Update src/streamlit_app.py

src/streamlit_app.py

@@ -3,14 +3,12 @@ from PIL import Image
 import numpy as np
 from tensorflow.keras.models import load_model
 
-# 🌟 Sayfa ayarları
 st.set_page_config(page_title="Sıtma Sınıflandırıcı", page_icon="🦟")
 
-# 🧪 Başlık
 st.title("🦟 Sıtma Resmi Sınıflandırma")
 st.write("Bir mikroskop görüntüsü yükleyin, sıtma olup olmadığını tahmin edelim.")
 
-# 🔍 MODELİ YÜKLE
+# MODEL YÜKLEME
 model_path = "src/myn_cnn_model.h5"
 try:
     model = load_model(model_path, compile=False)
@@ -19,49 +17,49 @@ except Exception as e:
     st.error(f"❌ Model yüklenemedi: {e}")
     st.stop()
 
-# 🏷️ Sınıf adları
-class_names = ["Sıtma Değil", "Sıtma"]
+# SINIF ADLARI (Senin sıralamana göre değiştir)
+class_names = ["Sıtma", "Sıtma Değil"]  # Eğer model ters sıralıysa değiştir
 
-# 📂 Dosya yükleyici
+# RESİM YÜKLEYİCİ
 file = st.file_uploader("📷 Mikroskop Görüntüsü Seçin", type=["jpg", "jpeg", "png"])
 
-# 🔮 Tahmin işlemi
 if file:
     try:
         image = Image.open(file).convert("RGB")
         st.image(image, caption="Yüklenen Görsel", use_container_width=True)
 
-        # 📏 MODELE UYUMLU ŞEKİLDE GÖRSELİ HAZIRLA
-        img = image.resize((170, 170))  # ✅ MODELİN GEREKTİRDİĞİ BOYUT
-        img = np.array(img) / 255.0
+        # MODELİN INPUT BOYUTUNU AL
+        input_shape = model.input_shape[1:3]  # Örneğin (170, 170)
+        st.write(f"Modelin beklediği görsel boyutu: {input_shape}")
+
+        # GÖRSELİ AYARLA
+        img = image.resize(input_shape)
+        img = np.array(img)
+
+        if img.shape != (*input_shape, 3):
+            st.error(f"Görsel boyutu beklenmeyen formatta: {img.shape}")
+            st.stop()
+
+        img = img / 255.0
         img = np.expand_dims(img, axis=0)
 
-        # 📊 Tahmin
+        # TAHMİN ET
         prediction = model.predict(img)
 
-        # RAW sonuçlar
-        st.subheader("📊 Model Çıktısı:")
-        st.write(prediction)
-
-        # 🔎 Tahmini yorumla
+        # MODELİN SOFTMAX Mİ SİGMOID Mİ OLDUĞUNU ANLA
         if prediction.shape[-1] == 1:
             predicted_class = int(prediction[0][0] > 0.5)
+            st.success(f"🧪 Tahmin: **{class_names[predicted_class]}**")
+            st.write(f"Sıtma olasılığı: {prediction[0][0]:.4f}")
         elif prediction.shape[-1] == 2:
             predicted_class = int(np.argmax(prediction))
+            st.success(f"🧪 Tahmin: **{class_names[predicted_class]}**")
+            st.subheader("📈 Sınıf Skorları:")
+            for i, score in enumerate(prediction[0]):
+                st.write(f"{class_names[i]}: {score:.4f}")
         else:
             st.error("⚠️ Model çıktısı beklenmeyen formatta.")
             st.stop()
 
-        # 🎯 Sonuç
-        st.success(f"🧪 Tahmin: **{class_names[predicted_class]}**")
-
-        # 🔢 Skorlar
-        st.subheader("📈 Sınıf Skorları:")
-        for i, score in enumerate(prediction[0]):
-            if i < len(class_names):
-                st.write(f"{class_names[i]}: {score:.4f}")
-            else:
-                st.write(f"Sınıf {i}: {score:.4f}")
-
     except Exception as e:
-        st.error(f"🚫 Görsel işleme hatası: {e}")
+        st.error(f"🚫 Görsel işleme veya tahmin hatası: {e}")