Update app_huggingface.py

app_huggingface.py

@@ -1,160 +1,155 @@
-import os
-import sys
-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"  # Kaydedilmiş model dosyasının yolu
-
-# Hayvan sınıfları (90 sınıf)
-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 yükleme fonksiyonu
-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 ön işleme
-def preprocess_image(img):
-    img = img.convert('RGB')
-    img = img.resize((IMAGE_SIZE, IMAGE_SIZE))
-    img_array = np.array(img)
-    img_array = img_array / 255.0  # [0,1] aralığına normalizasyon
-    img_array = np.expand_dims(img_array, axis=0)  # Batch boyutu ekleme
-    return img_array
-
-# Tahmin fonksiyonu
-def predict(img):
-    model = load_model()
-    
-    if model is None:
-        # Demo modu - rastgele tahminler üret
-        import random
-        predictions = np.zeros(len(class_names))
-        for i in range(len(predictions)):
-            predictions[i] = random.random()
-        predictions = predictions / np.sum(predictions)  # 1'e normalize et
-    else:
-        # Gerçek tahmin
-        img_array = preprocess_image(img)
-        predictions = model.predict(img_array)[0]
-    
-    # En iyi 3 tahmini al
-    top_indices = predictions.argsort()[-3:][::-1]
-    top_predictions = predictions[top_indices]
-    top_classes = [class_names[i] for i in top_indices]
-    
-    # Sonuçları formatla
-    results = {}
-    for i, (label, prob) in enumerate(zip(top_classes, top_predictions)):
-        results[label] = float(prob)
-    
-    return results
-
-# Örnek görseller için bilgi
-examples_info = """
-### Örnek Görüntüler
-Eğer kendi görüntünüzü yüklemek istemiyorsanız, aşağıdaki örnek görüntülerden birini kullanabilirsiniz:
-- Kedi: Evcil kedi görüntüsü
-- Köpek: Evcil köpek görüntüsü
-- Kelebek: Renkli bir kelebek görüntüsü
-"""
-
-# Proje başlığı
-title = "🦁 Hayvan Görüntü Sınıflandırıcı"
-
-# Proje açıklaması
-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>Model, <strong>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>
-"""
-
-# Özel CSS stilleri
-css = """
-.gradio-container {
-    font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
-    background-color: #f8f9fa;
-}
-.footer {
-    margin-top: 30px;
-    text-align: center;
-    color: #666;
-    border-top: 1px solid #eee;
-    padding-top: 20px;
-}
-.examples {
-    margin-top: 20px;
-    border: 1px solid #ddd;
-    border-radius: 10px;
-    padding: 15px;
-    background-color: #f5f5f5;
-}
-h1 {
-    color: #2C3E50;
-}
-"""
-
-# Sayfa altı bilgisi
-footer = """
-<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>
-  <p>© 2023 Hayvan Sınıflandırıcı</p>
-</div>
-"""
-
-# Gradio arayüzü oluşturma
-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,
-    examples=[
-        ["example_images/cat.jpg"],
-        ["example_images/dog.jpg"],
-        ["example_images/butterfly.jpg"]
-    ],
-    css=css,
-    theme="huggingface",
-    allow_flagging="never"
-)
-
-# Uygulamayı başlat
-if __name__ == "__main__":
+import os
+import sys
+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"  # Kaydedilmiş model dosyasının yolu
+
+# Hayvan sınıfları (90 sınıf)
+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 yükleme fonksiyonu
+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 ön işleme
+def preprocess_image(img):
+    img = img.convert('RGB')
+    img = img.resize((IMAGE_SIZE, IMAGE_SIZE))
+    img_array = np.array(img)
+    img_array = img_array / 255.0  # [0,1] aralığına normalizasyon
+    img_array = np.expand_dims(img_array, axis=0)  # Batch boyutu ekleme
+    return img_array
+
+# Tahmin fonksiyonu
+def predict(img):
+    model = load_model()
+    
+    if model is None:
+        # Demo modu - rastgele tahminler üret
+        import random
+        predictions = np.zeros(len(class_names))
+        for i in range(len(predictions)):
+            predictions[i] = random.random()
+        predictions = predictions / np.sum(predictions)  # 1'e normalize et
+    else:
+        # Gerçek tahmin
+        img_array = preprocess_image(img)
+        predictions = model.predict(img_array)[0]
+    
+    # En iyi 3 tahmini al
+    top_indices = predictions.argsort()[-3:][::-1]
+    top_predictions = predictions[top_indices]
+    top_classes = [class_names[i] for i in top_indices]
+    
+    # Sonuçları formatla
+    results = {}
+    for i, (label, prob) in enumerate(zip(top_classes, top_predictions)):
+        results[label] = float(prob)
+    
+    return results
+
+# Örnek görseller için bilgi
+examples_info = """
+### Örnek Görüntüler
+Eğer kendi görüntünüzü yüklemek istemiyorsanız, aşağıdaki örnek görüntülerden birini kullanabilirsiniz:
+- Kedi: Evcil kedi görüntüsü
+- Köpek: Evcil köpek görüntüsü
+- Kelebek: Renkli bir kelebek görüntüsü
+"""
+
+# Proje başlığı
+title = "🦁 Hayvan Görüntü Sınıflandırıcı"
+
+# Proje açıklaması
+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>Model, <strong>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>
+"""
+
+# Özel CSS stilleri
+css = """
+.gradio-container {
+    font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
+    background-color: #f8f9fa;
+}
+.footer {
+    margin-top: 30px;
+    text-align: center;
+    color: #666;
+    border-top: 1px solid #eee;
+    padding-top: 20px;
+}
+.examples {
+    margin-top: 20px;
+    border: 1px solid #ddd;
+    border-radius: 10px;
+    padding: 15px;
+    background-color: #f5f5f5;
+}
+h1 {
+    color: #2C3E50;
+}
+"""
+
+# Sayfa altı bilgisi
+footer = """
+<div class="footer">
+  <p>Bu uygulama TensorFlow ve Gradio kullanılarak geliştirilmiştir.</p>
+  <p>Derin öğrenme modeli, hayvan görüntülerinden oluşan kapsamlı bir veri seti ��zerinde eğitilmiştir.</p>
+  <p>© 2023 Hayvan Sınıflandırıcı</p>
+</div>
+"""
+
+# Gradio arayüzü oluşturma
+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,
+    theme="huggingface",
+    allow_flagging="never"
+)
+
+# Uygulamayı başlat
+if __name__ == "__main__":
     demo.launch()