isim değiikliği

app2.py → app.py

@@ -1,55 +1,55 @@
-import streamlit as st
-from tensorflow.keras.models import load_model
-from PIL import Image
-import numpy as np
-
-# Modeli yükleme
-model = load_model('my_skin_cancer_model.h5')
-
-def process_img(img):
-    img = img.resize((170, 170), Image.LANCZOS)  # 170x170 piksel boyutuna dönüştürme, LANCZOS filtresi kullanılıyor
-    img = np.array(img) / 255.0  # Normalize etme
-    img = np.expand_dims(img, axis=0)  # Resme boyut ekleme
-    return img
-
-# Sayfa başlığı ve stili
-st.markdown("""
-    <style>
-    .main {
-        background-color: #f5f5f5;
-    }
-    .title {
-        font-size: 36px;
-        font-weight: bold;
-        color: #4CAF50;
-    }
-    .subtitle {
-        font-size: 18px;
-        color: #555555;
-    }
-    .result {
-        font-size: 24px;
-        font-weight: bold;
-        color: #FF5722;
-    }
-    </style>
-""", unsafe_allow_html=True)
-
-st.markdown('<div class="title">Cilt Kanseri Resmini Sınıflandırılması</div>', unsafe_allow_html=True)
-st.markdown('<div class="subtitle">Resim seç ve modelimiz kanser olup olmadığını kontrol etsin.<br>Upload an image and the model will predict if your image shows cancer or not.</div>', unsafe_allow_html=True)
-
-file = st.file_uploader("Resim Yükle & Upload Image", type=['png', 'jpg', 'jpeg'])
-
-if file is not None:  # Resim boş değilse
-    img = Image.open(file)  # Resmi açma
-    st.image(img, caption="Yüklenen Resim", use_column_width=True)  # Seçilen resmi gösterme
-
-    result = process_img(img)  # Fonksiyonla resim işleme, yani boyut değişecek ve işlenebilir hale getirilecek
-    prediction = model.predict(result)
-    prediction_class = np.argmax(prediction)  # 0 veya 1 olarak tahmin edilen sınıf
-
-    class_names = ['Kanser Değil', 'Kanser!']
-
-    st.markdown(f'<div class="result">Sonuç: {class_names[prediction_class]}</div>', unsafe_allow_html=True)
-else:
-    st.info("Lütfen bir resim yükleyin. / Please upload an image.")
+import streamlit as st
+from tensorflow.keras.models import load_model
+from PIL import Image
+import numpy as np
+
+# Modeli yükleme
+model = load_model('my_skin_cancer_model.h5')
+
+def process_img(img):
+    img = img.resize((170, 170), Image.LANCZOS)  # 170x170 piksel boyutuna dönüştürme, LANCZOS filtresi kullanılıyor
+    img = np.array(img) / 255.0  # Normalize etme
+    img = np.expand_dims(img, axis=0)  # Resme boyut ekleme
+    return img
+
+# Sayfa başlığı ve stili
+st.markdown("""
+    <style>
+    .main {
+        background-color: #f5f5f5;
+    }
+    .title {
+        font-size: 36px;
+        font-weight: bold;
+        color: #4CAF50;
+    }
+    .subtitle {
+        font-size: 18px;
+        color: #555555;
+    }
+    .result {
+        font-size: 24px;
+        font-weight: bold;
+        color: #FF5722;
+    }
+    </style>
+""", unsafe_allow_html=True)
+
+st.markdown('<div class="title">Cilt Kanseri Resmini Sınıflandırılması</div>', unsafe_allow_html=True)
+st.markdown('<div class="subtitle">Resim seç ve modelimiz kanser olup olmadığını kontrol etsin.<br>Upload an image and the model will predict if your image shows cancer or not.</div>', unsafe_allow_html=True)
+
+file = st.file_uploader("Resim Yükle & Upload Image", type=['png', 'jpg', 'jpeg'])
+
+if file is not None:  # Resim boş değilse
+    img = Image.open(file)  # Resmi açma
+    st.image(img, caption="Yüklenen Resim", use_column_width=True)  # Seçilen resmi gösterme
+
+    result = process_img(img)  # Fonksiyonla resim işleme, yani boyut değişecek ve işlenebilir hale getirilecek
+    prediction = model.predict(result)
+    prediction_class = np.argmax(prediction)  # 0 veya 1 olarak tahmin edilen sınıf
+
+    class_names = ['Kanser Değil', 'Kanser!']
+
+    st.markdown(f'<div class="result">Sonuç: {class_names[prediction_class]}</div>', unsafe_allow_html=True)
+else:
+    st.info("Lütfen bir resim yükleyin. / Please upload an image.")