Update app.py

app.py

@@ -1,49 +1,85 @@
-from transformers import pipeline, AutoModelForTokenClassification, AutoTokenizer, DebertaV2Tokenizer, DebertaV2Model
-import sentencepiece
 import streamlit as st
+from transformers import pipeline, AutoModelForSequenceClassification, AutoTokenizer, AutoModelForTokenClassification, AutoModelWithLMHead
 import pandas as pd
 import spacy
 
 st.set_page_config(layout="wide")
 
+# Örnek metin listesi
 example_list = [
     "Mustafa Kemal Atatürk 1919 yılında Samsun'a çıktı.", 
     """Mustafa Kemal Atatürk, Türk asker, devlet adamı ve Türkiye Cumhuriyeti'nin kurucusudur.
 Birinci Dünya Savaşı sırasında Osmanlı ordusunda görev yapan Atatürk, Çanakkale Cephesi'nde miralaylığa, Sina ve Filistin Cephesi'nde ise Yıldırım Orduları komutanlığına atandı. Savaşın sonunda, Osmanlı Imparatorluğu'nun yenilgisini takiben Kurtuluş Savaşı ile simgelenen Türk Ulusal Hareketi'ne öncülük ve önderlik etti. Türk Kurtuluş Savaşı sürecinde Ankara Hükümeti'ni kurdu, Türk Orduları Başkomutanı olarak Sakarya Meydan Muharebesi'ndeki başarısından dolayı 19 Eylül 1921 tarihinde "Gazi" unvanını aldı ve mareşallik rütbesine yükseldi. Askeri ve siyasi eylemleriyle İtilaf Devletleri ve destekçilerine karşı zafer kazandı. Savaşın ardından Cumhuriyet Halk Partisi'ni Halk Fırkası adıyla kurdu ve ilk genel başkanı oldu. 29 Ekim 1923'te Cumhuriyetin ilanı akabinde Cumhurbaşkanı seçildi. 1938'deki ölümüne dek dört dönem bu görevi yürüterek Türkiye'de en uzun süre cumhurbaşkanlığı yapmış kişi oldu."""
 ]
 
-st.title("Demo for Turkish NER Models")
+# Uygulama başlığı
+st.title("NLP Toolkit")
 
-model_list = ['akdeniz27/bert-base-turkish-cased-ner',
-             'akdeniz27/convbert-base-turkish-cased-ner',
-             # 'akdeniz27/xlm-roberta-base-turkish-ner',
-             'xlm-roberta-large-finetuned-conll03-english',
-             'asahi417/tner-xlm-roberta-base-ontonotes5']
+# Görev seçimi
+task_list = ['Metin Sınıflandırma', 'Metin Analizi', 'Duygu Analizi', 'Metin Oluşturma']
+task = st.sidebar.selectbox("Görev Seç", task_list)
+
+# Model seçim
+model_list = [
+    'akdeniz27/bert-base-turkish-cased-ner',
+    'akdeniz27/convbert-base-turkish-cased-ner',
+    'akdeniz27/xlm-roberta-base-turkish-ner',
+    'xlm-roberta-large-finetuned-conll03-english',
+    'asahi417/tner-xlm-roberta-base-ontonotes5'
+]
 
 st.sidebar.header("Select NER Model")
 model_checkpoint = st.sidebar.radio("", model_list)
 
-st.sidebar.write("For details of models: 'https://huggingface.co/akdeniz27/")
+st.sidebar.write("For details of models: 'https://huggingface.co/WhiteAngelss/")
 st.sidebar.write("")
 
 if model_checkpoint == "akdeniz27/xlm-roberta-base-turkish-ner":
     aggregation = "simple"
-elif model_checkpoint == "xlm-roberta-large-finetuned-conll03-english" or model_checkpoint == "asahi417/tner-xlm-roberta-base-ontonotes5":
+elif model_checkpoint in ["xlm-roberta-large-finetuned-conll03-english", "asahi417/tner-xlm-roberta-base-ontonotes5"]:
     aggregation = "simple"
     st.sidebar.write("")
     st.sidebar.write("The selected NER model is included just to show the zero-shot transfer learning capability of XLM-Roberta pretrained language model.")
 else:
     aggregation = "first"
-    
-st.subheader("Select Text Input Method")
-input_method = st.radio("", ('Select from Examples', 'Write or Paste New Text'))
-if input_method == 'Select from Examples':
-    selected_text = st.selectbox('Select Text from List', example_list, index=0, key=1)
-    st.subheader("Text to Run")
-    input_text = st.text_area("Selected Text", selected_text, height=128, max_chars=None, key=2)
-elif input_method == "Write or Paste New Text":
-    st.subheader("Text to Run")
-    input_text = st.text_area('Write or Paste Text Below', value="", height=128, max_chars=None, key=2)
+
+# Metin giriş yöntemi
+st.subheader("Metin Giriş Yöntemi Seç")
+input_method = st.radio("", ('Örneklerden Seç', 'Metin Yaz veya Yapıştır', 'Dosya Yükle'))
+
+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)
+elif input_method == "Dosya Yükle":
+    st.subheader("Metin")
+    uploaded_file = st.file_uploader("Dosya Seç", type="txt")
+    if uploaded_file is not None:
+        input_text = str(uploaded_file.read(), "utf-8")
+    else:
+        input_text = ""
+
+@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 = AutoModelWithLMHead.from_pretrained(model_name)
+        tokenizer = AutoTokenizer.from_pretrained(model_name)
+        return pipeline('text-generation', model=model, tokenizer=tokenizer)
 
 @st.cache_resource
 def setModel(model_checkpoint, aggregation):
@@ -56,7 +92,7 @@ def get_html(html: str):
     WRAPPER = """<div style="overflow-x: auto; border: 1px solid #e6e9ef; border-radius: 0.25rem; padding: 1rem; margin-bottom: 2.5rem">{}</div>"""
     html = html.replace("\n", " ")
     return WRAPPER.format(html)
-    
+
 @st.cache_resource
 def entity_comb(output):
     output_comb = []
@@ -69,42 +105,60 @@ def entity_comb(output):
         else:
             output_comb.append(entity)
     return output_comb
-        
-Run_Button = st.button("Run", key=None)
+
+Run_Button = st.button("Çalıştır", key=None)
 
 if Run_Button and input_text != "":
-    
-    ner_pipeline = setModel(model_checkpoint, aggregation)
-    output = ner_pipeline(input_text)
-    
-    output_comb = entity_comb(output)
-    
-    df = pd.DataFrame.from_dict(output_comb)
-    cols_to_keep = ['word','entity_group','score','start','end']
-    df_final = df[cols_to_keep]
-    
-    st.subheader("Recognized Entities")
-    st.dataframe(df_final)
-
-    st.subheader("Spacy Style Display")
-    spacy_display = {}
-    spacy_display["ents"] = []
-    spacy_display["text"] = input_text
-    spacy_display["title"] = None
-
-    for entity in output_comb:
-        spacy_display["ents"].append({"start": entity["start"], "end": entity["end"], "label": entity["entity_group"]})
-        
-    tner_entity_list = ["person", "group", "facility", "organization", "geopolitical area", "location", "product", "event", "work of art", "law", "language", "date", "time", "percent", "money", "quantity", "ordinal number", "cardinal number"]
-    spacy_entity_list = ["PERSON", "NORP", "FAC", "ORG", "GPE", "LOC", "PRODUCT", "EVENT", "WORK_OF_ART", "LAW", "LANGUAGE", "DATE", "TIME", "PERCENT", "MONEY", "QUANTITY", "ORDINAL", "CARDINAL", "MISC"]
-    
-    for ent in spacy_display["ents"]:
-        if model_checkpoint == "asahi417/tner-xlm-roberta-base-ontonotes5":
-            ent["label"] = spacy_entity_list[tner_entity_list.index(ent["label"])]
-        else:
-            if ent["label"] == "PER": ent["label"] = "PERSON"
-    
-    # colors = {'PER': '#85DCDF', 'LOC': '#DF85DC', 'ORG': '#DCDF85', 'MISC': '#85ABDF',}
-    html = spacy.displacy.render(spacy_display, style="ent", minify=True, manual=True, options={"ents": spacy_entity_list}) # , "colors": colors})
-    style = "<style>mark.entity { display: inline-block }</style>"
-    st.write(f"{style}{get_html(html)}", unsafe_allow_html=True)
+    if task == "Metin Sınıflandırma":
+        pipeline_model = load_pipeline(model_dict[task], task)
+        output = pipeline_model(input_text)
+        df = pd.DataFrame(output)
+        st.subheader(f"{task} Sonuçları")
+        st.dataframe(df)
+
+    elif task == "Duygu Analizi":
+        pipeline_model = load_pipeline(model_dict[task], task)
+        output = pipeline_model(input_text)
+        df = pd.DataFrame(output)
+        st.subheader(f"{task} Sonuçları")
+        st.dataframe(df)
+
+    elif task == "Metin Analizi":
+        ner_pipeline = setModel(model_checkpoint, aggregation)
+        output = ner_pipeline(input_text)
+        output_comb = entity_comb(output)
+        df = pd.DataFrame.from_dict(output_comb)
+        cols_to_keep = ['word', 'entity_group', 'score', 'start', 'end']
+        df_final = df[cols_to_keep]
+        st.subheader("Tanımlanan Varlıklar")
+        st.dataframe(df_final)
+
+        st.subheader("Spacy Tarzı Görselleştirme")
+        spacy_display = {}
+        spacy_display["ents"] = []
+        spacy_display["text"] = input_text
+        spacy_display["title"] = None
+
+        for entity in output_comb:
+            spacy_display["ents"].append({"start": entity["start"], "end": entity["end"], "label": entity["entity_group"]})
+
+        tner_entity_list = ["person", "group", "facility", "organization", "geopolitical area", "location", "product", "event", "work of art", "law", "language", "date", "time", "percent", "money", "quantity", "ordinal number", "cardinal number"]
+        spacy_entity_list = ["PERSON", "NORP", "FAC", "ORG", "GPE", "LOC", "PRODUCT", "EVENT", "WORK_OF_ART", "LAW", "LANGUAGE", "DATE", "TIME", "PERCENT", "MONEY", "QUANTITY", "ORDINAL", "CARDINAL", "MISC"]
+
+        for ent in spacy_display["ents"]:
+            if model_checkpoint == "asahi417/tner-xlm-roberta-base-ontonotes5":
+                ent["label"] = spacy_entity_list[tner_entity_list.index(ent["label"])]
+            else:
+                     if ent["label"] == "PER":
+                    ent["label"] = "PERSON"
+
+        html = spacy.displacy.render(spacy_display, style="ent", minify=True, manual=True, options={"ents": spacy_entity_list})
+        style = "<style>mark.entity { display: inline-block }</style>"
+        st.write(f"{style}{get_html(html)}", unsafe_allow_html=True)
+
+    elif task == "Metin Oluşturma":
+        pipeline_model = load_pipeline(model_checkpoint, task)
+        output = pipeline_model(input_text, max_length=50, num_return_sequences=1)
+        st.subheader(f"{task} Sonuçları")
+        for idx, item in enumerate(output):
+            st.write(f"Öneri {idx+1}: {item['generated_text']}")