Upload app.py

app.py

@@ -1,39 +1,34 @@
-import os
-from flask import Flask, render_template, request, send_file
-from diffusers import DiffusionPipeline
-from io import BytesIO
+import streamlit as st
+from tensorflow.keras.models import load_model
 from PIL import Image
+import numpy as np
 
-app = Flask(__name__)
+model = load_model('cnn_model_epoch_100.h5')
 
-# Modeli yükleyin (modeli sadece bir kez yüklemek için global tanımlıyoruz)
-pipe = DiffusionPipeline.from_pretrained("sd-legacy/stable-diffusion-v1-5")
+def process_image(img):
+    img = img.resize((170, 170))  # Boyutu 170x170 piksel yaptık
+    img = np.array(img) / 255.0  # Normalize ettik
+    img = np.expand_dims(img, axis=0)  # 0. ortada olsun diye sayfada
 
-# Ana sayfayı render et
-@app.route('/')
-def index():
-    return render_template('index.html')  # `templates` dizinine taşıdığınızı varsayıyoruz.
+st.title('Kanser Resmi sınıflandırma :cancer:')
+img_file = st.file_uploader('Bir Resim Seç', type=['jpeg', 'png'])
 
-# Görsel üretme fonksiyonu
-@app.route('/generate', methods=['POST'])
-def generate_image():
-    try:
-        # Kullanıcıdan gelen prompt verisini al
-        prompt = request.form['prompt']
+if img_file is not None:
+    img = Image.open(img_file)
+    st.image(img, caption='Yüklenen resim')
+    prediction = model.predict(img)
 
-        # Modelden görsel üretme
-        image = pipe(prompt).images[0]
+st.title('Kanser Resmi Sınıflandırma :cancer:')
+st.write('Resim seç ve model kanser olup olmadığını tahmin etsin.')
 
-        # Görseli bir byte stream'e dönüştür
-        img_io = BytesIO()
-        image.save(img_io, 'PNG')
-        img_io.seek(0)
+file = st.file_uploader('Bir Resim Seç', type=['jpg', 'jpeg', 'png'])
 
-        # Görseli kullanıcıya döndür
-        return send_file(img_io, mimetype='image/png')
-    except Exception as e:
-        # Hata durumunda kullanıcıya bir mesaj döndür
-        return f"Bir hata oluştu: {str(e)}"
+if file is not None:
+    img = Image.open(file)
+    st.image(img, caption='Yüklenen resim')
+    image = process_image(img)
+    prediction = model.predict(image)
+    predicted_class = np.argmax(prediction)
 
-if __name__ == '__main__':
-    app.run(debug=True)
+    class_names = ['Kanser Değil', 'Kanser']
+    st.write(class_names[predicted_class])