Upload app.py

app.py

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