app.py

import streamlit as st
from transformers import pipeline, AutoModelForSequenceClassification, AutoTokenizer, AutoModelForTokenClassification, AutoModelForCausalLM
import pandas as pd

st.set_page_config(layout="wide")

# Örnek metin listesi
example_list = [
 "Mustafa Kemal Atatürk 1919 yılında Samsun'a çıktı.",
 "Bugün hava çok güzel ve enerjik hissediyorum.",
 "Yapay zeka ve makine öğrenimi hakkında birçok gelişme var."
]

# Uygulama başlığı
st.title("NLP Toolkit")

# Görev seçimi
task_list = ['Metin Sınıflandırma', 'Metin Analizi', 'Duygu Analizi', 'Metin Oluşturma']
task = st.sidebar.selectbox("Görev Seç", task_list)

# Metin giriş yöntemi
st.subheader("Metin Giriş Yöntemi Seç")
input_method = st.radio("", ('Örneklerden Seç', 'Metin Yaz veya Yapıştır'))

if input_method == 'Örneklerden Seç':
 selected_text = st.selectbox('Metin Seç', example_list, index=0, key=1)
 st.subheader("Seçilen Metin")
 input_text = st.text_area("Metin", selected_text, height=128, max_chars=None, key=2)
elif input_method == "Metin Yaz veya Yapıştır":
 st.subheader("Metin")
 input_text = st.text_area('Metin Yaz veya Yapıştır', value="", height=128, max_chars=None, key=2)

@st.cache_resource
def load_pipeline(model_name, task_type):
 if task_type == "Metin Sınıflandırma":
 model = AutoModelForSequenceClassification.from_pretrained(model_name)
 tokenizer = AutoTokenizer.from_pretrained(model_name)
 return pipeline('text-classification', model=model, tokenizer=tokenizer)
 elif task_type == "Metin Analizi":
 model = AutoModelForTokenClassification.from_pretrained(model_name)
 tokenizer = AutoTokenizer.from_pretrained(model_name)
 return pipeline('ner', model=model, tokenizer=tokenizer)
 elif task_type == "Duygu Analizi":
 model = AutoModelForSequenceClassification.from_pretrained(model_name)
 tokenizer = AutoTokenizer.from_pretrained(model_name)
 return pipeline('sentiment-analysis', model=model, tokenizer=tokenizer)
 elif task_type == "Metin Oluşturma":
 model = AutoModelForCausalLM.from_pretrained(model_name)
 tokenizer = AutoTokenizer.from_pretrained(model_name)
 return pipeline('text-generation', model=model, tokenizer=tokenizer)

# Görev ve modele göre pipeline yükleme
model_dict = {
 "Metin Sınıflandırma": "nlptown/bert-base-multilingual-uncased-sentiment",
 "Metin Analizi": "dbmdz/bert-large-cased-finetuned-conll03-english",
 "Duygu Analizi": "cardiffnlp/twitter-roberta-base-sentiment",
 "Metin Oluşturma": "gpt2"
}

pipeline_model = load_pipeline(model_dict[task], task)

Run_Button = st.button("Çalıştır", key=None)

if Run_Button and input_text != "":
 if task in ["Metin Sınıflandırma", "Duygu Analizi"]:
 output = pipeline_model(input_text)
 df = pd.DataFrame(output)
 st.subheader(f"{task} Sonuçları")
 st.dataframe(df)
 elif task == "Metin Analizi":
 output = pipeline_model(input_text)
 entities = [{"Word": e['word'], "Entity": e['entity_group'], "Score": e['score']} for e in output]
 df = pd.DataFrame(entities)
 st.subheader("Tanımlanan Varlıklar")
 st.dataframe(df)
 elif task == "Metin Oluşturma":
 output = pipeline_model(input_text, max_length=100, num_return_sequences=1)
 st.subheader("Oluşturulan Metin")
 st.write(output[0]['generated_text'])