app1.py

import os
import pickle

import numpy as np
import streamlit as st
import tensorflow as tf
from PIL import Image


# -------------------------------------------------
# SAYFA AYARLARI
# -------------------------------------------------
st.set_page_config(
    page_title="German Traffic Sign Recognition",
    page_icon="🚗",
    layout="centered"
)


# -------------------------------------------------
# DOSYA YOLLARI
# app1.py, traffic_sign.h5 ve labels.pkl ana klasörde
# -------------------------------------------------
BASE_DIR = os.path.dirname(os.path.abspath(__file__))

MODEL_PATH = os.path.join(BASE_DIR, "traffic_sign.h5")
LABEL_PATH = os.path.join(BASE_DIR, "labels.pkl")


# -------------------------------------------------
# MODEL VE LABEL YÜKLEME
# -------------------------------------------------
@st.cache_resource
def load_assets():
    model = tf.keras.models.load_model(MODEL_PATH)

    with open(LABEL_PATH, "rb") as file:
        label_dict = pickle.load(file)

    return model, label_dict


model, label_dict = load_assets()


# -------------------------------------------------
# MODELİN İSTEDİĞİ GÖRSEL BOYUTU
# -------------------------------------------------
input_shape = model.input_shape

IMG_HEIGHT = input_shape[1]
IMG_WIDTH = input_shape[2]


# -------------------------------------------------
# GÖRSEL HAZIRLAMA
# -------------------------------------------------
def prepare_image(image):
    image = image.convert("RGB")

    resized_image = image.resize(
        (IMG_WIDTH, IMG_HEIGHT),
        Image.Resampling.LANCZOS
    )

    image_array = np.array(resized_image, dtype=np.float32)
    image_array = image_array / 255.0
    image_array = np.expand_dims(image_array, axis=0)

    return resized_image, image_array


# -------------------------------------------------
# LABEL OKUMA
# -------------------------------------------------
def get_label(class_id):
    if isinstance(label_dict, dict):
        return label_dict.get(class_id, f"Class {class_id}")

    return label_dict[class_id]


# -------------------------------------------------
# TASARIM
# -------------------------------------------------
st.markdown("""
<style>
.main-title {
    text-align: center;
    font-size: 38px;
    font-weight: 800;
    margin-bottom: 8px;
}

.sub-title {
    text-align: center;
    font-size: 16px;
    color: #6b7280;
    margin-bottom: 20px;
}

.result-card {
    padding: 22px;
    border-radius: 16px;
    text-align: center;
    font-size: 25px;
    font-weight: 800;
    background: #ecfdf5;
    border: 1px solid #86efac;
    color: #166534 !important;
    margin-top: 18px;
    margin-bottom: 18px;
}
</style>
""", unsafe_allow_html=True)

st.markdown(
    "<div class='main-title'>🚗 German Traffic Sign Classifier</div>",
    unsafe_allow_html=True
)

st.markdown(
    "<div class='sub-title'>Trafik levhası fotoğrafı çekin veya görsel yükleyin.</div>",
    unsafe_allow_html=True
)

st.info(
    "En doğru sonuç için görselde yalnızca trafik levhası görünmelidir. "
    "İnternetten alınan fotoğraflarda levha küçükse önce levhayı kırpıp yükleyin."
)

st.divider()


# -------------------------------------------------
# KAMERA VE DOSYA YÜKLEME
# -------------------------------------------------
camera_file = st.camera_input("Kameradan trafik levhası çek")

uploaded_file = st.file_uploader(
    "Ya da bilgisayarından trafik levhası görseli yükle",
    type=["jpg", "jpeg", "png"]
)

target_file = camera_file if camera_file is not None else uploaded_file


# -------------------------------------------------
# TAHMİN
# -------------------------------------------------
if target_file is not None:
    original_image = Image.open(target_file).convert("RGB")

    col1, col2 = st.columns(2)

    with col1:
        st.image(
            original_image,
            caption="Yüklenen Görsel",
            use_container_width=True
        )

    processed_image, model_input = prepare_image(original_image)

    with col2:
        st.image(
            processed_image,
            caption=f"Modelin Gördüğü Görsel ({IMG_WIDTH}x{IMG_HEIGHT})",
            use_container_width=True
        )

    with st.spinner("Trafik levhası analiz ediliyor..."):
        prediction = model.predict(model_input, verbose=0)[0]

    class_id = int(np.argmax(prediction))
    confidence = float(np.max(prediction) * 100)

    top_3_ids = np.argsort(prediction)[-3:][::-1]

    st.divider()

    confidence_threshold = 80

    if confidence < confidence_threshold:
        st.warning(
            f"Model bu görselden yeterince emin değil. Güven seviyesi: %{confidence:.2f}"
        )

        st.info(
            "Görsel trafik levhası olmayabilir veya levha fotoğrafta çok küçük kalmış olabilir. "
            "Levhanın yakın plan, net ve ortada olduğu bir görsel deneyin."
        )
    else:
        st.markdown(
            f"<div class='result-card'>Tahmin: {get_label(class_id)}</div>",
            unsafe_allow_html=True
        )

        st.write(f"**Güven Seviyesi:** %{confidence:.2f}")

    st.progress(int(confidence))

    st.subheader("En Güçlü 3 Tahmin")

    for rank, idx in enumerate(top_3_ids, start=1):
        label = get_label(int(idx))
        score = float(prediction[idx] * 100)

        st.write(
            f"{rank}. **{label}** — %{score:.2f}"
        )

    with st.expander("Teknik Bilgiler"):
        st.write(f"Model giriş boyutu: {model.input_shape}")
        st.write(f"Tahmin edilen sınıf numarası: {class_id}")
        st.write(f"Güven seviyesi: %{confidence:.2f}")

else:
    st.info("Analiz için bir trafik levhası fotoğrafı çekin veya yükleyin.")

st.divider()

st.caption(
    "Bu uygulama eğitim amaçlıdır. Model, GTSRB veri setindeki trafik işareti sınıflarına göre tahmin yapar."
)