Streamlit

app.py

@@ -0,0 +1,83 @@
+from pathlib import Path
+import zipfile
+import streamlit as st
+from PIL import Image
+from classifier import WasteClassifier
+
+# --- MODEL KONFİGÜRASYONLARI (Notebook Analiz Sonuçları) ---
+APP_DIR = Path(__file__).resolve().parent
+MODEL_CANDIDATES = [
+    APP_DIR / "model" / "akilli_kutu_model.keras",
+    APP_DIR / "akilli_kutu_model.keras",
+]
+
+def resolve_model_path() -> Path:
+    for candidate in MODEL_CANDIDATES:
+        if candidate.is_file() and zipfile.is_zipfile(candidate):
+            return candidate
+    for candidate in MODEL_CANDIDATES:
+        if candidate.is_file():
+            return candidate
+    return MODEL_CANDIDATES[0]
+
+MODEL_PATH = resolve_model_path()
+
+# Klasörlerin alfabetik dizilimine sadık kalınmış Türkçe karşılıklar:
+# ['cardboard', 'glass', 'metal', 'paper', 'plastic', 'trash']
+CLASSES = ["Karton", "Cam", "Metal", "Kağıt", "Plastik", "Genel Çöp"]
+TARGET_SIZE = (224, 224)
+
+# Her etkileşimde modelin sıfırdan yüklenip sistemi dondurmaması için cache yapısı kullanıyoruz
+@st.cache_resource
+def load_cached_classifier():
+    return WasteClassifier(model_path=str(MODEL_PATH), class_names=CLASSES, target_size=TARGET_SIZE)
+
+
+def main():
+    st.set_page_config(page_title="AI Atık Sınıflandırma", page_icon="♻️", layout="centered")
+
+    st.title("♻️ Akıllı Hazne Atık Sınıflandırma Sistemi")
+    st.markdown("Eğitilen **MobileNetV2** modelini kullanarak atık türünü gerçek zamanlı tespit edin.")
+    st.write("---")
+
+
+    try:
+        classifier = load_cached_classifier()
+    except Exception as e:
+        st.error(f"Model yüklenirken kritik hata: {e}")
+        st.info("Lütfen model dosyasının doğru dizinde ve doğru adda olduğundan emin olun.")
+        return
+
+    # Dosya Yükleme Alanı
+    uploaded_file = st.file_uploader("Siyah arka planda çekilmiş atık fotoğrafını yükleyin...", type=["jpg", "jpeg", "png"])
+
+    if uploaded_file is not None:
+        # Görseli RAM'e alıyoruz
+        image = Image.open(uploaded_file)
+
+
+        col1, col2 = st.columns(2)
+
+        with col1:
+            st.image(image, caption="Yüklenen Nesne", use_container_width=True)
+
+        with col2:
+            st.subheader("Model Analizi")
+
+            with st.spinner("Model tahmin yürütüyor..."):
+                try:
+                    # Tahmin motorunu çalıştır
+                    prediction, confidence = classifier.predict(image)
+
+                    # Sonuç Ekranı
+                    st.success(f"**Tespit Edilen Sınıf:** {prediction}")
+                    st.metric(label="Güven Skoru", value=f"% {confidence:.2f}")
+
+                    # Kullanıcı yönlendirme kalkanı
+                    st.info(f"Yapay zeka bu nesnenin **{prediction}** kutusuna atılmasını öneriyor.")
+
+                except Exception as e:
+                    st.error(f"Tahmin işlemi esnasında bir hata oluştu: {e}")
+
+if __name__ == "__main__":
+    main()

classifier.py

@@ -0,0 +1,78 @@
+import numpy as np
+from abc import ABC, abstractmethod
+from pathlib import Path
+import zipfile
+from PIL import Image
+import tensorflow as tf
+
+
+
+class BaseClassifier(ABC):
+    def __init__(self, class_names: list[str]) -> None:
+        self.class_names = class_names
+        self.model: tf.keras.Model | None = None
+
+    @abstractmethod
+    def load_model(self, model_path: str) -> None:
+        pass
+
+    @abstractmethod
+    def _preprocess_image(self, image: Image.Image) -> np.ndarray:
+        pass
+
+    def predict(self, image: Image.Image) -> tuple[str, float]:
+        if self.model is None:
+            raise ValueError("Model henüz yüklenmedi.")
+
+        processed_img = self._preprocess_image(image)
+        predictions = self.model.predict(processed_img)
+
+        best_class_idx = np.argmax(predictions[0])
+
+        predicted_class = self.class_names[best_class_idx]
+        confidence = float(predictions[0][best_class_idx]) * 100
+
+        return predicted_class, confidence
+
+
+class WasteClassifier(BaseClassifier):
+    """MobileNetV2 tabanlı çöp sınıflandırma modelinin yönetim sınıfı."""
+
+    def __init__(self, model_path: str, class_names: list[str], target_size: tuple[int, int] = (224, 224)):
+        super().__init__(class_names=class_names)
+        self.model_path = model_path
+        self.target_size = target_size
+
+
+        self.load_model(self.model_path)
+
+    def load_model(self, model_path: str) -> None:
+        model_file = Path(model_path)
+        if not model_file.is_file():
+            raise FileNotFoundError(f"Model dosyası bulunamadı: {model_file}")
+        if not zipfile.is_zipfile(model_file):
+            raise ValueError(f"Model dosyası geçersiz .keras arşivi: {model_file}")
+
+        try:
+            self.model = tf.keras.models.load_model(str(model_file))
+        except Exception as e:
+            raise RuntimeError(f"Model yüklenirken hata oluştu: {e}")
+
+
+    # Görüntü ön işleme adımları
+    def _preprocess_image(self, image: Image.Image) -> np.ndarray:
+        """Görüntüyü MobileNetV2 girdisine ve notebook'taki ön işleme adımlarına hazırlar."""
+        # Eğer görsel PNG formatında ve saydam arka planlıysa, RGB'ye dönüştürerek alpha kanalını eliyoruz
+        if image.mode != "RGB":
+            image = image.convert("RGB")
+
+        # Görseli modelin eğitim boyutu olan 224x224'e ayarladık
+        image = image.resize(self.target_size)
+        img_array = tf.keras.preprocessing.image.img_to_array(image)
+
+        # Notebook'taki Veri Önişleme (rescale=1./255) adımı ile eşleme
+        img_array = img_array / 255.0  
+
+        # Batch boyutu ekleme: (224, 224, 3) -> (1, 224, 224, 3)
+        img_array = np.expand_dims(img_array, axis=0)
+        return img_array