| import streamlit as st | |
| from tensorflow.keras.models import load_model | |
| from PIL import Image | |
| import numpy as np | |
| model = load_model('src/skin_cancer_model.h5') | |
| def process_image(img): | |
| img = img.convert("RGB") | |
| img = img.resize(170, 170) | |
| img = np.array(img, dtype=np.float32) / 255.0 | |
| return np.expand_dims(img, axis=0) | |
| st.title("Skin Cancer Classification :cancer:") | |
| st.write("Upload an image of a skin lesion to classify it as benign or malignant.") | |
| file = st.file_uploader("Choose an image...", type=["jpg", "jpeg", "png"]) | |
| if file is not None: # Eğer kullanıcı bir dosya yüklediyse | |
| # Yüklenen dosyayı PIL ile açtık | |
| img = Image.open(file) | |
| # Yüklenen görüntüyü Streamlit uygulamasında gösterdik | |
| st.image(img, caption='Uploaded Image', use_column_width=True) | |
| # Yüklenen görüntüyü işledik | |
| img = process_image(img) | |
| # İşlenmiş görüntüyü modelimize verdik ve tahmin sonucunu aldık | |
| prediction = model.predict(img) | |
| # Modelin çıktısı 0 ile 1 arasında bir değer olduğu için, 0.5'ten büyükse sınıfı 1 (Cancer), değilse 0 (Non-Cancer) olarak belirledik | |
| prediction_class = 1 if prediction > 0.5 else 0 | |
| class_names = ['Cancer', 'Non-Cancer'] # Sınıf isimlerini tanımladık | |
| st.write(f'The lesion is classified as {class_names[prediction_class]}.') # Lezyonun sınıfını belirten bir mesaj yazdık |