app_huggingface.py

import os
import numpy as np
import gradio as gr
import tensorflow as tf
from PIL import Image

# Sabitler
IMAGE_SIZE = 128
MODEL_PATH = "best_model.keras"

# 90 sınıflık hayvan isimleri
class_names = [
    'antelope', 'badger', 'bat', 'bear', 'bee', 'beetle', 'bison', 'boar', 'butterfly', 
    'cat', 'caterpillar', 'chimpanzee', 'cockroach', 'cow', 'coyote', 'crab', 'crow', 
    'deer', 'dog', 'dolphin', 'donkey', 'dragonfly', 'duck', 'eagle', 'elephant', 
    'flamingo', 'fly', 'fox', 'goat', 'goldfish', 'goose', 'gorilla', 'grasshopper', 
    'hamster', 'hare', 'hedgehog', 'hippopotamus', 'hornbill', 'horse', 'hummingbird', 
    'hyena', 'jellyfish', 'kangaroo', 'koala', 'ladybugs', 'leopard', 'lion', 'lizard', 
    'lobster', 'mosquito', 'moth', 'mouse', 'octopus', 'okapi', 'orangutan', 'otter', 
    'owl', 'ox', 'oyster', 'panda', 'parrot', 'pelecaniformes', 'penguin', 'pig', 
    'pigeon', 'porcupine', 'possum', 'raccoon', 'rat', 'reindeer', 'rhinoceros', 
    'sandpiper', 'seahorse', 'seal', 'shark', 'sheep', 'snake', 'sparrow', 'squid', 
    'squirrel', 'starfish', 'swan', 'tiger', 'turkey', 'turtle', 'whale', 'wolf', 
    'wombat', 'woodpecker', 'zebra'
]

# Model yükleyici
def load_model():
    try:
        if os.path.exists(MODEL_PATH):
            model = tf.keras.models.load_model(MODEL_PATH)
            print("Model başarıyla yüklendi!")
            return model
        else:
            print("Model dosyası bulunamadı. Demo modunda çalışılacak.")
            return None
    except Exception as e:
        print(f"Model yüklenirken hata oluştu: {e}")
        return None

# Görüntü işleme
def preprocess_image(img):
    img = img.convert('RGB')
    img = img.resize((IMAGE_SIZE, IMAGE_SIZE))
    img_array = np.array(img) / 255.0
    img_array = np.expand_dims(img_array, axis=0)
    return img_array

# Tahmin fonksiyonu
def predict(img):
    model = load_model()
    
    if model is None:
        import random
        predictions = np.random.rand(len(class_names))
        predictions /= np.sum(predictions)
    else:
        img_array = preprocess_image(img)
        predictions = model.predict(img_array)[0]
    
    top_indices = predictions.argsort()[-3:][::-1]
    top_predictions = predictions[top_indices]
    top_classes = [class_names[i] for i in top_indices]
    
    return {label: float(prob) for label, prob in zip(top_classes, top_predictions)}

# Başlık
title = "🦁 Hayvan Görüntü Sınıflandırıcı"

# Açıklama 
description = """
<div style="text-align: center;">
  <h2>Hayvan Görüntü Sınıflandırma Uygulaması</h2>
  <p>Bu uygulama, derin öğrenme modeli kullanarak hayvan türlerini tanıyabilen bir sınıflandırıcıdır.</p>
  <p>Basitçe bir görüntü yükleyin veya webcam kullanarak fotoğraf çekin, model hangi hayvan olduğunu tahmin edecek!</p>
  <p><strong>Model, 90 farklı hayvan sınıfını</strong> tanıyabilmektedir.</p>
  <hr>
  <p><strong>Nasıl Kullanılır:</strong></p>
  <ol>
    <li>Bir hayvan resmi yükleyin veya webcam ile çekin</li>
    <li>Sonuçları anında görün!</li>
  </ol>
</div>
"""

# CSS 
css = """
.gradio-container {
    font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
    background-color: #181818;
    color: #f0f0f0;
}

input, button, textarea, select {
    background-color: #2a2a2a !important;
    color: #ffffff !important;
    border: 1px solid #444 !important;
}

label, .label, .output_class, .output_label, .upload_box {
    color: #ffffff !important;
}

.gr-image-upload {
    background-color: #2a2a2a !important;
    border: 1px solid #555 !important;
    color: #ffffff !important;
}

.examples {
    background-color: #222;
    border: 1px solid #444;
    border-radius: 10px;
    padding: 15px;
}

h1, h2 {
    color: #ffd700; /* altın sarısı başlıklar */
}

h3 {
    color: #90caf9; /* açık mavi alt başlık */
}

table {
    background-color: #1f1f1f;
    border-collapse: collapse;
}

td {
    padding: 8px 15px;
    background-color: #2a2a2a;
    border: 1px solid #444;
    color: #ffffff;
    border-radius: 4px;
}

.footer {
    margin-top: 30px;
    text-align: center;
    color: #aaa;
    border-top: 1px solid #333;
    padding-top: 20px;
    background-color: #1e1e1e;
}
"""

# Footer
footer = f"""
<div class="footer">
  <p>Bu uygulama TensorFlow ve Gradio kullanılarak geliştirilmiştir.</p>
  <p>Derin öğrenme modeli, hayvan görüntülerinden oluşan kapsamlı bir veri seti üzerinde eğitilmiştir.</p>
  <hr>
  <h3>Tanıyabildiği Hayvan Sınıfları ({len(class_names)})</h3>
  <table style="margin:auto;">
    {"".join([
        "<tr>" + "".join(
            f"<td style='padding:5px 15px;'>• {name}</td>" for name in class_names[i:i+6]
        ) + "</tr>" for i in range(0, len(class_names), 6)
    ])}
  </table>
  <p style="margin-top:20px;">© 2025 Hayvan Sınıflandırıcı</p>
</div>
"""

# Gradio Arayüzü
demo = gr.Interface(
    fn=predict,
    inputs=gr.Image(type="pil", label="Hayvan Görüntüsü Yükle"),
    outputs=gr.Label(num_top_classes=3, label="En İyi 3 Tahmin"),
    title=title,
    description=description,
    article=footer,
    css=css,
    allow_flagging="never"
)

# Başlat
if __name__ == "__main__":
    demo.launch()