Adım 1: Flask Kurulumunu Yapmak
Flask, Python ile yazılmış hafif bir web framework’üdür ve hızla web uygulamaları geliştirmek isteyenlerin en sevdiği araçlardan biridir. Bu rehberde, Flask kullanarak basit bir web uygulaması oluşturacağız. İlk olarak Flask’ı kurarak başlayalım:
pip install flask
Kurulum tamamlandıktan sonra, Flask'ı projemizde kullanmaya başlayabiliriz. Şimdi, bir temel Flask uygulaması oluşturalım.
from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello_world():
return "Merhaba, Yapay Zeka Web Uygulamasına Hoş Geldiniz!"
if __name__ == "__main__":
app.run(debug=True)
Bu basit kod, web uygulamanızın temellerini atıyor. Sunucuyu çalıştırarak “Merhaba, Yapay Zeka Web Uygulamasına Hoş Geldiniz!” mesajını görebilirsiniz. Flask’ın ne kadar basit ve güçlü bir araç olduğunu gördünüz!
Adım 2: TensorFlow ile Gerçek Zamanlı Tahmin Modeli Oluşturmak
Flask uygulamanızı hazırladıktan sonra, gerçek zamanlı tahmin sistemini oluşturmak için TensorFlow’u kullanacağız. TensorFlow, makine öğrenimi ve derin öğrenme modelleri oluşturmak için kullanılan bir kütüphanedir. Hadi, temel bir makine öğrenimi modelini TensorFlow ile eğitelim.
Öncelikle TensorFlow'u yükleyelim:
pip install tensorflow
Sonrasında, basit bir yapay sinir ağı modeli oluşturalım. Bu örnekte, çok basit bir tahmin modeli kuracağız. Model, bazı verilerle eğitilecek ve tahminler yapacak.
import tensorflow as tf
from tensorflow import keras
import numpy as np
# Verileri yükleyelim (örneğin, MNIST veri seti)
(train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data()
# Veriyi ön işleme
train_images = train_images / 255.0
test_images = test_images / 255.0
# Modeli oluşturma
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dropout(0.2),
keras.layers.Dense(10)
])
# Modeli derleme
model.compile(optimizer='adam',
loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# Modeli eğitme
model.fit(train_images, train_labels, epochs=5)
# Test verisi ile değerlendirme
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f"Test accuracy: {test_acc}")
Bu model, MNIST veri setindeki el yazısı rakamlarını tanımayı öğrenecek. Model eğitildikten sonra, test verisi üzerinde doğruluğunu kontrol ediyoruz. Şimdi, bu eğitilmiş modeli bir web uygulamasına entegre edebiliriz.
Adım 3: Flask ve TensorFlow'u Entegre Etmek
Flask uygulamamızda, kullanıcıdan alınan verileri TensorFlow modelimize göndererek gerçek zamanlı tahminler yapacağız. Flask uygulamamıza bir form ekleyerek kullanıcıdan veri alabiliriz. Sonrasında bu veriyi TensorFlow modelimize geçirerek tahmin sonucunu döndürebiliriz.
Öncelikle, Flask ile basit bir form oluşturalım:
from flask import request, render_template
import numpy as np
@app.route('/predict', methods=['POST'])
def predict():
if request.method == 'POST':
# Kullanıcıdan alınan veri (örneğin, bir resim)
image_data = request.files['image'].read()
# Resim verisini işleyerek modele gönderme
prediction = model.predict(image_data)
return render_template('result.html', prediction=prediction)
Bu kodda, kullanıcıdan bir resim dosyası alıp modelimize gönderiyoruz. Modelimizin tahmin ettiği sonucu bir sonuç sayfasında gösteriyoruz.
Adım 4: Sonuçları Görselleştirmek
Flask uygulamanızın sonuç sayfasında, TensorFlow’un tahmin sonuçlarını görselleştirerek kullanıcıya daha açıklayıcı bir deneyim sunabilirsiniz. Örneğin, tahminin doğruluğunu ve hangi sınıfa ait olduğunu görsel olarak sunmak faydalı olacaktır.
Sonuç olarak, Flask ve TensorFlow'u entegre ederek güçlü ve etkili bir web uygulaması geliştirebilirsiniz. Bu, yalnızca web geliştirme becerilerinizi değil, aynı zamanda yapay zeka ve makine öğrenimi konusundaki bilginizi de geliştirecek harika bir proje!
