https://github.com/code-alchemist01/pharmaapp
PharmaApp, kullanıcıların ilaç kutusu fotoğraflarından otomatik olarak ilaç tanıma, takip etme ve hatırlatma alabilmelerini sağlayan kapsamlı bir mobil uygulamadır. Sistem, iki aşamalı derin öğrenme yaklaşımı (YOLOv8 + Vision Transformer) kullanarak yüksek doğruluk oranları elde etmektedir.
https://github.com/code-alchemist01/pharmaapp
classification computer-vision dete mobile-app pharmacy vision vision-transformer yolov8
Last synced: about 1 month ago
JSON representation
PharmaApp, kullanıcıların ilaç kutusu fotoğraflarından otomatik olarak ilaç tanıma, takip etme ve hatırlatma alabilmelerini sağlayan kapsamlı bir mobil uygulamadır. Sistem, iki aşamalı derin öğrenme yaklaşımı (YOLOv8 + Vision Transformer) kullanarak yüksek doğruluk oranları elde etmektedir.
- Host: GitHub
- URL: https://github.com/code-alchemist01/pharmaapp
- Owner: code-alchemist01
- Created: 2025-12-25T16:04:42.000Z (6 months ago)
- Default Branch: main
- Last Pushed: 2025-12-25T17:27:58.000Z (6 months ago)
- Last Synced: 2025-12-27T02:51:04.853Z (6 months ago)
- Topics: classification, computer-vision, dete, mobile-app, pharmacy, vision, vision-transformer, yolov8
- Language: TypeScript
- Homepage:
- Size: 656 KB
- Stars: 1
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# 💊 PharmaApp - İlaç Takip ve Tanıma Sistemi
**Yapay Zeka Destekli Mobil İlaç Takip ve Tanıma Uygulaması**
PharmaApp, kullanıcıların ilaç kutusu fotoğraflarından otomatik olarak ilaç tanıma, takip etme ve hatırlatma alabilmelerini sağlayan kapsamlı bir mobil uygulamadır. Sistem, iki aşamalı derin öğrenme yaklaşımı (YOLOv8 + Vision Transformer) kullanarak yüksek doğruluk oranları elde etmektedir.
## 📊 Veri Setleri ve Model Dosyaları
Bu proje aşağıdaki veri setlerini ve model dosyalarını kullanmaktadır:
### 📦 Veri Setleri (Kaggle)
- **12-Class Turkish Drug Detection Dataset**: [Kaggle Dataset](https://www.kaggle.com/datasets/kutayahin/turkish-pharmaceutical-drug-dataset-12-classes)
- **150-Class Pharmaceutical Medication Dataset**: [Kaggle Dataset](https://www.kaggle.com/datasets/kutayahin/150-class-pharmaceutical-medication-dataset)
**Not:** Model eğitimi yapmak istiyorsanız, veri setlerini Kaggle'dan indirip proje klasörlerine yerleştirmeniz gerekmektedir. Detaylı kurulum adımları aşağıda verilmiştir.
### 🤖 ONNX Model Dosyaları (Google Drive)
- **ONNX Model Dosyaları**: [Google Drive Linki](https://drive.google.com/file/d/1WCvGnk7QElLjhcohL-gOdpSy5k4UA_BP/view?usp=sharing)
**Not:** Uygulamayı çalıştırmak için ONNX model dosyalarını Google Drive'dan indirip `PharmaApp/android/app/src/main/assets/` klasörüne yerleştirmeniz gerekmektedir. Detaylı indirme ve kurulum adımları aşağıdaki "Hızlı Başlangıç" bölümünde verilmiştir.
---
## 📋 İçindekiler
- [Veri Setleri](#-veri-setleri)
- [Genel Bakış](#genel-bakış)
- [Özellikler](#özellikler)
- [Sistem Gereksinimleri](#sistem-gereksinimleri)
- [⚡ Hızlı Başlangıç: Sadece Uygulamayı Çalıştırmak](#-hızlı-başlangıç-sadece-uygulamayı-çalıştırmak-istiyorum)
- [Sıfırdan Kurulum Rehberi](#-sıfırdan-kurulum-rehberi)
- [Ön Hazırlık](#01-ön-hazırlık)
- [Python Backend Kurulumu](#1-python-backend-kurulumu)
- [Model Eğitimi](#2-model-eğitimi)
- [Model Dönüştürme (ONNX)](#23-model-dönüştürme-onnx)
- [Mobil Uygulama Kurulumu](#3-mobil-uygulama-kurulumu)
- [Kullanım](#kullanım)
- [Proje Yapısı](#proje-yapısı)
- [Sorun Giderme](#sorun-giderme)
- [Performans Metrikleri](#performans-metrikleri)
---
## 🎯 Genel Bakış
PharmaApp, üç ana bileşenden oluşan entegre bir sistemdir:
1. **Python Backend**: Model eğitimi, inference
2. **Mobil Uygulama**: React Native tabanlı cross-platform uygulama (Android/iOS)
3. **Yapay Zeka Modelleri**: YOLOv8 (Detection) + Vision Transformer (Classification)
### Sistem Mimarisi
Sistem, **iki aşamalı (two-stage) derin öğrenme** yaklaşımı kullanmaktadır:
```
Giriş Görüntüsü
↓
[YOLOv8 Detection] → İlaç kutusunu tespit et
↓
[Görüntü Kırpma] → Tespit edilen bölgeyi kırp
↓
[ViT Classification] → İlacı sınıflandır (12 veya 150 sınıf)
↓
Sonuç: İlaç adı + Güven skoru
```
 
 
 
 
### Model Yaklaşımı
Sistem, **hibrit model yaklaşımı** kullanmaktadır:
- **12 Sınıf Yüksek Doğruluk Modeli**: Aferin, Apranax, Arveles, Aspirin, Dolorex, Hametan Krem, Hametan Merhem, Majezik, Metpamid, Parol, Terbisil, Unisom
- **Doğruluk**: %99.82
- **Kullanım**: Yüksek güven gereken durumlar
- **150 Sınıf Geniş Kapsam Modeli**: 150 farklı Türk ilaç kategorisi
- **Doğruluk**: %85-90
- **Kullanım**: Geniş kapsam gereken durumlar
- **Birleştirilmiş Yaklaşım**: Her iki model paralel çalıştırılır, sonuçlar birleştirilir ve en yüksek güven skorlu sonuç seçilir.
---
## ✨ Özellikler
### 🤖 Yapay Zeka Özellikleri
- ✅ **İki Aşamalı Tanıma Sistemi**: YOLOv8 (Detection) + Vision Transformer (Classification)
- ✅ **162 İlaç Sınıfı**: 12 yüksek doğruluk + 150 geniş kapsam ilaç sınıfı
- ✅ **Yüksek Doğruluk**: %99.82 (12 sınıf), %85-90 (150 sınıf)
- ✅ **Gerçek Zamanlı Inference**: Mobil cihazlarda ~150-400ms inference süresi
- ✅ **Hibrit Model Yaklaşımı**: İki model entegrasyonu ile hem yüksek doğruluk hem geniş kapsam
- ✅ **Offline Çalışma**: İnternet bağlantısı olmadan çalışabilme
### 📱 Mobil Uygulama Özellikleri
- ✅ **İlaç Tanıma**: Kamera ile fotoğraf çekerek otomatik ilaç tanıma
- ✅ **İlaç Takibi**: İlaç alım geçmişi ve istatistikler
- ✅ **Alarm Sistemi**: Özelleştirilebilir ilaç hatırlatıcıları
- ✅ **Takvim Entegrasyonu**: İlaç alım takvimi görüntüleme
- ✅ **Offline Çalışma**: SQLite yerel veritabanı ile offline çalışma
- ✅ **Firebase Senkronizasyonu**: Çoklu cihaz senkronizasyonu
- ✅ **Kullanıcı Yönetimi**: Firebase Authentication ile güvenli giriş
---
## 🖥️ Sistem Gereksinimleri
### Python Backend (Model Eğitimi/Inference)
- **Python**: 3.8 veya üzeri
- **CUDA**: 11.0+ (GPU eğitimi için, opsiyonel)
- **RAM**: 8GB+ (16GB önerilir)
- **Disk**: 10GB+ boş alan
- **GPU**: NVIDIA GPU (RTX 3060 veya üzeri önerilir, opsiyonel)
### Mobil Uygulama (React Native)
- **Node.js**: 20 veya üzeri
- **React Native**: 0.82.1
- **Android Studio**: Son sürüm (Android geliştirme için)
- **Xcode**: Son sürüm (iOS geliştirme için, sadece macOS)
- **Java JDK**: 17 veya üzeri
- **Android SDK**: API Level 24+ (Android 7.0+)
---
## 🚀 Sıfırdan Kurulum Rehberi
Bu rehber, projeyi sıfırdan kurmak ve modelleri eğitmek için gerekli tüm adımları içermektedir.
**⚠️ ÖNEMLİ NOTLAR:**
- Bu rehber, hiçbir ön bilgisi olmayan kullanıcılar için hazırlanmıştır
- Her adımı sırayla takip edin
- Bir adımı atlamayın
- Hata alırsanız, önce "Sorun Giderme" bölümüne bakın
- Eğitim süreleri tahminidir ve donanımınıza göre değişebilir
---
## ⚡ Hızlı Başlangıç: Sadece Uygulamayı Çalıştırmak İstiyorum
**Model eğitimi yapmadan, sadece uygulamayı çalıştırmak istiyorsanız:**
### Adım 1: Git Kurulumu ve Repository'yi Clone Et
**Git Kurulumu:**
1. [Git](https://git-scm.com/downloads) indirin ve kurun (eğer yoksa)
2. Kurulumu doğrulayın:
```bash
git --version
```
**Repository'yi Clone Et:**
```bash
# Repository'yi klonlayın
git clone https://github.com/code-alchemist01/PharmaAPP.git
cd PharmaAPP
```
### Adım 2: ONNX Model Dosyalarını İndirin (Google Drive)
**⚠️ ÖNEMLİ:** Uygulamanın çalışması için ONNX model dosyaları gereklidir!
**İndirme Adımları:**
1. **Google Drive Linkine Gidin:**
- Link: [ONNX Model Dosyaları](https://drive.google.com/file/d/1WCvGnk7QElLjhcohL-gOdpSy5k4UA_BP/view?usp=sharing)
- Tarayıcınızda linki açın
2. **Dosyayı İndirin:**
- Google Drive sayfasında "İndir" (Download) butonuna tıklayın
- ZIP dosyası indirilecek (~668 MB)
- İndirme tamamlanana kadar bekleyin
3. **ZIP Dosyasını Açın:**
- İndirilen ZIP dosyasını bulun (genellikle İndirilenler klasöründe)
- ZIP dosyasını sağ tıklayıp "Tümünü çıkart" veya "Extract All" seçin
- İçerik 4 ONNX dosyası olmalı:
- `detection.onnx` (~11.71 MB)
- `classification.onnx` (~1.22 MB)
- `classification.onnx.data` (~327.38 MB)
- `classification_150.onnx` (~327.82 MB)
4. **Dosyaları Assets Klasörüne Kopyalayın:**
**Windows:**
```bash
# Ana klasöre gidin (PharmaAPP klasörü)
cd PharmaAPP
# Assets klasörünü oluşturun (eğer yoksa)
mkdir PharmaApp\android\app\src\main\assets
# ONNX dosyalarını kopyalayın
# ZIP'ten çıkarttığınız dosyaları bulun ve şu komutu kullanın:
copy "ZIP_TEN_ÇIKARTILAN_KLASÖR\*.onnx*" PharmaApp\android\app\src\main\assets\
```
**Linux/Mac:**
```bash
# Ana klasöre gidin (PharmaAPP klasörü)
cd PharmaAPP
# Assets klasörünü oluşturun (eğer yoksa)
mkdir -p PharmaApp/android/app/src/main/assets
# ONNX dosyalarını kopyalayın
cp "ZIP_TEN_ÇIKARTILAN_KLASÖR/*.onnx*" PharmaApp/android/app/src/main/assets/
```
5. **Dosyaları Kontrol Edin:**
```bash
# Windows
dir PharmaApp\android\app\src\main\assets\*.onnx*
# Linux/Mac
ls PharmaApp/android/app/src/main/assets/*.onnx*
# Şu 4 dosyayı görmelisiniz:
# - detection.onnx
# - classification.onnx
# - classification.onnx.data
# - classification_150.onnx
```
**✅ Başarılı!** ONNX model dosyaları yerleştirildi.
**❌ Sorun mu yaşıyorsunuz?**
- Dosyaların doğru klasörde olduğundan emin olun: `PharmaApp/android/app/src/main/assets/`
- Tüm 4 dosyanın (`.onnx` ve `.onnx.data` dahil) kopyalandığını kontrol edin
- "Sorun Giderme" bölümüne bakın
### Adım 3: Node.js Kurulumu
1. https://nodejs.org/ adresine gidin
2. "LTS" versiyonunu indirin (20.x veya üzeri)
3. İndirilen dosyayı çalıştırın ve kurulum sihirbazını takip edin
4. Kurulumu doğrulayın:
```bash
node --version
npm --version
# Node.js 20.x.x ve npm 10.x.x görmelisiniz
```
### Adım 4: Node Modüllerini Yükle
```bash
# PharmaApp klasörüne gidin
cd PharmaApp
# Node modüllerini yükleyin (5-10 dakika sürebilir)
npm install
# Yükleme tamamlandığında "added XXX packages" mesajı göreceksiniz
```
### Adım 5: Android Studio Kurulumu (Android için)
1. https://developer.android.com/studio adresine gidin
2. Android Studio'yu indirin ve kurun
3. İlk açılışta Android SDK'yı kurun
4. Java JDK 17+ otomatik kurulacak
### Adım 6: Firebase Yapılandırması (Opsiyonel - Uygulama çalışır ama Firebase özellikleri çalışmaz)
1. https://console.firebase.google.com/ adresine gidin
2. Yeni proje oluşturun
3. Android uygulaması ekleyin
4. `google-services.json` dosyasını indirin
5. Dosyayı `PharmaApp/android/app/` klasörüne kopyalayın
### Adım 7: Uygulamayı Çalıştır
**Terminal 1 (Metro Bundler):**
```bash
cd PharmaApp
npm start
```
**Terminal 2 (Android Uygulaması):**
```bash
cd PharmaApp
npm run android
```
**✅ Başarılı!** Uygulama Android emülatörde veya bağlı cihazda çalışacak.
**⚠️ İlk çalıştırmada:**
- Android Studio açılabilir
- Gradle build yapılacak (5-10 dakika sürebilir)
- Uygulama otomatik yüklenecek ve çalışacak
---
**📝 Not:** Model eğitimi yapmak istiyorsanız, aşağıdaki "Model Eğitimi" bölümünü takip edin.
### 0. Ön Hazırlık
#### 0.1 Gerekli Yazılımları Kurun
**Python Kurulumu:**
1. [Python 3.8+](https://www.python.org/downloads/) indirin ve kurun
2. Kurulum sırasında "Add Python to PATH" seçeneğini işaretleyin
3. Kurulumu doğrulayın:
```bash
python --version
# Çıktı: Python 3.8.x veya üzeri olmalı
```
**Git Kurulumu (Opsiyonel - Repository'yi klonlamak için):**
1. [Git](https://git-scm.com/downloads) indirin ve kurun
2. Kurulumu doğrulayın:
```bash
git --version
```
**CUDA Kurulumu (GPU kullanmak için - Opsiyonel):**
1. [NVIDIA CUDA Toolkit 11.0+](https://developer.nvidia.com/cuda-downloads) indirin ve kurun
2. [cuDNN](https://developer.nvidia.com/cudnn) indirin ve kurun
3. Kurulumu doğrulayın:
```bash
nvidia-smi
# GPU bilgilerini görmelisiniz
```
#### 0.2 Repository'yi Klonlayın veya İndirin
**Git ile Klonlama (Önerilen):**
**Repository'yi Klonlama:**
```bash
# Repository'yi klonlayın
git clone https://github.com/code-alchemist01/PharmaAPP.git
cd PharmaAPP
```
**ONNX Model Dosyalarını İndirin (Google Drive):**
ONNX model dosyaları GitHub'a yüklenemiyor (dosya boyutu limiti nedeniyle). Google Drive'dan indirmeniz gerekiyor:
1. **Google Drive Linkine Gidin:**
- [ONNX Model Dosyaları](https://drive.google.com/file/d/1WCvGnk7QElLjhcohL-gOdpSy5k4UA_BP/view?usp=sharing)
2. **Dosyayı İndirin:**
- Google Drive sayfasında "İndir" (Download) butonuna tıklayın
- ZIP dosyası indirilecek (~668 MB)
3. **ZIP Dosyasını Açın ve Dosyaları Kopyalayın:**
**Windows:**
```bash
# Assets klasörünü oluşturun (eğer yoksa)
mkdir PharmaApp\android\app\src\main\assets
# ZIP'ten çıkarttığınız ONNX dosyalarını kopyalayın
copy "ZIP_TEN_ÇIKARTILAN_KLASÖR\*.onnx*" PharmaApp\android\app\src\main\assets\
```
**Linux/Mac:**
```bash
# Assets klasörünü oluşturun (eğer yoksa)
mkdir -p PharmaApp/android/app/src/main/assets
# ZIP'ten çıkarttığınız ONNX dosyalarını kopyalayın
cp "ZIP_TEN_ÇIKARTILAN_KLASÖR/*.onnx*" PharmaApp/android/app/src/main/assets/
```
4. **Kontrol Edin:**
```bash
# Windows
dir PharmaApp\android\app\src\main\assets\*.onnx*
# Linux/Mac
ls PharmaApp/android/app/src/main/assets/*.onnx*
# Şu 4 dosyayı görmelisiniz:
# - detection.onnx
# - classification.onnx
# - classification.onnx.data
# - classification_150.onnx
```
**Manuel İndirme (ZIP):**
1. Repository'yi ZIP olarak indirin (GitHub'dan "Code" → "Download ZIP")
2. ZIP dosyasını açın
3. **ÖNEMLİ:** ZIP indirme ONNX model dosyalarını içermez!
4. ONNX dosyalarını Google Drive'dan indirin (yukarıdaki adımları takip edin)
5. ONNX dosyalarını `PharmaApp/android/app/src/main/assets/` klasörüne kopyalayın
#### 0.3 Kaggle API Kurulumu (Veri Setlerini İndirmek İçin)
**Kaggle API Token Oluşturma:**
1. [Kaggle](https://www.kaggle.com/) hesabı oluşturun veya giriş yapın
2. Hesap ayarlarına gidin: [Account Settings](https://www.kaggle.com/settings)
3. "API" sekmesine gidin
4. "Create New Token" butonuna tıklayın
5. `kaggle.json` dosyası indirilecek
**Kaggle API Token Yerleştirme:**
**Windows:**
```bash
# Kaggle klasörünü oluşturun
mkdir C:\Users\%USERNAME%\.kaggle
# kaggle.json dosyasını bu klasöre kopyalayın
copy kaggle.json C:\Users\%USERNAME%\.kaggle\
```
**Linux/Mac:**
```bash
# Kaggle klasörünü oluşturun
mkdir -p ~/.kaggle
# kaggle.json dosyasını bu klasöre kopyalayın
cp kaggle.json ~/.kaggle/
chmod 600 ~/.kaggle/kaggle.json
```
**Kaggle API Kurulumu:**
```bash
pip install kaggle
```
#### 0.4 Veri Setlerini İndirin
**Yöntem 1: Kaggle API ile İndirme (Önerilen)**
```bash
# 12-Class Dataset
kaggle datasets download -d kutayahin/12-class-turkish-drug-detection-dataset -p ilacverisi/
cd ilacverisi
# ZIP dosyasını açın
# Windows: Expand-Archive veya 7-Zip kullanın
# Linux/Mac: unzip komutu kullanın
unzip 12-class-turkish-drug-detection-dataset.zip -d SAP_BABA_CLEAN/
# veya manuel olarak ZIP'i açıp içeriğini SAP_BABA_CLEAN/ klasörüne kopyalayın
# 150-Class Dataset
cd ../turkish_pill
kaggle datasets download -d kutayahin/150-class-pharmaceutical-medication-dataset -p ./
# ZIP dosyasını açın
unzip 150-class-pharmaceutical-medication-dataset.zip -d "Mobile-Captured Pharmaceutical Medication Packages/"
```
**Yöntem 2: Manuel İndirme (Kaggle Web Sitesi)**
**12-Class Dataset (SAP_BABA_CLEAN):**
**12-Class Dataset (SAP_BABA_CLEAN):**
1. [Kaggle Dataset](https://www.kaggle.com/datasets/kutayahin/turkish-pharmaceutical-drug-dataset-12-classes) sayfasına gidin
2. "Download" butonuna tıklayın
3. ZIP dosyasını indirin
4. ZIP dosyasını açın ve içeriğini `ilacverisi/SAP_BABA_CLEAN/` klasörüne kopyalayın
**Klasör yapısı şöyle olmalı:**
```
ilacverisi/
└── SAP_BABA_CLEAN/
├── train/
│ ├── images/
│ └── labels/
├── valid/
│ ├── images/
│ └── labels/
├── test/
│ ├── images/
│ └── labels/
└── data.yaml
```
**150-Class Dataset (Mobile-Captured Pharmaceutical Medication Packages):**
1. [Kaggle Dataset](https://www.kaggle.com/datasets/kutayahin/150-class-pharmaceutical-medication-dataset) sayfasına gidin
2. "Download" butonuna tıklayın
3. ZIP dosyasını indirin
4. ZIP dosyasını açın ve içeriğini `turkish_pill/Mobile-Captured Pharmaceutical Medication Packages/` klasörüne kopyalayın
**Klasör yapısı şöyle olmalı:**
```
turkish_pill/
└── Mobile-Captured Pharmaceutical Medication Packages/
├── Acretin 30 g cream/
├── Adol 24 caplets/
├── ... (150 klasör)
└── drug list.xlsx
```
### 1. Python Backend Kurulumu
#### 1.1 Sanal Ortam Oluşturun (Önerilir)
**Sanal Ortam Nedir?**
Sanal ortam, projenizin bağımlılıklarını sistem Python'undan izole eder. Bu sayede farklı projeler farklı Python paket versiyonlarını kullanabilir.
**Sanal Ortam Oluşturma:**
**Windows:**
```bash
# Ana klasöre gidin
cd C:\PHARMA_APP
# Sanal ortam oluşturun
python -m venv venv
# Sanal ortamı aktifleştirin
venv\Scripts\activate
# Aktifleştirme başarılıysa terminal başında (venv) göreceksiniz
```
**Linux/Mac:**
```bash
# Ana klasöre gidin
cd ~/PHARMA_APP
# Sanal ortam oluşturun
python3 -m venv venv
# Sanal ortamı aktifleştirin
source venv/bin/activate
# Aktifleştirme başarılıysa terminal başında (venv) göreceksiniz
```
**Sanal Ortamı Deaktifleştirme:**
```bash
# Herhangi bir zamanda deaktifleştirmek için
deactivate
```
**Not:** Her yeni terminal açtığınızda sanal ortamı tekrar aktifleştirmeniz gerekir.
#### 1.2 Bağımlılıkları Yükleyin
**ÖNEMLİ:** Sanal ortam aktif olmalı! Terminal başında `(venv)` görmelisiniz.
**12 Sınıf Modeli (ilacverisi workspace):**
```bash
cd ilacverisi
pip install --upgrade pip # pip'i güncelleyin
pip install -r requirements.txt
```
**Yükleme sırasında hata alırsanız:**
- **CUDA hatası:** GPU kullanmayacaksanız, CPU versiyonunu yükleyin:
```bash
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu
```
- **Memory hatası:** Bağımlılıkları tek tek yükleyin veya pip cache'i temizleyin:
```bash
pip cache purge
pip install -r requirements.txt --no-cache-dir
```
**150 Sınıf Modeli (turkish_pill workspace):**
```bash
cd ../turkish_pill
pip install --upgrade pip
pip install -r requirements.txt
```
**Kurulumu Doğrulayın:**
```bash
# PyTorch kurulumunu kontrol edin
python -c "import torch; print(f'PyTorch: {torch.__version__}')"
python -c "import torch; print(f'CUDA Available: {torch.cuda.is_available()}')"
# Transformers kurulumunu kontrol edin
python -c "import transformers; print(f'Transformers: {transformers.__version__}')"
# Ultralytics kurulumunu kontrol edin (12 sınıf için)
python -c "import ultralytics; print(f'Ultralytics: {ultralytics.__version__}')"
```
**Beklenen Çıktı:**
- PyTorch versiyonu gösterilmeli
- CUDA Available: True (GPU varsa) veya False (CPU kullanıyorsanız)
- Transformers versiyonu gösterilmeli
### 2. Model Eğitimi
#### 2.1 12 Sınıf Modeli Eğitimi
**Adım 1: Veri Setini Kontrol Edin**
```bash
cd ilacverisi
# Veri setinin doğru yerde olduğunu kontrol edin
dir SAP_BABA_CLEAN\train\images
# Çıktı: 10,443 görüntü dosyası görmelisiniz
```
**Adım 2: Detection Model (YOLOv8) Eğitimi**
**Eğitim Öncesi Kontrol:**
```bash
# ilacverisi klasöründeyken
# config.yaml dosyasını kontrol edin
type config.yaml # Windows
# veya
cat config.yaml # Linux/Mac
```
**Eğitimi Başlatın:**
```bash
# ilacverisi klasöründeyken
python src/train_detection.py
```
**Eğitim Sırasında:**
- Terminal'de epoch ilerlemesini göreceksiniz
- Her epoch sonunda validation sonuçları gösterilir
- `runs/detection/train/` klasöründe grafikler ve metrikler kaydedilir
- Eğitim sırasında bilgisayarınızı kapatmayın veya uyku moduna almayın
**Parametreler** (`config.yaml`):
- Model Boyutu: `n` (nano)
- Epochs: 100
- Batch Size: 16
- Image Size: 640x640
- Learning Rate: 0.01
**Beklenen Süre:**
- GPU (RTX 3060+): ~2-4 saat
- CPU: ~10-20 saat
**Eğitim Sırasında Hata Alırsanız:**
- **CUDA out of memory:** `config.yaml` dosyasında `batch_size` değerini küçültün (16 → 8 → 4)
- **Dosya bulunamadı:** Veri seti yolunu kontrol edin
- **Import hatası:** Bağımlılıkları tekrar yükleyin: `pip install -r requirements.txt`
**Çıktı:** `models/detection/best.pt`
**Kontrol:**
```bash
# Model dosyasının oluştuğunu kontrol edin
dir models\detection\best.pt # Windows
# veya
ls models/detection/best.pt # Linux/Mac
# Dosya boyutunu kontrol edin (yaklaşık 6-12 MB olmalı)
```
**Adım 3: Görüntü Kırpma (Detection Modeli Kullanarak)**
**ÖNEMLİ:** Bu adım, detection modeli eğitildikten sonra yapılmalıdır!
```bash
# Detection modeli ile eğitim görüntülerini kırp
python src/crop_images.py
```
**Bu işlem ne yapar?**
- Detection modeli ile eğitim görüntülerindeki ilaç kutularını tespit eder
- Tespit edilen bölgeleri kırpar
- Kırpılmış görüntüleri `data/cropped/train/` ve `data/cropped/valid/` klasörlerine kaydeder
- Her sınıf için ayrı klasörler oluşturur
**İşlem Süresi:**
- ~10,443 görüntü için: ~30-60 dakika (GPU) veya ~2-4 saat (CPU)
**Kontrol:**
```bash
# Kırpılmış görüntülerin oluştuğunu kontrol edin
dir data\cropped\train\aferin # Windows
# veya
ls data/cropped/train/aferin # Linux/Mac
# Her sınıf için görüntüler görmelisiniz
# Toplam 12 klasör olmalı (her biri bir ilaç sınıfı)
dir data\cropped\train # Windows
ls data/cropped/train # Linux/Mac
```
**Hata Alırsanız:**
- **Model bulunamadı:** `models/detection/best.pt` dosyasının varlığını kontrol edin
- **Dosya yolu hatası:** `config.yaml` dosyasındaki yolları kontrol edin
**Adım 4: Classification Model (ViT) Eğitimi**
**ÖNEMLİ:** Bu adım, görüntü kırpma işlemi tamamlandıktan sonra yapılmalıdır!
```bash
# Kırpılmış görüntülerle classification modelini eğit
python src/train_classification.py
```
**Eğitim Sırasında:**
- İlk çalıştırmada Hugging Face'den model indirilecek (~330MB)
- Her epoch sonunda validation accuracy gösterilir
- En iyi model otomatik olarak kaydedilir
**Parametreler:**
- Model: `google/vit-base-patch16-224`
- Epochs: 20
- Batch Size: 32
- Image Size: 224x224
- Learning Rate: 0.00002
**Beklenen Süre:**
- GPU (RTX 3060+): ~1-2 saat
- CPU: ~5-10 saat
**Eğitim Sırasında Hata Alırsanız:**
- **CUDA out of memory:** Batch size'ı küçültün (32 → 16 → 8)
- **Kırpılmış görüntü bulunamadı:** `data/cropped/` klasörünü kontrol edin
- **Internet bağlantısı hatası:** İlk çalıştırmada model indirilir, internet gerekli
**Çıktı:** `models/classification/` klasörü (config.json, model.safetensors, vb.)
**Kontrol:**
```bash
# Model dosyalarının oluştuğunu kontrol edin
dir models\classification # Windows
# veya
ls models/classification # Linux/Mac
# Şu dosyaları görmelisiniz:
# - config.json
# - model.safetensors (veya model.pt)
# - preprocessor_config.json
# - training_args.bin
```
#### 2.2 150 Sınıf Modeli Eğitimi
**Adım 1: Veri Setini Kontrol Edin**
```bash
cd turkish_pill
# Veri setinin doğru yerde olduğunu kontrol edin
dir "Mobile-Captured Pharmaceutical Medication Packages"
# 150 klasör görmelisiniz (her biri bir ilaç sınıfı)
```
**Adım 2: Veri Seti Hazırlama**
**ÖNEMLİ:** Veri seti klasörünün doğru yerde olduğundan emin olun!
```bash
# Klasör tabanlı veri setini train/val/test olarak böl
python prepare_dataset.py
```
**Bu script ne yapar?**
- `Mobile-Captured Pharmaceutical Medication Packages/` klasöründeki görüntüleri okur
- Her sınıf için görüntüleri train/valid/test olarak böler (70/15/15 oranında)
- `data/train/`, `data/valid/`, `data/test/` klasörlerini oluşturur
- `data/data.yaml` dosyasını oluşturur
**İşlem Süresi:**
- ~3,900 görüntü için: ~5-10 dakika
**Kontrol:**
```bash
# Veri seti klasörlerinin oluştuğunu kontrol edin
dir data\train # Windows
dir data\valid
dir data\test
# veya
ls data/train # Linux/Mac
ls data/valid
ls data/test
# Her klasörde ilaç sınıfları görmelisiniz (150 klasör)
# data.yaml dosyasının oluştuğunu kontrol edin
type data\data.yaml # Windows
cat data/data.yaml # Linux/Mac
```
**Hata Alırsanız:**
- **Klasör bulunamadı:** `Mobile-Captured Pharmaceutical Medication Packages/` klasörünün varlığını kontrol edin
- **Görüntü okuma hatası:** Görüntü dosyalarının bozuk olmadığından emin olun
**Adım 3: Classification Model (ViT) Eğitimi**
**ÖNEMLİ:** Veri seti hazırlama işlemi tamamlandıktan sonra bu adıma geçin!
```bash
# 150 sınıflı classification modelini eğit
python train_vit.py
```
**Eğitim Öncesi:**
- İlk çalıştırmada Hugging Face'den model indirilecek (~330MB)
- Internet bağlantısı gerekli (sadece ilk çalıştırmada)
**Eğitim Sırasında:**
- Her epoch sonunda checkpoint kaydedilir
- Validation accuracy ve loss gösterilir
- En iyi model otomatik olarak seçilir
**Parametreler** (`config.yaml`):
- Model: `google/vit-base-patch16-224`
- Epochs: 30
- Batch Size: 16
- Image Size: 224x224
- Learning Rate: 0.00002
**Beklenen Süre:**
- GPU (RTX 3060+): ~2-3 saat
- CPU: ~10-15 saat
**Eğitim Sırasında Hata Alırsanız:**
- **CUDA out of memory:** Batch size'ı küçültün (16 → 8 → 4)
- **Veri seti bulunamadı:** `data/train/` klasörünü kontrol edin
- **Class imbalance uyarısı:** Normal, 150 sınıf için beklenen bir durum
**Çıktı:** `models/classification/checkpoint-XXXXX/` klasörleri
**Kontrol:**
```bash
# Checkpoint klasörlerinin oluştuğunu kontrol edin
dir models\classification\checkpoint-* # Windows
# veya
ls models/classification/checkpoint-* # Linux/Mac
# Birden fazla checkpoint görmelisiniz (her epoch sonunda oluşur)
# En iyi model genellikle checkpoint-1725 klasöründe olur
# trainer_state.json dosyasında "best_model_checkpoint" bilgisi var
```
#### 2.3 Model Dönüştürme (ONNX)
**12 Sınıf Modeli - Detection Modeli:**
```bash
cd ilacverisi
# Detection modeli ONNX'e dönüştür
python src/convert_detection_to_onnx.py
```
**Kontrol:**
```bash
# ONNX dosyasının oluştuğunu kontrol edin
dir models\detection\detection.onnx
```
**12 Sınıf Modeli - Classification Modeli:**
```bash
# Classification modeli ONNX'e dönüştür
python src/convert_classification_to_onnx.py
```
**Kontrol:**
```bash
# ONNX dosyasının oluştuğunu kontrol edin
dir models\classification\classification.onnx
```
**150 Sınıf Modeli:**
```bash
cd turkish_pill
# En son checkpoint'i otomatik bulur ve ONNX'e dönüştürür
python convert_to_onnx.py
```
Bu script:
- En son checkpoint'i otomatik bulur (`checkpoint-XXXXX/`)
- Hugging Face modelini ONNX formatına dönüştürür
- Model doğrulaması yapar
- PyTorch ve ONNX inference sonuçlarını karşılaştırır
- External data dosyalarını birleştirir
- `models/classification/classification_150_merged.onnx` dosyası oluşturur
**Kontrol:**
```bash
# ONNX dosyasının oluştuğunu kontrol edin
dir models\classification\classification_150_merged.onnx
```
**Adım 4: Model Dosyalarını Mobil Uygulamaya Kopyalama**
```bash
# Ana klasöre dönün
cd C:\PHARMA_APP
# ONNX dosyalarını assets klasörüne kopyala
copy ilacverisi\models\detection\detection.onnx PharmaApp\android\app\src\main\assets\
copy ilacverisi\models\classification\classification.onnx PharmaApp\android\app\src\main\assets\
copy turkish_pill\models\classification\classification_150_merged.onnx PharmaApp\android\app\src\main\assets\classification_150.onnx
```
**Kontrol:**
```bash
# Tüm ONNX dosyalarının assets klasöründe olduğunu kontrol edin
dir PharmaApp\android\app\src\main\assets\*.onnx # Windows
# veya
ls PharmaApp/android/app/src/main/assets/*.onnx # Linux/Mac
# Şu dosyaları görmelisiniz:
# - detection.onnx (11.71 MB)
# - classification.onnx (1.22 MB)
# - classification.onnx.data (327.38 MB)
# - classification_150.onnx (327.82 MB)
```
**Not:**
- **ÖNEMLİ:** ONNX dosyaları GitHub'a yüklenemiyor (dosya boyutu limiti nedeniyle). ONNX dosyalarını Google Drive'dan indirmeniz gerekiyor: [ONNX Model Dosyaları](https://drive.google.com/file/d/1WCvGnk7QElLjhcohL-gOdpSy5k4UA_BP/view?usp=sharing)
- Eğer model eğitimi yaptıysanız ve kendi ONNX dosyalarınızı oluşturduysanız, tüm dosyaları (`.onnx` ve `.onnx.data` dahil) kopyalayın:
```bash
copy ilacverisi\models\classification\classification.onnx.data PharmaApp\android\app\src\main\assets\
```
### 3. Mobil Uygulama Kurulumu
**ÖNEMLİ:**
- Eğer repository'yi klonladıysanız, ONNX modelleri GitHub'da bulunmuyor. ONNX dosyalarını Google Drive'dan indirmeniz gerekiyor: [ONNX Model Dosyaları](https://drive.google.com/file/d/1WCvGnk7QElLjhcohL-gOdpSy5k4UA_BP/view?usp=sharing)
- Model eğitimi yapmadan direkt uygulamayı çalıştırmak istiyorsanız, yukarıdaki "Hızlı Başlangıç" bölümündeki "Adım 2: ONNX Model Dosyalarını İndirin" adımlarını takip edin.
- Eğer model eğitimi yaptıysanız, ONNX dönüştürme işlemlerini tamamladıktan sonra bu adıma geçin.
**ONNX Modelleri Kontrol Edin:**
```bash
# ONNX dosyalarının assets klasöründe olduğunu kontrol edin
dir PharmaApp\android\app\src\main\assets\*.onnx* # Windows
# veya
ls PharmaApp/android/app/src/main/assets/*.onnx* # Linux/Mac
# Şu 4 dosyayı görmelisiniz:
# - detection.onnx (11.71 MB)
# - classification.onnx (1.22 MB)
# - classification.onnx.data (327.38 MB)
# - classification_150.onnx (327.82 MB)
```
**Eğer ONNX dosyaları yoksa:**
1. **Google Drive'dan indirin** (Önerilen): Yukarıdaki "Hızlı Başlangıç" bölümündeki "Adım 2: ONNX Model Dosyalarını İndirin" adımlarını takip edin
2. **Veya model eğitimi yapın**: Yukarıdaki "Model Eğitimi" bölümünü takip edin ve eğitilmiş modelleri ONNX'e dönüştürün
#### 3.1 Node.js ve npm Kurulumu
**Node.js Kurulumu:**
1. [Node.js 20+](https://nodejs.org/) indirin ve kurun
2. Kurulumu doğrulayın:
```bash
node --version
npm --version
# Node.js 20.x.x ve npm 10.x.x görmelisiniz
```
#### 3.2 Node Modüllerini Yükleyin
```bash
cd C:\PHARMA_APP\PharmaApp
npm install
```
**Yükleme Süresi:**
- İlk kurulum: ~5-10 dakika
- ~500MB+ indirme yapılacak
**Hata Alırsanız:**
- **Network hatası:** Internet bağlantınızı kontrol edin
- **Permission hatası:** Terminal'i yönetici olarak çalıştırın (Windows) veya `sudo` kullanın (Linux/Mac)
- **Cache hatası:** npm cache'i temizleyin:
```bash
npm cache clean --force
npm install
```
#### 3.3 Android Studio ve Android SDK Kurulumu
**Android Studio Kurulumu:**
1. [Android Studio](https://developer.android.com/studio) indirin ve kurun
2. Android SDK'yı kurun (Android Studio içinden)
3. Android SDK Platform 24+ kurun
4. Java JDK 17+ kurun (Android Studio ile birlikte gelir)
**Kurulumu Doğrulayın:**
```bash
# Java versiyonunu kontrol edin
java -version
# Java 17 veya üzeri görmelisiniz
# Android SDK yolunu kontrol edin (Windows)
echo %ANDROID_HOME%
# veya (Linux/Mac)
echo $ANDROID_HOME
```
**Android SDK Yolunu Ayarlayın (Gerekirse):**
**Windows:**
```bash
# Environment Variables'a ekleyin:
# ANDROID_HOME = C:\Users\%USERNAME%\AppData\Local\Android\Sdk
# PATH'e ekleyin: %ANDROID_HOME%\platform-tools
```
**Linux/Mac:**
```bash
# ~/.bashrc veya ~/.zshrc dosyasına ekleyin:
export ANDROID_HOME=$HOME/Android/Sdk
export PATH=$PATH:$ANDROID_HOME/platform-tools
```
#### 3.4 Android Kurulumu
```bash
# Android klasörüne gidin
cd android
# Gradle wrapper'ı çalıştırın (ilk kurulum)
./gradlew clean
# Geri dönün
cd ..
```
#### 3.5 iOS Kurulumu (Sadece macOS)
```bash
cd ios
bundle install
bundle exec pod install
cd ..
```
#### 3.6 Firebase Yapılandırması
**Firebase Projesi Oluşturma:**
1. [Firebase Console](https://console.firebase.google.com/)'a gidin
2. "Add project" butonuna tıklayın
3. Proje adını girin ve "Continue" tıklayın
4. Google Analytics'i etkinleştirin (opsiyonel)
5. "Create project" tıklayın
**Android Uygulaması Ekleme:**
1. Firebase Console'da projenizi seçin
2. "Add app" → "Android" seçin
3. Package name girin: `com.pharmaapp`
4. `google-services.json` dosyasını indirin
5. Dosyayı `PharmaApp/android/app/` klasörüne kopyalayın
**iOS Uygulaması Ekleme (Opsiyonel):**
1. "Add app" → "iOS" seçin
2. Bundle ID girin
3. `GoogleService-Info.plist` dosyasını indirin
4. Dosyayı `PharmaApp/ios/` klasörüne kopyalayın
1. Firebase Console'da yeni bir proje oluşturun
2. Android uygulaması ekleyin
3. `google-services.json` dosyasını `PharmaApp/android/app/` klasörüne kopyalayın
4. iOS uygulaması ekleyin (opsiyonel)
5. `GoogleService-Info.plist` dosyasını `PharmaApp/ios/` klasörüne kopyalayın
#### 3.7 APK Oluşturma
**Debug APK:**
```bash
cd PharmaApp\android
.\gradlew assembleDebug
```
APK dosyası: `android/app/build/outputs/apk/debug/app-debug.apk`
**Release APK:**
```bash
cd PharmaApp\android
.\gradlew clean
.\gradlew assembleRelease
```
APK dosyası: `android/app/build/outputs/apk/release/app-release.apk`
**Not:** Release APK için imzalama gerekir. İlk kez imzalama için:
1. `android/app/build.gradle` dosyasında signing config ekleyin
2. Keystore dosyası oluşturun: `keytool -genkey -v -keystore pharmaapp.keystore -alias pharmaapp -keyalg RSA -keysize 2048 -validity 10000`
---
## 💻 Kullanım
### Python Backend - Streamlit Uygulaması
**12 Sınıf Modeli:**
```bash
cd ilacverisi
streamlit run app.py
```
**150 Sınıf Modeli:**
```bash
cd turkish_pill
streamlit run app.py
```
Tarayıcıda otomatik olarak açılacaktır (genellikle `http://localhost:8501`).
**Kullanım Adımları:**
1. Görüntü yükleyin veya kamera ile fotoğraf çekin
2. "🚀 Tahmin Yap" butonuna tıklayın
3. Sonuçları görüntüleyin:
- Tespit edilen sınıf ve güven seviyesi
- Bounding box ile işaretlenmiş görüntü
- Kırpılmış ilaç kutusu görüntüsü
- Tüm sınıf olasılıkları
### Komut Satırından Inference
**12 Sınıf Modeli:**
```bash
cd ilacverisi
python src/inference.py
```
**150 Sınıf Modeli:**
```bash
cd turkish_pill
python inference.py
```
### Mobil Uygulama
#### Geliştirme Ortamında Çalıştırma
**Android:**
```bash
# Metro bundler'ı başlatın (bir terminal)
cd PharmaApp
npm start
# Android uygulamasını çalıştırın (başka bir terminal)
npm run android
```
**iOS (sadece macOS):**
```bash
# Metro bundler'ı başlatın (bir terminal)
npm start
# iOS uygulamasını çalıştırın (başka bir terminal)
npm run ios
```
#### Uygulama Özellikleri
**Ana Ekranlar:**
- **Home**: İlaç listesi ve hızlı erişim
- **İlaç Ekle**: Kamera ile ilaç tanıma ve ekleme
- **Takvim**: İlaç alım takvimi
- **Alarm**: İlaç hatırlatıcıları
- **İstatistikler**: İlaç alım istatistikleri
- **Profil**: Kullanıcı ayarları
**İlaç Tanıma Akışı:**
1. "İlaç Ekle" ekranına gidin
2. Kamera butonuna tıklayın
3. İlaç kutusu fotoğrafı çekin
4. Sistem otomatik olarak:
- İlaç kutusunu tespit eder (YOLOv8)
- Her iki modeli paralel çalıştırır (12 sınıf + 150 sınıf)
- Sonuçları birleştirir ve en yüksek güven skorlu sonucu gösterir
- Alternatif tahminleri listeler (top-5)
5. İlaç bilgilerini düzenleyip kaydedin
**İlaç Doğrulama:**
1. Alarm bildirimi geldiğinde "Doğrula" butonuna tıklayın
2. İlaç kutusu fotoğrafı çekin
3. Sistem ilacı tanır ve beklenen ilaçla eşleştirir
4. Eşleşme başarılıysa ilaç alımı kaydedilir
---
## 📁 Proje Yapısı
```
PHARMA_APP/
├── ilacverisi/ # 12 sınıf model workspace
│ ├── src/ # Python kaynak kodları
│ │ ├── train_detection.py # Detection model eğitimi
│ │ ├── train_classification.py # Classification model eğitimi
│ │ ├── crop_images.py # Görüntü kırpma
│ │ └── inference.py # Inference pipeline
│ ├── models/ # Eğitilmiş modeller
│ │ ├── detection/
│ │ │ └── best.pt # YOLOv8 modeli
│ │ └── classification/ # ViT modeli
│ ├── data/ # Veri setleri
│ │ ├── cropped/ # Kırpılmış görüntüler
│ │ └── SAP_BABA_CLEAN/ # Ham veri seti
│ ├── app.py # Streamlit uygulaması
│ ├── config.yaml # Konfigürasyon
│ └── requirements.txt # Python bağımlılıkları
│
├── turkish_pill/ # 150 sınıf model workspace
│ ├── Mobile-Captured.../ # Kaynak veri seti
│ ├── data/ # Hazırlanmış veri seti
│ │ ├── train/ # Eğitim görüntüleri
│ │ ├── valid/ # Validation görüntüleri
│ │ ├── test/ # Test görüntüleri
│ │ └── data.yaml # Sınıf tanımları
│ ├── models/
│ │ └── classification/ # Eğitilmiş model
│ ├── prepare_dataset.py # Veri seti hazırlama
│ ├── train_vit.py # Model eğitimi
│ ├── convert_to_onnx.py # ONNX dönüştürme
│ ├── inference.py # Inference script
│ ├── app.py # Streamlit uygulaması
│ ├── config.yaml # Konfigürasyon
│ └── requirements.txt # Python bağımlılıkları
│
└── PharmaApp/ # React Native mobil uygulama
├── android/ # Android native kod
│ └── app/src/main/
│ ├── assets/ # ONNX model dosyaları
│ │ ├── detection.onnx
│ │ ├── classification.onnx
│ │ └── classification_150.onnx
│ └── java/com/pharmaapp/
│ ├── mltest/ # ML native modülü
│ │ ├── MLTestModule.kt
│ │ └── MLTestPackage.kt
│ ├── MainActivity.kt
│ └── MainApplication.kt
├── ios/ # iOS native kod
├── src/
│ ├── screens/ # Uygulama ekranları
│ ├── services/ # Servisler (ML, Firebase, vb.)
│ │ ├── ml/
│ │ │ ├── MLService.ts # ML servisi
│ │ │ ├── MLTestNativeModule.ts
│ │ │ └── DrugNameNormalizer.ts
│ │ ├── database/
│ │ │ ├── LocalDatabase.ts
│ │ │ └── FirestoreService.ts
│ │ └── notification/
│ │ └── NotificationService.ts
│ ├── navigation/ # Navigation yapılandırması
│ ├── context/ # Context providers
│ └── utils/ # Yardımcı fonksiyonlar
│ └── constants.ts # İlaç sınıfları ve ayarlar
├── package.json # Node.js bağımlılıkları
└── README.md # Bu dosya
```
---
## 🔧 Sorun Giderme
### Model Bulunamadı Hatası
**Sorun:** "Model bulunamadı" hatası alıyorsunuz.
**Çözüm:**
1. **Detection modeli eğitildi mi?**
```bash
# Kontrol edin
dir ilacverisi\models\detection\best.pt # Windows
ls ilacverisi/models/detection/best.pt # Linux/Mac
```
Eğer yoksa: `python src/train_detection.py` çalıştırın
2. **Classification modeli eğitildi mi?**
```bash
# 12 sınıf için
dir ilacverisi\models\classification\config.json
# 150 sınıf için
dir turkish_pill\models\classification\checkpoint-*
```
Eğer yoksa: İlgili eğitim scriptini çalıştırın
3. **ONNX dosyaları assets klasöründe mi?**
```bash
dir PharmaApp\android\app\src\main\assets\*.onnx
```
Eğer yoksa: Model dönüştürme adımlarını tekrar yapın
4. **config.yaml dosyasındaki yollar doğru mu?**
- Dosya yollarını kontrol edin
- Windows'ta `\` kullanın, Linux/Mac'te `/` kullanın
### CUDA Hatası
**Sorun:** CUDA kullanılamıyor hatası.
**Çözüm:**
- CPU kullanmak için `config.yaml` dosyasında:
```yaml
detection:
device: "cpu"
classification:
device: "cpu"
```
### Mobil Uygulamada Model Yüklenmiyor
**Sorun:** Mobil uygulamada modeller yüklenmiyor.
**Çözüm:**
1. ONNX dosyaları `assets/` klasöründe mi?
2. Native modül doğru build edildi mi?
3. Android Studio'da "Clean Project" yapın:
```bash
cd android
./gradlew clean
./gradlew assembleDebug
```
### Metro Bundler Hatası
**Sorun:** Metro bundler başlamıyor.
**Çözüm:**
```bash
# Cache'i temizleyin
npm start --reset-cache
```
### Android Build Hatası
**Sorun:** Android build başarısız oluyor.
**Çözüm:**
```bash
cd android
./gradlew clean
./gradlew --stop
cd ..
npm start --reset-cache
npm run android
```
### ONNX Dönüştürme Hatası
**Sorun:** Model ONNX formatına dönüştürülemiyor.
**Çözüm:**
1. **PyTorch ve ONNX sürümlerini kontrol edin:**
```bash
python -c "import torch; import onnx; print(f'PyTorch: {torch.__version__}, ONNX: {onnx.__version__}')"
```
2. **Model dosyalarının doğru yolda olduğundan emin olun:**
- Detection: `ilacverisi/models/detection/best.pt`
- Classification (12): `ilacverisi/models/classification/`
- Classification (150): `turkish_pill/models/classification/checkpoint-XXXXX/`
3. **onnxruntime kurulu mu kontrol edin:**
```bash
pip install onnxruntime
```
4. **Script'i tekrar çalıştırın:**
```bash
# 12 sınıf için
python src/convert_detection_to_onnx.py
python src/convert_classification_to_onnx.py
# 150 sınıf için
python convert_to_onnx.py
```
5. **Hata mesajını okuyun:** Genellikle hangi dosyanın eksik olduğunu söyler
---
## 📊 Performans Metrikleri
### Test Seti Sonuçları
#### 12 Sınıf Modeli (Yüksek Doğruluk)
- **Toplam Test Görüntüsü**: 2,256
- **Başarılı Tespit**: 2,256 (%100)
- **Genel Doğruluk**: %99.82
- **Ortalama Inference Süresi**: ~150ms (GPU), ~2-3s (CPU)
- **Mobil Inference Süresi**: ~300-700ms (Android)
**Sınıf Bazında Doğruluk:**
- Aferin: %100
- Apranax: %100
- Arveles: %100
- Aspirin: %100
- Dolorex: %99.46
- Hametan Krem: %99.46
- Hametan Merhem: %100
- Majezik: %100
- Metpamid: %99.46
- Parol: %99.46
- Terbisil: %100
- Unisom: %100
#### 150 Sınıf Modeli (Geniş Kapsam)
- **Toplam Test Görüntüsü**: ~3,900
- **Başarılı Tespit**: %98+
- **Genel Doğruluk**: %85-90
- **Ortalama Inference Süresi**: ~200-400ms (GPU), ~3-5s (CPU)
- **Mobil Inference Süresi**: ~400-800ms (Android)
- **Kapsam**: 150 farklı Türk ilaç kategorisi
### Model Karşılaştırması
| Özellik | 12 Sınıf Modeli | 150 Sınıf Modeli | Birleştirilmiş Yaklaşım |
|---------|----------------|------------------|------------------------|
| Doğruluk | %99.82 | %85-90 | %90-95 (en yüksek güven skorlu) |
| Kapsam | 12 ilaç | 150 ilaç | 162 ilaç (12 + 150) |
| Inference | ~150ms | ~200-400ms | ~300-700ms (paralel) |
| Model Boyutu | ~330MB | ~330MB | ~660MB (toplam) |
| Kullanım | Yüksek doğruluk gereken durumlar | Geniş kapsam gereken durumlar | Her durum için optimal |
---
## 🚀 Deployment ve Production
### Production APK Oluşturma
**Adım 1: Keystore Oluşturma**
```bash
keytool -genkey -v -keystore pharmaapp.keystore -alias pharmaapp -keyalg RSA -keysize 2048 -validity 10000
```
**Adım 2: Signing Config Ekleme**
`PharmaApp/android/app/build.gradle` dosyasına ekleyin:
```gradle
android {
...
signingConfigs {
release {
storeFile file('pharmaapp.keystore')
storePassword 'your-store-password'
keyAlias 'pharmaapp'
keyPassword 'your-key-password'
}
}
buildTypes {
release {
signingConfig signingConfigs.release
minifyEnabled true
shrinkResources true
proguardFiles getDefaultProguardFile('proguard-android-optimize.txt'), 'proguard-rules.pro'
}
}
}
```
**Adım 3: Release APK Oluşturma**
```bash
cd PharmaApp\android
.\gradlew clean
.\gradlew assembleRelease
```
APK dosyası: `android/app/build/outputs/apk/release/app-release.apk`
### Google Play Store'a Yükleme
1. Google Play Console'da yeni uygulama oluşturun
2. APK veya AAB dosyasını yükleyin
3. Uygulama bilgilerini doldurun
4. İçerik derecelendirmesi yapın
5. Yayınlayın
### Firebase Production Yapılandırması
1. Firebase Console'da production projesi oluşturun
2. `google-services.json` dosyasını güncelleyin
3. Firestore security rules'u yapılandırın
4. Firebase Storage rules'u yapılandırın
---
## 📝 Lisans
Bu proje eğitim ve araştırma amaçlı geliştirilmiştir.
---
## 👥 Katkıda Bulunanlar
- Model Eğitimi ve Optimizasyon
- Mobil Uygulama Geliştirme
- Sistem Mimarisi ve Entegrasyon
---
## 📞 İletişim
Sorularınız için issue açabilir veya proje yöneticisi ile iletişime geçebilirsiniz.
---
---
## ✅ Kurulum Kontrol Listesi
Kurulumunuzun tamamlandığını doğrulamak için bu kontrol listesini kullanın:
### Python Backend
- [ ] Python 3.8+ kurulu
- [ ] Sanal ortam oluşturuldu ve aktif
- [ ] 12 sınıf modeli bağımlılıkları yüklendi
- [ ] 150 sınıf modeli bağımlılıkları yüklendi
- [ ] PyTorch kurulu ve çalışıyor
- [ ] CUDA çalışıyor (GPU kullanıyorsanız)
### Veri Setleri
- [ ] 12-Class dataset indirildi ve `ilacverisi/SAP_BABA_CLEAN/` klasörüne yerleştirildi
- [ ] 150-Class dataset indirildi ve `turkish_pill/Mobile-Captured Pharmaceutical Medication Packages/` klasörüne yerleştirildi
- [ ] Veri seti yapıları doğru (klasör yapıları kontrol edildi)
### Model Eğitimi (12 Sınıf)
- [ ] Detection modeli eğitildi (`models/detection/best.pt` mevcut)
- [ ] Görüntü kırpma yapıldı (`data/cropped/` klasörü mevcut)
- [ ] Classification modeli eğitildi (`models/classification/` klasörü mevcut)
- [ ] Detection modeli ONNX'e dönüştürüldü
- [ ] Classification modeli ONNX'e dönüştürüldü
### Model Eğitimi (150 Sınıf)
- [ ] Veri seti hazırlandı (`data/train/`, `data/valid/`, `data/test/` mevcut)
- [ ] Classification modeli eğitildi (`models/classification/checkpoint-*` mevcut)
- [ ] Model ONNX'e dönüştürüldü (`classification_150_merged.onnx` mevcut)
### Mobil Uygulama
- [ ] Node.js 20+ kurulu
- [ ] npm modülleri yüklendi
- [ ] Android Studio kurulu
- [ ] Java JDK 17+ kurulu
- [ ] Android SDK kurulu
- [ ] ONNX dosyaları `PharmaApp/android/app/src/main/assets/` klasöründe
- [ ] Firebase yapılandırıldı (`google-services.json` mevcut)
### Test
- [ ] Streamlit uygulaması çalışıyor (12 sınıf)
- [ ] Streamlit uygulaması çalışıyor (150 sınıf)
- [ ] Android uygulaması build ediliyor
- [ ] Android uygulaması çalışıyor ve modeller yükleniyor
---
**Son Güncelleme**: 2025-12-24