümesini önleyin; sıcak tutmaya dikkat edin.""",
+    "burping": """Besledikten sonra daima bebeğin gazını çıkarın.---Geğirme pozisyonlarını değiştirin, birden fazla yöntem deneyin.---Çok fazla hava yutmasını önlemek için biberon emziği akış hızının uygun olup olmadığını kontrol edin.---Bir seferde yutulan hava miktarını azaltmak için daha küçük, daha sık öğünler sunun.---Eğer bebek sık sık geğiriyorsa, beslenme alışkanlıklarının ayarlanması gerekebilir.""",
+    "discomfort": """Bezin ıslak veya kirli olup olmadığını kontrol edin.---Oda sıcaklığının rahat olup olmadığını, bebeğin çok sıcak veya çok soğuk giydirilip giydirilmediğini onaylayın.---Bebeğin kıyafetlerinin çok sıkı olup olmadığını veya rahatsızlık verip vermediğini kontrol edin.---Bebeğin böcekler tarafından ısırılmadığından veya cildinin kaşınmadığından emin olun.---Rahatsızlığı hafifletip hafifletmediğini görmek için bebeğin pozisyonunu değiştirmeyi deneyin.""",
+    "hungry": """Bebek acıkmış olabilir, lütfen zamanında besleyin.---Son beslenme zamanını kontrol edin, yemek zamanı mı?---Biberon veya emzirmeyi deneyin, bebeğin aranma refleksi gösterip göstermediğine bakın.---Bebeğin doyduğundan emin olun, beslendikten sonra bebeğin tepkisini gözlemleyin.---Eğer bebek kontrolsüzce ağlıyorsa, küçük bir ek beslenme gerekebilir."""
+}
+# (Not: Veritabanı metinlerini daha iyi anlaşılması için İngilizce'den Türkçe'ye çevirdim)
+
+# --- 4. Model Tanımı (Değişmedi) ---
+# ... (ResidualBlock ve CryNetMultiBranch sınıflarınız burada, değişiklik yok) ...
+# Önceki kodunuzdaki Model Tanımı bölümünü buraya kopyalayın
+# (Yorum satırı: Sadelik için model tanımını buraya tekrar eklemedim, 
+# ama sizin kodunuzda tam olarak burada olmalı)
+
+class ResidualBlock(nn.Module): # Kodu tam hale getirmek için ekliyorum
+    def __init__(self, in_c, out_c, stride, dr):
+        super().__init__()
+        self.conv1 = nn.Conv2d(in_c, out_c, 3, stride, 1, bias=False)
+        self.bn1 = nn.BatchNorm2d(out_c)
+        self.relu = nn.ReLU(True)
+        self.conv2 = nn.Conv2d(out_c, out_c, 3, 1, 1, bias=False)
+        self.bn2 = nn.BatchNorm2d(out_c)
+        self.downsample = nn.Sequential()
+        if stride != 1 or in_c != out_c:
+            self.downsample = nn.Sequential(
+                nn.Conv2d(in_c, out_c, 1, stride, bias=False),
+                nn.BatchNorm2d(out_c)
+            )
+        self.dropout = nn.Dropout(dr)
+
+    def forward(self, x):
+        res = self.downsample(x)
+        x = self.relu(self.bn1(self.conv1(x)))
+        x = self.bn2(self.conv2(x))
+        x = self.dropout(x)
+        return self.relu(x + res)
+
+class CryNetMultiBranch(nn.Module):
+    def __init__(self, num_classes, config):
+        super().__init__()
+        self.config = config
+        self.mel_encoder = self._create_encoder(1)
+        self.mfcc_encoder = self._create_encoder(1)
+        self.chroma_encoder = self._create_encoder(1)
+        encoder_output_dim = config.MODEL_BASE_CHANNELS * 8 * 3
+        self.fusion_mlp = nn.Sequential(
+            nn.Linear(encoder_output_dim, config.FUSION_DIM),
+            nn.LayerNorm(config.FUSION_DIM),
+            nn.ReLU(True),
+            nn.Dropout(config.MODEL_DROPOUT_RATE + 0.1),
+            nn.Linear(config.FUSION_DIM, num_classes)
+        )
+    def _make_layer(self, block, in_c, out_c, blocks, stride, dr):
+        layers = [block(in_c, out_c, stride, dr)]
+        [layers.append(block(out_c, out_c, 1, dr)) for _ in range(1, blocks)]
+        return nn.Sequential(*layers)
+    def _create_encoder(self, in_channels):
+        base_channels, dr = self.config.MODEL_BASE_CHANNELS, self.config.MODEL_DROPOUT_RATE
+        blocks_layer4 = 3 if self.config.MODEL_ARCHITECTURE == 'deeper' else 2
+        return nn.Sequential(
+            nn.Conv2d(in_channels, base_channels, 7, 2, 3, bias=False), nn.BatchNorm2d(base_channels),
+            nn.ReLU(True), nn.MaxPool2d(3, 2, 1),
+            self._make_layer(ResidualBlock, base_channels, base_channels * 2, 2, 2, dr),
+            self._make_layer(ResidualBlock, base_channels * 2, base_channels * 4, 2, 2, dr),
+            self._make_layer(ResidualBlock, base_channels * 4, base_channels * 8, blocks_layer4, 2, dr),
+            nn.AdaptiveAvgPool2d((1, 1))
+        )
+    def forward(self, mel, mfcc, chroma):
+        features = [self.mel_encoder(mel), self.mfcc_encoder(mfcc), self.chroma_encoder(chroma)]
+        combined = torch.cat([torch.flatten(f, 1) for f in features], dim=1)
+        return self.fusion_mlp(combined)
+
+# --- 5. Global Kaynak Başlatma ---
+app_globals = {}
+
+# --- 6. Kaynakları lifespan olay yöneticisi ile yükleme ---
+@asynccontextmanager
+async def lifespan(app: FastAPI):
+    try:
+        logging.info("Uygulama başlıyor, kaynaklar yükleniyor...")
+        
+        # Orijinal modelinizi yükleyin
+        app_globals["loaded_model"] = torch.jit.load(cfg.MODEL_PATH_ON_HF_SPACE, map_location=cfg.DEVICE)
+        app_globals["loaded_model"].eval()
+        logging.info(f"✅ Orijinal Model {cfg.MODEL_PATH_ON_HF_SPACE} başarıyla yüklendi!")
+
+        # [YENİ EKLEME] ESC-50 "Kapı Bekçisi" modelini ve çıkarıcıyı yükleyin
+        app_globals["esc50_model"] = AutoModelForAudioClassification.from_pretrained(cfg.ESC50_MODEL_NAME).to(cfg.DEVICE)
+        app_globals["esc50_model"].eval()
+        app_globals["esc50_extractor"] = AutoFeatureExtractor.from_pretrained(cfg.ESC50_MODEL_NAME)
+        logging.info(f"✅ ESC-50 'Kapı Bekçisi' Modeli {cfg.ESC50_MODEL_NAME} başarıyla yüklendi!")
+
+        # Orijinal dönüştürücüleriniz
+        app_globals["mel_spectrogram_transform"] = torchaudio.transforms.MelSpectrogram(
+            sample_rate=cfg.TARGET_SAMPLE_RATE, n_fft=cfg.N_FFT, hop_length=cfg.HOP_LENGTH, n_mels=cfg.N_MELS
+        ).to(cfg.DEVICE)
+        app_globals["mfcc_transform"] = torchaudio.transforms.MFCC(
+            sample_rate=cfg.TARGET_SAMPLE_RATE, n_mfcc=cfg.N_MFCC, melkwargs={"n_fft": cfg.N_FFT, "hop_length": cfg.HOP_LENGTH}
+        ).to(cfg.DEVICE)
+        logging.info("✅ Ses dönüştürücüleri başarıyla başlatıldı!")
+        
+        app_globals["CARE_POINTS_DB"] = {}
+        for category, raw_text in CARE_POINTS_DB_RAW.items():
+            points = [point.strip() for point in raw_text.strip().split('---') if point.strip()]
+            app_globals["CARE_POINTS_DB"][category] = points
+        logging.info("✅ Bakım bilgi bankası başarıyla ayrıştırıldı!")
+        
+        app_globals["resampler_cache"] = {}
+        # [YENİ EKLEME] ESC-50 modeli için ayrı bir yeniden örnekleyici önbelleği
+        app_globals["esc50_resampler_cache"] = {} 
+        logging.info("✅ Yeniden örnekleyici önbellekleri başarıyla başlatıldı!")
+
+    except Exception as e:
+        logging.error(f"❌ Uygulama başlatılamadı: Kaynaklar yüklenirken hata oluştu: {e}", exc_info=True)
+    
+    yield
+    
+    logging.info("Uygulama kapanıyor, kaynaklar temizleniyor...")
+    app_globals.clear()
+
+app = FastAPI(lifespan=lifespan)
+
+@app.get("/")
+async def read_root():
+    return {"message": "Bebek Ağlaması Sınıflandırma API'si çalışıyor! /predict_cry_audio adresine ses dosyası POST edin"}
+
+# [YENİ EKLEME] Yeniden örnekleyicileri almak için yardımcı fonksiyon
+def get_resampler(cache, orig_freq, new_freq, device):
+    if orig_freq not in cache:
+        cache[orig_freq] = {}
+    if new_freq not in cache[orig_freq]:
+        cache[orig_freq][new_freq] = torchaudio.transforms.Resample(
+            orig_freq=orig_freq, new_freq=new_freq
+        ).to(device)
+    return cache[orig_freq][new_freq]
+
+@app.post("/predict_cry_audio")
+async def predict_cry_audio(file: UploadFile = File(...)):
+    if not app_globals.get("loaded_model") or not app_globals.get("esc50_model"):
+        raise HTTPException(status_code=503, detail="Modeller yüklenmedi, hizmet geçici olarak kullanılamıyor.")
+        
+    try:
+        audio_bytes = await file.read()
+        audio_buffer = io.BytesIO(audio_bytes)
+        
+        waveform, sample_rate = torchaudio.load(audio_buffer)
+        waveform = waveform.to(cfg.DEVICE)
+
+        # [YENİ EKLEME] Sesi monoya dönüştür (her iki model için de en iyisi)
+        if waveform.shape[0] > 1:
+            waveform = torch.mean(waveform, dim=0, keepdim=True)
+
+        # --- [YENİ ADIM 1: "KAPI BEKÇİSİ" KONTROLÜ] ---
+        # Sesi ESC-50 modelinin beklediği 16kHz'e yeniden örnekle
+        esc_resampler = get_resampler(app_globals["esc50_resampler_cache"], sample_rate, cfg.ESC50_TARGET_SR, cfg.DEVICE)
+        waveform_16k = esc_resampler(waveform)
+
+        # Özellikleri çıkar ve modeli çalıştır
+        inputs = app_globals["esc50_extractor"](
+            waveform_16k.cpu().numpy().squeeze(), 
+            sampling_rate=cfg.ESC50_TARGET_SR, 
+            return_tensors="pt"
+        ).to(cfg.DEVICE)
+        
+        with torch.no_grad():
+            logits = app_globals["esc50_model"](**inputs).logits
+        
+        probs = logits.softmax(dim=-1)
+        top_prob, top_class_idx = torch.max(probs, dim=-1)
+        top_class_name = app_globals["esc50_model"].config.id2label[top_class_idx.item()]
+        top_prob_val = top_prob.item()
+
+        logging.info(f"ESC-50 'Kapı Bekçisi' sonucu: {top_class_name} (Güven: {top_prob_val:.4f})")
+
+        # --- [YENİ ADIM 2: KONTROL VE YÖNLENDİRME] ---
+        if top_class_name != "crying_baby" or top_prob_val < cfg.CRY_CONFIDENCE_THRESHOLD:
+            # Bu bir bebek ağlaması değil veya güven çok düşük
+            return JSONResponse(content={
+                "status": "no_cry_detected",
+                "message": "AI, yüklenen seste bir bebek ağlaması tespit etmedi.",
+                "detected_sound": top_class_name,
+                "confidence": top_prob_val
+            })
+
+        # --- [ORİJİNAL ADIM: AĞLAMA TİPİ SINIFLANDIRMASI] ---
+        # (Sadece 'crying_baby' tespit edildiyse bu bölüm çalışır)
+        logging.info("Bebek ağlaması doğrulandı. Ağlama tipi sınıflandırılıyor...")
+
+        # Orijinal modeliniz için 22050Hz'e yeniden örnekleyin
+        resampler_cache = app_globals["resampler_cache"]
+        if sample_rate != cfg.TARGET_SAMPLE_RATE:
+            # [GÜNCELLEME] get_resampler fonksiyonunu kullan
+            resampler = get_resampler(resampler_cache, sample_rate, cfg.TARGET_SAMPLE_RATE, cfg.DEVICE)
+            waveform_22k = resampler(waveform)
+        else:
+            waveform_22k = waveform # Zaten doğru örnekleme hızında
+
+        # Orijinal dolgu/kırpma işleminiz
+        if waveform_22k.shape[1] < cfg.TARGET_AUDIO_LENGTH:
+            waveform_22k = torch.nn.functional.pad(waveform_22k, (0, cfg.TARGET_AUDIO_LENGTH - waveform_22k.shape[1]))
+        else:
+            waveform_22k = waveform_22k[:, :cfg.TARGET_AUDIO_LENGTH]
+            
+        # Orijinal özellik çıkarımlarınız (waveform_22k kullanarak)
+        mel_spec = app_globals["mel_spectrogram_transform"](waveform_22k).unsqueeze(0)
+        mfcc = app_globals["mfcc_transform"](waveform_22k).unsqueeze(0)
+        
+        waveform_numpy = waveform_22k.cpu().numpy()[0]
+        chroma_numpy = librosa.feature.chroma_stft(
+            y=waveform_numpy, sr=cfg.TARGET_SAMPLE_RATE, n_fft=cfg.N_FFT,
+            hop_length=cfg.HOP_LENGTH, n_chroma=cfg.N_CHROMA
+        )
+        chroma = torch.from_numpy(chroma_numpy).to(cfg.DEVICE)
+            
+        with torch.no_grad():
+            if chroma.dim() == 2:
+                chroma = chroma.unsqueeze(0).unsqueeze(0)
+            
+            # Orijinal modelinizi çalıştırın
+            probabilities = app_globals["loaded_model"](mel_spec, mfcc, chroma)
+            
+        probabilities_list = probabilities.squeeze().tolist() 
+        confidences_data = [{"label": cfg.CLASS_NAMES[i], "score": round(score, 4)} for i, score in enumerate(probabilities_list)]
+        sorted_confidences = sorted(confidences_data, key=lambda x: x['score'], reverse=True)
+        
+        top1_label = sorted_confidences[0]['label']
+        top1_score = sorted_confidences[0]['score']
+
+    except Exception as e:
+        logging.error(f"Ses dosyası işlenirken kritik hata: {e}", exc_info=True)
+        raise HTTPException(status_code=500, detail="Ses dosyası işlenemedi, lütfen tekrar deneyin veya dosya formatını kontrol edin.")
+
+    # Orijinal JSON yanıt mantığınız (hiç değişmedi)
+    response_data = {}
+    CARE_POINTS_DB = app_globals["CARE_POINTS_DB"]
+
+    if top1_score > cfg.THRESHOLD_HIGH_CONFIDENCE:
+        care_points = CARE_POINTS_DB.get(top1_label, [])
+        selected_points = random.sample(care_points, min(len(care_points), cfg.NUM_CARE_POINTS))
+        response_data = {
+            "status": "success_single",
+            "title": f"Bebek muhtemelen şundan ağlıyor: {top1_label}",
+            "subtitle": "Ana nedenler ve bakım noktaları:",
+            "care_points": selected_points,
+            "promo_text": "Daha detaylı rehberlik için üyelik satın alabilirsiniz",
+            "all_scores": sorted_confidences
+        }
+    elif len(sorted_confidences) > 1 and sorted_confidences[1]['score'] >= cfg.THRESHOLD_TWO_CATEGORIES:
+        top2_label = sorted_confidences[1]['label']
+        combined_points = []
+        care_points_1 = CARE_POINTS_DB.get(top1_label, [])
+        if care_points_1: combined_points.append(random.choice(care_points_1))
+        care_points_2 = CARE_POINTS_DB.get(top2_label, [])
+        if care_points_2: combined_points.append(random.choice(care_points_2))
+        
+        response_data = {
+            "status": "success_multiple",
+            "title": f"Bebek muhtemelen şundan ağlıyor: {top1_label} veya {top2_label}",
+            "subtitle": "Ana nedenler ve bakım noktaları:",
+            "care_points": combined_points,
+            "promo_text": "Daha detaylı rehberlik için üyelik satın alabilirsiniz",
+            "all_scores": sorted_confidences
+        }
+    else:
+        response_data = {
+            "status": cfg.FAILURE_REDIRECT_STATUS_TEXT,
+            "message": "AI net bir neden belirleyemedi, sizin için genel yatıştırma yönergeleri hazırladık.",
+            "all_scores": sorted_confidences
+        }
+
+    return JSONResponse(content=response_data)
+
+# --- 7. Uygulama Başlatıcı ---
+if __name__ == "__main__":
+    import uvicorn
+    uvicorn.run(app, host="0.0.0.0", port=7860)

requirements.txt

@@ -0,0 +1,8 @@
+fastapi
+uvicorn[standard]
+torch
+torchaudio
+librosa
+numpy
+transformers
+scipy