Upload 2 files

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+src/malaria_model.keras filter=lfs diff=lfs merge=lfs -text

src/app.py

@@ -0,0 +1,37 @@
+import streamlit as st
+from tensorflow.keras.models import load_model
+from PIL import Image
+import numpy as np
+
+# Modeli yükle
+model = load_model('malaria_model.keras')
+
+def process_image(img):
+    # Resmi RGB formatına zorla (PNG'lerdeki şeffaflık kanalı hatasını önler)
+    img = img.convert('RGB')
+    img = img.resize((64, 64))
+    img = np.array(img)
+    img = img / 255.0
+    img = np.expand_dims(img, axis=0)
+    return img
+
+st.title('Sıtma Resmi Sınıflandırma :microscope:')
+st.write('Bir resim yükleyin, modelin sıtma olup olmadığını tahmin etmesini sağlayın!')
+
+file = st.file_uploader('Bir resim yükle', type=['jpg', 'jpeg', 'png'])
+
+if file is not None:
+    img = Image.open(file)
+    st.image(img, caption='Yüklenen Resim', use_column_width=True)
+
+    image = process_image(img)
+
+    prediction = model.predict(image)[0][0]
+
+    # Ekrana modelin güven oranını yazdıralım (Hata çözmeye çok yardımcı olur)
+    st.write(f"Modelin Sıtma Olma Olasılığı: %{prediction * 100:.2f}")
+
+
+    predicted_class = 1 if prediction > 0.5 else 0
+    class_names = ['Sıtma Yok', 'Sıtma Var']
+    st.write(class_names[predicted_class])

src/malaria_model.keras

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:da74287719b4e9720b989b7a81d9bbc492e51b8f69b3c433599ae724cfc6ce23
+size 19540299