# BloodCell-AI: Pure NumPy CNN Implementation

Projenin temel amacı, herhangi bir derin öğrenme kütüphanesi (PyTorch, TensorFlow, Keras vb.) kullanmadan, sadece NumPy kütüphanesi ve matematiksel formüller kullanılarak sıfırdan bir Evrişimli Sinir Ağı (CNN) mimarisi inşa etmek ve kan hücrelerini sınıflandırmaktır.

Proje Özellikleri

Bu projede kullanılan tüm katmanlar ve algoritmalar el yordamı ile kodlanmıştır:

• Sıfırdan CNN Mimarisi: Conv2D, MaxPool, LeakyReLU, Dense (Fully Connected), Softmax katmanları.
• İleri Matematiksel Optimizasyon: Python döngülerinin yavaşlığını aşmak için im2col (Image to Column) algoritması ile vektörize edilmiş konvolüsyon işlemi.
• Optimizer: Momentum ve RMSProp tabanlı Adam Optimizer $(\beta_1=0.9, \beta_2=0.999)$ implementasyonu.
• Backpropagation: Tüm katmanlar için gradyan hesaplamaları ve ağırlık güncellemeleri manuel türev alma yöntemleriyle yazılmıştır.
• Numerically Stable Softmax: Üstel işlem taşmalarını önlemek için kararlı softmax fonksiyonu.
• Veri Artırma (Data Augmentation): Eğitim sırasında rastgele yatay/dikey çevirme (Random Flip).

Veri Seti: BloodMNIST

Projede, tıbbi görüntü analizinde standart bir benchmark olan BloodMNIST veri seti kullanılmıştır.

• Görüntü Boyutu: $28 \times 28$ piksel (RGB)
• Toplam Görüntü: 17,092
• Sınıflar (8 Adet): Nötrofil, Eozinofil, Basofil, Lenfosit, Monosit, Immature (Olgunlaşmamış), Eritroblast, Trombosit.

Performans Sonuçları

Model, 15 Epoch sonunda aşağıdaki başarı oranlarına ulaşmıştır:

• Test Doğruluğu (Accuracy): %88.48
• En Yüksek Doğrulama Başarısı: %91.88 (Epoch 13)

Sınıf Bazlı Performans Tablosu

Hücre Türü	Precision	Recall	F1-Score
Nötrofil	0.74	0.89	0.81
Eozinofil	0.96	0.97	0.97
Basofil	0.95	0.91	0.93
Lenfosit	0.77	0.80	0.79
Monosit	0.88	0.92	0.90
Immature	0.91	0.66	0.77
Eritroblast	0.95	0.96	0.96
Trombosit	1.00	1.00	1.00

Kurulum

Projeyi yerel makinenizde çalıştırmak için aşağıdaki adımları izleyin:

1. Depoyu klonlayın:

   git clone https://github.com/suedasarican/BloodCell_CNN.git
   cd BloodCell_CNN

2. Gereksinimleri yükleyin: Modelin kendisi sadece NumPy kullanır, ancak veri işleme ve görselleştirme için yardımcı kütüphaneler gereklidir:

   pip install numpy opencv-python matplotlib seaborn scikit-learn gradio

Kullanım

1. Modeli Eğitmek

Modeli sıfırdan eğitmek için train.py dosyasını çalıştırın. Veri seti otomatik olarak indirilecek ve eğitim başlayacaktır.

python train.py

Eğitim tamamlandığında ağırlıklar trained_weights.npy olarak, eğitim geçmişi train_history.pkl olarak kaydedilir.

2. Değerlendirme (Evaluation)

Eğitilmiş modelin metriklerini ve karmaşıklık matrisini görmek için:

python evaluation.py

3. Canlı Demo (Hugging Face Spaces)

Kurulum yapmadan modeli tarayıcınız üzerinden hemen test etmek için aşağıdaki bağlantıyı kullanabilirsiniz:

-> BloodCell-AI Canlı Demo

4. Yerel Arayüz ile Test Etmek

Gradio arayüzünü kendi bilgisayarınızda başlatmak için:

python serve.py

Proje Yapısı

BloodCell_CNN/
├── Docs/                 # Proje dokümanları ve raporlar
├── test_samples/         # Test için örnek hücre görüntüleri
├── data_loader.py        # Veri setini indirme ve işleme modülü
├── model.py              # CNN mimarisi (Conv, MaxPool, Dense sınıfları)
├── utils.py              # im2col ve col2im fonksiyonları (Vektörizasyon)
├── train.py              # Eğitim döngüsü ve backpropagation
├── evaluation.py         # Performans değerlendirme ve grafik çizimi
├── serve.py              # Gradio tabanlı test arayüzü
├── bloodmnist.npz        # İndirilen veri seti dosyası
├── trained_weights.npy   # Eğitilmiş model ağırlıkları
├── train_history.pkl     # Eğitim loss/accuracy geçmişi
└── README.md             # Proje dokümantasyonu

Geliştirici

Ad Soyad: Süeda Nur Sarıcan

Öğrenci No: 23120205031

Ders: Derin Öğrenme (Deep Learning)