import streamlit as st
import numpy as np
from PIL import Image
import tensorflow as tf
from tensorflow.keras.models import load_model
from tensorflow.keras.applications.vgg19 import preprocess_input
from tensorflow.keras.applications.vgg16 import preprocess_input
import os

# --- KERAS DESERIALIZATION YAMASI ---
import keras.src.saving.serialization_lib as serialization_lib

_original_deserialize = serialization_lib.deserialize_keras_object

def safe_deserialize(config, *args, **kwargs):
    # Eğer config bir sözlük ise ve içinde quantization_config varsa sil
    if isinstance(config, dict):
        if "config" in config and isinstance(config["config"], dict):
            config["config"].pop("quantization_config", None)
        config.pop("quantization_config", None)
    return _original_deserialize(config, *args, **kwargs)

serialization_lib.deserialize_keras_object = safe_deserialize
# -------------------------------------

# streamlit_app.py dosyasının bulunduğu klasörün yolunu alır
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
MODEL_PATH = os.path.join(BASE_DIR, 'Date_Fruit_VGG16.keras')

model = load_model(MODEL_PATH)


def process_image(img):
    # RGB formatına dönüştür (PNG şeffaflık kanallarını temizler)
    img = img.convert('RGB')
    img = img.resize((224, 224))
    
    # Numpy dizisine çevir (float32 tipinde)
    img_array = np.array(img, dtype=np.float32)
    
    # VGG16 için özel ön işleme (RGB -> BGR dönüşümü ve ImageNet mean extraction yapar)
    img_array = preprocess_input(img_array)
    #img_array = img_array / 255.0  # Normalizasyon (0-1 aralığına getir)

    # Modelin beklediği batch boyutunu ekle: (1, 224, 224, 3)
    img_array = np.expand_dims(img_array, axis=0)
    return img_array

st.title('Hurma Çeşidi Tespiti (Date Fruit Detection)')
st.write('Bir hurma fotoğrafı yükleyin, VGG16 modeli çeşidini tahmin etsin!')

file = st.file_uploader('Bir resim yükleyin', type=['jpg', 'jpeg', 'png'])

if file is not None:
    img = Image.open(file)
    st.image(img, caption='Yüklenen Resim', use_column_width=True)

    # Resmi işle ve tahmine hazır hale getir
    processed_img = process_image(img)

    # Tahmin al
    prediction = model.predict(processed_img)[0]
    predicted_class_index = np.argmax(prediction)

    class_names = ["Ajwa", "Galaxy", "Medjool", "Meneifi", "Nabtat Ali", "Rutab", "Shaishe", "Sokari", "Sugaey"]

    # Sonucu ekrana yazdır
    st.subheader(f"Tahmin Edilen Sınıf: **{class_names[predicted_class_index]}**")
    st.write(f"Modelin Güven Oranı: **%{prediction[predicted_class_index] * 100:.2f}**")