src/streamlit_app.py

import streamlit as st 
from tensorflow.keras.models import load_model
from PIL import Image
import numpy as np

# ✅ Modeli doğru yoldan yükle (gerekirse "src/my_cnn_model.h5" yap)
model = load_model('my_cnn_model.h5')

# ✅ Sınıf isimleri (Binary Classification)
class_names = ['Kanser Değil', 'Kanser']

# ✅ Resim ön işleme fonksiyonu
def process_image(img):
    img = img.resize((170, 170))  # modelin beklediği input boyutu
    img = np.array(img) / 255.0   # normalizasyon
    img = np.expand_dims(img, axis=0)  # modelin beklediği 4D tensor
    return img

# ✅ Uygulama başlığı ve açıklama
st.set_page_config(page_title="Cilt Kanseri Sınıflandırıcı")
st.title("🔬 Cilt Kanseri Sınıflandırma")
st.write("Bir cilt görseli yükleyin, model kanser olup olmadığını tahmin etsin.")

# ✅ Kullanıcıdan dosya al
file = st.file_uploader('📷 Resim Seç', type=['jpg', 'jpeg', 'png'])

if file is not None:
    try:
        img = Image.open(file).convert("RGB")
        st.image(img, caption='Yüklenen Resim', use_container_width=True)
        
        # İşleme ve tahmin
        processed = process_image(img)
        prediction = model.predict(processed)
        predicted_class = int(np.argmax(prediction))

        # Tahmini yazdır
        if predicted_class < len(class_names):
            st.success(f"Tahmin: **{class_names[predicted_class]}**")
        else:
            st.warning("⚠️ Tahmin edilen sınıf geçersiz. Model veya sınıf isimleri uyuşmuyor.")
    except Exception as e:
        st.error(f"Bir hata oluştu: {e}")
        confidence = float(np.max(prediction)) * 100
        st.write(f"🧠 Güven: %{confidence:.2f}")