Bir web uygulaması geliştirirken en büyük hayallerimizden biri, ona zekâ katabilmek değil mi? Peki, bu hayali gerçeğe dönüştürmek için bir web framework’ü ve yapay zeka kütüphanesinin birleşimini nasıl kullanabiliriz? Cevap çok basit: Flask ve TensorFlow! Bu yazımızda, Python'un en popüler web framework'lerinden biri olan Flask ile hızlıca bir web uygulaması geliştirmeyi, sonra da bu uygulamayı TensorFlow ile nasıl akıllandıracağınızı anlatacağız. Hazırsanız, kodlama dünyasında keşfe çıkalım!
Flask ile Basit Bir Web Uygulaması Kurmak
İlk adımımız basit bir web uygulaması kurmak olacak. Flask, Python ile geliştirilen hafif ve esnek bir web framework'üdür. Basitliği sayesinde özellikle başlangıç seviyesindeki geliştiriciler için ideal bir tercihtir. Flask ile başlayalım:
# Flask'ı yükleyelim
from flask import Flask
# Flask uygulamasını başlatalım
app = Flask(__name__)
@app.route('/')
def home():
return "Merhaba, Yapay Zeka ile Web Uygulaması Geliştiriyorsunuz!"
if __name__ == '__main__':
app.run(debug=True)
Yukarıdaki basit Flask kodu, bir web sunucusu oluşturur ve ana sayfaya erişildiğinde bir mesaj döner. Flask'ın gücünü burada hemen görüyorsunuz. Artık web uygulamanız çalışıyor!
TensorFlow ile Yapay Zeka Modeli Entegre Etmek
Şimdi asıl heyecan verici kısma geldik. Flask'ı kullanarak bir web uygulaması geliştirdik, peki ya bu uygulamaya yapay zeka eklemek? TensorFlow, popüler bir makine öğrenimi kütüphanesidir ve birçok projede veri analizinden derin öğrenmeye kadar geniş bir kullanım alanına sahiptir. Şimdi, basit bir yapay zeka modelini web uygulamamızla entegre edelim.
Örneğin, bir görüntü sınıflandırma modeli oluşturduğumuzu varsayalım. TensorFlow ile eğitilen bu model, kullanıcıların yüklediği görselleri sınıflandıracak. İlk olarak, TensorFlow kütüphanesini yükleyelim:
import tensorflow as tf
# Önceden eğitilmiş bir model yükleyelim (örneğin, MobileNetV2)
model = tf.keras.applications.MobileNetV2(weights='imagenet')
# Görüntü verisini hazırlayalım
from tensorflow.keras.preprocessing import image
import numpy as np
def predict_image(img_path):
img = image.load_img(img_path, target_size=(224, 224))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)
img_array /= 255.0
# Model ile tahmin yapalım
predictions = model.predict(img_array)
return predictions
Bu kod, bir görseli alıp, MobileNetV2 modelini kullanarak o görseli sınıflandırmamızı sağlar. Şimdi, bu fonksiyonu Flask uygulamamıza entegre edebiliriz.
Flask ile Yapay Zeka Modelini Web Uygulamasına Entegre Etmek
Şimdi, Flask uygulamamızla birlikte TensorFlow modelini çalıştırarak görsel yükleme ve sınıflandırma işlemini gerçekleştirelim. Kullanıcıların yüklediği görselleri alıp, bunları modelimize göndererek sınıflandırma yapacağız. Flask üzerinde bir dosya yükleme özelliği ekleyelim:
from flask import request, jsonify
import os
# Dosya yükleme için gerekli ayarları yapalım
app.config['UPLOAD_FOLDER'] = 'uploads'
app.config['ALLOWED_EXTENSIONS'] = {'png', 'jpg', 'jpeg'}
# Dosya uzantı kontrol fonksiyonu
def allowed_file(filename):
return '.' in filename and filename.rsplit('.', 1)[1].lower() in app.config['ALLOWED_EXTENSIONS']
@app.route('/predict', methods=['POST'])
def upload_file():
if 'file' not in request.files:
return jsonify({'error': 'Dosya bulunamadı!'})
file = request.files['file']
if file and allowed_file(file.filename):
filename = os.path.join(app.config['UPLOAD_FOLDER'], file.filename)
file.save(filename)
# Görüntü sınıflandırma fonksiyonunu çalıştıralım
predictions = predict_image(filename)
# Tahminleri döndürelim
return jsonify({'predictions': predictions.tolist()})
return jsonify({'error': 'Geçersiz dosya formatı.'})
Bu kod parçası, kullanıcıların görselleri yüklemelerini sağlar ve ardından bu görselleri sınıflandırarak tahmin sonuçlarını kullanıcıya döner. Flask’ın kullanım kolaylığı ve TensorFlow’un gücüyle birlikte, bir yapay zeka modelini web uygulamanıza entegre etmek artık hiç de zor değil.
Sonuç: Yapay Zeka ve Web Uygulaması Birleşimi
Görüyorsunuz ki, Flask ve TensorFlow’u birleştirerek güçlü ve akıllı bir web uygulaması geliştirmek oldukça basit. Flask ile hızlıca bir web uygulaması kurarken, TensorFlow ile ona yapay zeka gücü ekleyerek projelerinize yeni boyutlar katabilirsiniz. Bu sadece bir başlangıç. Flask ve TensorFlow'un sağladığı esneklik ile çok daha karmaşık projeler de geliştirilebilir. Şimdi, öğrendiklerinizi gerçek projelere dönüştürme zamanı!
