Bu proje, farklı kömür türlerini sınıflandırmak için EfficientNetB0 tabanlı bir derin öğrenme modeli sunar. Model, kullanıcıdan alınan bir kömür görüntüsünü analiz ederek şu sınıflardan birini tahmin eder:
- Anthracite
- Bituminous
- Lignite
- Peat
Proje aynı zamanda tahmin sonuçlarını çubuk grafik ve pasta grafiklerle görselleştirir ve web arayüzü üzerinden kolay kullanım sağlar.
- TensorFlow/Keras: EfficientNetB0 modeli ve derin öğrenme altyapısı için.
- Streamlit: Kullanıcı dostu web arayüzü oluşturmak için.
- Playwright: Web arayüz testlerini gerçekleştirmek için.
- Pytest: Model ve fonksiyonlar için birim testler.
- Plotly: Grafiksel görselleştirme için.
- Python: Projenin temel programlama dili.
- NumPy: Veri işlemleri ve matematiksel hesaplamalar için.
- Matplotlib: Görsel doğrulama ve veri kümesi görselleştirme.
- Seaborn: Görselleştirmeler için estetik veri grafikleri.
- OpenCV: Görüntü işleme araçları için.
Proje aşağıdaki Python kütüphanelerini kullanmaktadır:
tensorflow
keras
numpy
streamlit
plotly
pytest
playwright
opencv-python
pillow
matplotlib
seaborn
Bu projeyi kullanmak için aşağıdaki adımları takip edin:
Proje dizininde aşağıdaki komutları çalıştırarak gerekli kütüphaneleri yükleyin:
pip install tensorflow keras numpy streamlit plotly pytest playwright opencv-python pillow matplotlib seaborn
Playwright ile testleri çalıştırmak için:
playwright install
Streamlit uygulamasını başlatmak için proje dizininde şu komutu çalıştırın:
streamlit run app.py
- Açılan tarayıcıda bir kömür görüntüsü yükleyin.
- Model, görüntüyü analiz ederek tahmin sonuçlarını ve olasılıkları grafiksel olarak gösterecektir.
Projedeki testleri çalıştırmak için şu komutları kullanın:
pytest
Playwright testlerini çalıştırmak için şu komutları çalıştırın:
pytest tests/test_playwright.py
project/
├── app.py # Ana Streamlit uygulaması
├── model_training.py # Model eğitimi için kod
├── test_model.py # Pytest ile model testi
├── playwright_tests/ # Playwright ile web arayüz testleri
├── requirements.txt # Gerekli kütüphaneler
└── README.md # Proje açıklaması
Bu rehber ile projeyi kolayca kurabilir, çalıştırabilir ve test edebilirsiniz! 😊