update file

Dockerfile

@@ -1,15 +1,18 @@
-# Temel imaj olarak Python 3.10 kullanıyoruz
-FROM python:3.10-slim
+# Resmi Python görüntüsünü kullanıyoruz, versiyon 3.9
+FROM python:3.9-slim
 
 # Çalışma dizinini oluştur
 WORKDIR /app
 
-# Gerekli paketlerin kurulumunu yap
+# Gereksinimler dosyasını kopyala ve gerekli paketleri yükle
 COPY requirements.txt requirements.txt
 RUN pip install --no-cache-dir -r requirements.txt
 
-# Uygulama dosyalarını kopyala
+# Uygulama dosyasını kopyala
 COPY . .
 
-# Streamlit ve FastAPI uygulamalarını çalıştır
-CMD ["streamlit", "run", "app.py", "--server.port=8501"]
+# Model dosyasını kopyala (Eğer model dosyası bu dizinde ise)
+# COPY path/to/CLAHE_ODIR-ORJ-512_inception_v3.h5 .
+
+# Uygulama başlatma komutu
+CMD ["uvicorn", "api:app", "--host", "0.0.0.0", "--port", "7860"]

app.py → api.py

@@ -1,14 +1,12 @@
 from fastapi import FastAPI, File, UploadFile
-from fastapi.responses import JSONResponse
-import tensorflow as tf
 import numpy as np
-from PIL import Image
 from io import BytesIO
-import uvicorn
+from PIL import Image
+import tensorflow as tf
 
 app = FastAPI()
 
-# Model yükleniyor
+# Model yükleniyor, yüklenen modelin yolunu kontrol ediniz.
 MODEL = tf.keras.models.load_model("CLAHE_ODIR-ORJ-512_inception_v3.h5")
 
 # Sınıf isimleri
@@ -17,29 +15,35 @@ class_names = [
     'Hypertension', 'Normal', 'Others', 'Pathological Myopia'
 ]
 
-def predict(image):
-    image = np.array(image)
+@app.get("/ping")
+async def ping():
+    return "Hello, I am alive"
+
+def read_file_as_image(data) -> np.ndarray:
+    image = np.array(Image.open(BytesIO(data)))
+    return image
+
+@app.post("/predict")
+async def predict(file: UploadFile = File(...)):
+    image_data = await file.read()
+    try:
+        image = read_file_as_image(image_data)
+    except IOError:
+        return {"error": "Invalid image format"}
+
+    # Görüntüyü modelin beklediği boyuta getirme
     image = tf.image.resize(image, (229, 229))
+    # Görüntüyü normalize etme
     image = tf.cast(image, tf.float32) / 255.0
+    # Batch haline getirme
     img_batch = np.expand_dims(image, 0)
+
+    # Model üzerinde tahmin yapma
     predictions = MODEL.predict(img_batch)
     predicted_class = class_names[np.argmax(predictions[0])]
     confidence = np.max(predictions[0])
-    return predicted_class, confidence
 
-@app.post("/predict")
-async def predict_api(file: UploadFile = File(...)):
-    image_data = await file.read()
-    try:
-        image = Image.open(BytesIO(image_data))
-    except IOError:
-        return JSONResponse(content={"error": "Invalid image format"}, status_code=400)
-
-    predicted_class, confidence = predict(image)
     return {
         'class': predicted_class,
         'confidence': float(confidence)
     }
-
-if __name__ == "__main__":
-    uvicorn.run(app, host="0.0.0.0", port=8000)