Update app.py

app.py

@@ -3,65 +3,65 @@ import tensorflow as tf
 import numpy as np
 from PIL import Image
 
-# Model'i yükle
-print("Model yükleniyor...")
+# Load the model
+print("Loading model...")
 model = tf.keras.models.load_model('finetuned_food_270.keras')
-print("Model başarıyla yüklendi!")
+print("Model loaded successfully!")
 
-# Sınıf isimlerini yükle
+# Load the class names
 with open('labels.txt', 'r', encoding='utf-8') as f:
     class_names = [line.strip() for line in f.readlines()]
-print(f"{len(class_names)} sınıf yüklendi")
+print(f"{len(class_names)} classes loaded")
 
-# --- 1. DÜZELTME: GÖRÜNTÜ BOYUTU ---
-# Modeli eğittiğiniz boyutu buraya girin
+# --- 1. ADJUSTMENT: IMAGE SIZE ---
+# Enter the size you trained the model with
 IMG_SIZE = (224, 224) 
 
 def preprocess_image(image):
-    """Resmi model için hazırla"""
+    """Prepare the image for the model"""
     
-    # PIL Image'a çevir ve RGB yap
+    # Convert to PIL Image and ensure RGB
     if isinstance(image, np.ndarray):
         img = Image.fromarray(image)
     else:
         img = image
         
-    # RGB'ye çevir (grayscale olabilir)
+    # Convert to RGB (in case it's grayscale)
     img = img.convert('RGB')
     
-    # Resize (Eğitimde kullandığınız boyuta)
+    # Resize (to the size used during training)
     img = img.resize(IMG_SIZE) 
     
-    # Numpy array'e çevir (dtype=float32 olmalı)
+    # Convert to Numpy array (should be dtype=float32)
     img_array = np.array(img, dtype=np.float32) 
     
-    # Batch dimension ekle
+    # Add batch dimension
     img_array = np.expand_dims(img_array, axis=0) 
     
-    # --- 2. DÜZELTME: V2 ÖN İŞLEME ---
-    # EfficientNetV2 (B2) bu V1 ön işleme fonksiyonunu KULLANMAZ.
-    # Bu satırı SİLİN veya YORUM SATIRI yapın:
+    # --- 2. ADJUSTMENT: V2 PREPROCESSING ---
+    # EfficientNetV2 (B2) does NOT use this V1 preprocessing function.
+    # DELETE or COMMENT OUT this line:
     # img_array = tf.keras.applications.efficientnet.preprocess_input(img_array) 
     
-    # Modeliniz V2 olduğu için [0, 255] aralığında girdi bekler (şu anki hali).
+    # Since your model is V2, it expects input in the [0, 255] range (which it is now).
     return img_array
 
 def predict(image):
-    """Yemek tahmin fonksiyonu"""
+    """Food prediction function"""
     try:
-        # Görüntüyü işle
+        # Process the image
         processed_image = preprocess_image(image)
         
-        # Tahmin yap
+        # Make a prediction
         predictions = model.predict(processed_image, verbose=0)
         
-        # Softmax çıktısını al (ilk batch)
+        # Get the softmax output (first batch)
         predictions = predictions[0]
         
-        # Top 5 tahmini bul
+        # Find top 5 predictions
         top_indices = np.argsort(predictions)[-5:][::-1]
         
-        # Sonuçları hazırla
+        # Prepare the results
         results = {}
         for idx in top_indices:
             label = class_names[idx]
@@ -70,53 +70,77 @@ def predict(image):
             
         return results
     except Exception as e:
-        print(f"Hata: {e}")
-        return {"Hata": str(e)}
+        print(f"Error: {e}")
+        return {"Error": str(e)}
 
-# --- Gradio Arayüzü (Değişiklik yok) ---
+# --- Gradio Interface ---
 with gr.Blocks(title="Food 270 Classifier") as demo:
-    # ... (Arayüz kodunuzun kalanı aynı kalabilir) ...
+    # Title and description
     gr.Markdown("""
-    # 🍽️ Food 270 Yemek Sınıflandırıcı
-        **270 farklı yemek türünü tanıyabilen yapay zeka modeli**
-        📸 Bir yemek fotoğrafı yükleyin ve hangi yemek olduğunu tahmin ettirin!
+    # 🍽️ Food 270 Classifier
+        **An AI model that can recognize 270 different types of food**
+        📸 Upload a photo of food and let it guess what it is!
     """)
+    
+    # Main row
     with gr.Row():
+        # Left column - Input
         with gr.Column(scale=1):
-            input_image = gr.Image(label="Yemek Fotoğrafı", type="numpy")
+            input_image = gr.Image(label="Food Photo", type="numpy")
+            
+            # Buttons
             with gr.Row():
-                clear_btn = gr.Button("🗑️ Temizle", variant="secondary")
-                submit_btn = gr.Button("🔍 Tahmin Et", variant="primary")
+                clear_btn = gr.Button("🗑️ Clear", variant="secondary")
+                submit_btn = gr.Button("🔍 Predict", variant="primary")
+        
+        # Right column - Output
         with gr.Column(scale=1):
-            output = gr.Label(label="Tahmin Sonuçları", num_top_classes=5, show_label=True)
+            output = gr.Label(label="Prediction Results", num_top_classes=5, show_label=True)
+            
+            # Additional info
             gr.Markdown("""
-            ### 📊 Sonuç Açıklaması
-            - **En yüksek skor** en olası yemek türüdür
-            - Skorlar **0-1 arası** güven seviyesini gösterir
-            - **Top 5** en olası tahmin gösterilir
+            ### 📊 Result Explanation
+            - The **highest score** is the most likely food type
+            - Scores represent the confidence level **between 0-1**
+            - The **Top 5** most likely predictions are shown
             """)
+    
+    # Bottom section - Tips and info
     with gr.Row():
         gr.Markdown("""
-        ### 💡 İpuçları
-        - Net ve iyi ışıklandırılmış fotoğraflar daha iyi sonuç verir
-        - Yemeğin tam görünmesi tahmini iyileştirir
-        - Tek bir yemek türü içeren fotoğraflar idealdir
+        ### 💡 Tips
+        - Clear and well-lit photos give better results
+        - A full view of the food improves the prediction
+        - Photos containing a single type of food are ideal
         """)
+        
+    # Model info
     gr.Markdown("""
     ---
-    ### 🤖 Model Bilgileri
+    ### 🤖 Model Information
     - **Model**: EfficientNetV2B2 (Fine-tuned)
     - **Dataset**: Food 270
-    - **Sınıf Sayısı**: 270 farklı yemek
-    - **Eğitim Boyutu**: 224x224
-        *Geliştirici: Berker Üveyik*
+    - **Number of Classes**: 270 different foods
+    - **Training Size**: 224x224
+        *Developer: Berker Üveyik*
     """)
-    submit_btn.click(fn=predict, inputs=input_image, outputs=output)
-    clear_btn.click(lambda: (None, None), inputs=None, outputs=[input_image, output])
+    
+    # Event handlers
+    submit_btn.click(
+        fn=predict,
+        inputs=input_image,
+        outputs=output
+    )
+    
+    clear_btn.click(
+        lambda: (None, None),
+        inputs=None,
+        outputs=[input_image, output]
+    )
 
-# Uygulamayı başlat
+# Launch the application
 if __name__ == "__main__":
     demo.launch(
-        share=False,
-        debug=False
+        share=False,  # Should be False on Spaces
+        debug=False   # Should be False in production
     )