Update app.py

app.py

@@ -1,64 +1,36 @@
+import gradio as gr
 import tensorflow as tf
 import numpy as np
-import gradio as gr
-from PIL import Image
-import requests
-import os
-
-# Hugging Face model URL'leri
-MODEL_URL = "https://huggingface.co/YOUR_HF_USERNAME/YOUR_REPO_NAME/resolve/main/keras_model.h5"
-LABELS_URL = "https://huggingface.co/YOUR_HF_USERNAME/YOUR_REPO_NAME/resolve/main/labels.txt"
-
-# Dosya yolları
-MODEL_PATH = "keras_model.h5"
-LABELS_PATH = "labels.txt"
-
-# Eğer dosya yoksa indir
-def download_file(url, save_path):
-    if not os.path.exists(save_path):
-        print(f"{save_path} indiriliyor...")
-        response = requests.get(url)
-        with open(save_path, "wb") as f:
-            f.write(response.content)
-
-download_file(MODEL_URL, MODEL_PATH)
-download_file(LABELS_URL, LABELS_PATH)
+from tensorflow.keras.preprocessing import image
 
 # Modeli yükle
-try:
-    model = tf.keras.models.load_model(MODEL_PATH)
-    print("Model başarıyla yüklendi!")
-except Exception as e:
-    print(f"Model yüklenirken hata oluştu: {e}")
-
-# Etiketleri yükle
-with open(LABELS_PATH, "r", encoding="utf-8") as f:
-    labels = [line.strip() for line in f.readlines()]
-
+model = tf.keras.models.load_model("model.h5")
 
-# Görüntü sınıflandırma fonksiyonu
-def classify_image(img):
+# Tahmin fonksiyonu
+def predict_image(img):
+    # Görüntüyü 224x224 boyutuna küçült
     img = img.resize((224, 224))
-    img_array = np.asarray(img).astype(np.float32) / 255.0
-    img_array = np.expand_dims(img_array, axis=0)
     
-    prediction = model.predict(img_array)
-    label_index = np.argmax(prediction)
-
-    print("Tahmin Edilen Etiket Sırası:", label_index)
-    print("Tahmin Edilen Etiket:", labels[label_index])
-    print("Tüm Tahminler:", prediction)
-
-    return {labels[i]: float(prediction[0][i]) for i in range(len(labels))}
+    # Görüntüyü modelin beklediği formatta (numpy array) hazırla
+    img_array = np.array(img) / 255.0  # Piksel değerlerini normalize et
+    img_array = np.expand_dims(img_array, axis=0)  # Modelin beklediği 4D input formatına getir
 
+    # Tahmin yap
+    prediction = model.predict(img_array)
+    
+    # En yüksek tahmin sonucunu al
+    predicted_class = np.argmax(prediction, axis=1)[0]
+    
+    # Geri dönüşüm malzemesi etiketlerini burada belirle
+    class_names = ['Plastik', 'Kağıt', 'Cam', 'Metal']
+    
+    # Sonuçları döndür
+    return class_names[predicted_class]
 
-# Gradio Arayüzü
-iface = gr.Interface(
-    fn=classify_image,
-    inputs=gr.Image(type="pil"),
-    outputs=gr.Label(),
-    title="Geri Dönüşüm Malzeme Tanıma",
-    description="Bir geri dönüşüm malzemesinin fotoğrafını yükleyin veya kameranızı kullanarak sınıflandırın."
-)
+# Gradio arayüzünü oluştur
+iface = gr.Interface(fn=predict_image,
+                     inputs=gr.inputs.Image(shape=(224, 224)),  # Görüntüyü 224x224 boyutlarına getir
+                     outputs="text")  # Çıktıyı metin olarak göster (yani tahmin edilen etiket)
 
-iface.launch()
+# Uygulamayı başlat
+iface.launch(share=True)