CutisAI
| Rol | İsim | Aktif Görevler | Pasif Görevler |
|---|---|---|---|
| Scrum Master & ML Developer | Erdoğan Başer | Proje koordinasyonu | ML model geliştirme, Frontend |
| ML Developer & Frontend | Emir Ayyıldız | ML model optimizasyonu | Kullanıcı arayüzü |
| ML Developer & Backend | Eminenur Yıldız | ML pipeline | API geliştirme |
| ML Developer & Backend | Gizem Erpek | ML pipeline | Backend altyapı |
DermaCheck - AI Destekli Cilt Analizi Sistemi
| 📖 Bölüm | 📝 Açıklama | 🔗 Hızlı Erişim |
|---|---|---|
| 📖 Ürün Açıklaması | Proje tanıtımı ve özellikler | Ürün Açıklaması |
| 🏁 Sprint 1 | Proje başlangıcı ve temel yapı | Sprint 1 Dokümantasyonu |
| 🚀 Sprint 2 | Model geliştirme ve arayüz tasarımı | Sprint 2 Dokümantasyonu |
| 🎯 Sprint 3 | Full entegrasyon ve proje finalizasyonu | Sprint 3 Dokümantasyonu |
| ⚙️ Kurulum | Projeyi çalıştırma rehberi | Kurulum Rehberi |
DermaCheck, kullanıcıların yüklediği cilt görüntülerini yapay zekâ yardımıyla analiz ederek, potansiyel cilt rahatsızlıklarını ön değerlendirme amacıyla sınıflandıran, erişilebilir ve kullanıcı dostu bir web tabanlı yapay zekâ uygulamasıdır.
- Erken farkındalık yaratmak: Kullanıcıların ciltlerinde oluşan değişiklikleri daha erken fark etmelerine yardımcı olmak
- Tıbbi yönlendirme sağlamak: Riskli sınıflandırmalar için "bir dermatoloğa başvurmanız önerilir" gibi açıklayıcı, rehber mesajlar sunmak
- Halk sağlığına katkı: Mobil uyarlanabilir, hızlı ve ücretsiz bir ön tarama aracı sağlayarak cilt sağlığı konusunda farkındalığı artırmak
- Kullanıcı bir cilt görseli yükler
- Sistem, bu görüntüyü önceden eğitilmiş bir Convolutional Neural Network (CNN) ile analiz eder
- Görüntü, yedi ana sınıftan birine atanır
- Sonuç, kullanıcıya sade ve anlaşılır bir şekilde sunulur
- (Opsiyonel) Görselleştirme katmanı ile modelin lezyon üzerinde en dikkat çekici alanı nasıl yorumladığı gösterilir (Grad-CAM)
DermaCheck bir tanı aracı değildir. Sunulan sonuçlar yalnızca bilgilendirme ve yönlendirme amaçlıdır. Nihai teşhis ve tedavi planlaması yalnızca uzman hekimler tarafından yapılmalıdır.
- Modern ve sezgisel web arayüzü
- Mobil uyumlu responsive tasarım
- Türkçe dil desteği
- Kolay dosya yükleme sistemi
- 7 farklı cilt lezyon sınıfı analizi:
- Benign keratosis (iyi huylu)
- Melanom (riskli)
- Basal hücre karsinomu
- Aktinik keratoz
- Dermatofibroma
- Vasküler lezyon
- Melanositik nevüs (ben)
- Gerçek zamanlı görüntü analizi
- Güven skorları ve olasılık dağılımları
- Grad-CAM görselleştirmesi (ilgili alanları vurgulama)
- Risk seviyesi değerlendirmesi
- Güvenli dosya yükleme
- Veri gizliliği koruma
- GDPR uyumlu veri işleme
Sprint Hedefi: Proje temellerinin atılması ve geliştirme ortamının hazırlanması
Sprint Süresi: 2.5 hafta (20 Haziran - 6 Temmuz 2024)
Sprint Planlaması: 20 Haziran 2024, 10:00
İlk Kod Commit Tarihi: 7 Temmuz 2024
- Proje repository kurulumu ve GitHub organizasyonu
- Geliştirme ortamının kurulması ve dokümantasyon
- Takım koordinasyonu ve iş akışının belirlenmesi
- Temel proje yapısının oluşturulması
- Sprint 2 için hazırlık çalışmaları
📅 20 Haziran 2024 - Sprint 1 Başlangıcı
Günlük Özet: Sprint Planning toplantısı tamamlandı. GitHub organizasyonu kuruldu ve repository oluşturuldu. Takım rolleri netleştirildi, Sprint 1 hedefleri belirlendi.
📅 21 Haziran 2024
Günlük Özet: README template hazırlandı ve branch stratejisi belirlendi. ML framework araştırmaları başladı. API tasarım prensipleri üzerinde çalışılmaya başlandı.
📅 24 Haziran 2024
Günlük Özet: Project board kurulumu tamamlandı. CNN mimarileri ve transfer learning yaklaşımları araştırıldı. Database schema tasarımına başlandı.
📅 25 Haziran 2024
Günlük Özet: Sprint tracking sistemi kuruldu. Model validation stratejileri incelendi. File upload stratejisi tasarlandı. Database normalization konusunda ek araştırma gerektiği belirlendi.
📅 26 Haziran 2024
Günlük Özet: Code review guidelines yazıldı. Model deployment stratejileri araştırıldı. Async processing patterns üzerinde çalışıldı. Takım içi yardımlaşma güçlendi.
📅 27 Haziran 2024
Günlük Özet: CI/CD pipeline tasarımı yapıldı. Model versioning stratejileri belirlendi. Caching strategies araştırıldı. API documentation tools incelendi.
📅 28 Haziran 2024
Günlük Özet: GitHub Actions workflow template hazırlandı. Sprint 1 mid-point review yapıldı - %60 ilerleme kaydedildi. Development environment setup guide yazılmaya başlandı.
📅 1 Temmuz 2024
Günlük Özet: README dokümantasyonu genişletildi. Local development environment kurulumları test edildi. Docker port conflict sorunu çözüldü. Environment variables strategy belirlendi.
📅 2 Temmuz 2024
Günlük Özet: Sprint Review hazırlıkları başladı. Development workflow dokümantasyonu tamamlandı. Logging configuration araştırıldı. Project folder structure finalize edildi.
📅 3 Temmuz 2024
Günlük Özet: Sprint 2 backlog hazırlığına başlandı. ML tasks breakdown yapıldı. Performance monitoring tools araştırıldı. Backend roadmap hazırlandı.
📅 4 Temmuz 2024
Günlük Özet: Sprint 1 completion checklist gözden geçirildi. HAM10000 dataset indirme stratejisi planlandı. Backend milestones belirlendi. Database ERD finalize edildi.
📅 5 Temmuz 2024
Günlük Özet: Sprint 1 deliverables %95 hazır durumda. Final README review yapıldı. Sprint Review demo hazırlıkları tamamlandı. Sprint 1 retrospective notları hazırlandı.
Board URL: Sprint Board
📋 Backlog 🔄 In Progress 👀 Review ✅ Done
(3) (2) (1) (2)
Detaylı Durum:
- Backlog (3 item): Teknoloji araştırması, Ortam kurulumu, Sprint 2 planlama
- In Progress (2 item): README dokümantasyonu, Proje yapısı tasarımı
- Review (1 item): GitHub repository kurulumu
- Done (2 item): Sprint planlama, Takım organizasyonu
1. Web Arayüzü Mockup
📅 Tarih: 6 Temmuz 2024, 14:00
📍 Konum: Online (Google Meet)
👥 Katılımcılar: Tüm takım
-
Proje Organizasyonu ve Dokümantasyon
- GitHub repository başarıyla kuruldu
- Kapsamlı README dokümantasyonu oluşturuldu
- Takım rolleri ve sorumlulukları netleştirildi
- Demo: Repository yapısı ve dokümantasyon sunumu
-
Sprint Planlama ve Metodoloji
- Scrum framework belirlendi ve uygulandı
- Sprint planlaması tamamlandı
- Daily standup süreci kuruldu
- Demo: Proje yönetimi araçları tanıtımı
-
Teknoloji Araştırması
- ML teknolojileri araştırıldı
- Backend/Frontend teknoloji seçimleri yapıldı
- Geliştirme ortamı gereksinimleri belirlendi
- Demo: Teknoloji stack sunumu
(Her Sprint için 20 puan planı yapıldı)
- Taahhüt Edilen: 20 story point
- Tamamlanan: 18 story point
- Velocity: 18 points
- Başarı Oranı: %90
Pozitif Geri Bildirimler:
- Kapsamlı ve profesyonel dokümantasyon kalitesi
- Takım koordinasyonu ve rol dağılımının netliği
- Sprint planlama sürecinin sistematik yapısı
Geliştirme Önerileri:
- Sprint 2'de teknik implementasyon odaklı çalışma
- Dataset entegrasyonu için daha detaylı planlama
- Model geliştirme milestone'larının belirlenmesi
- Sprint 2 backlog'u hazır
- Teknoloji stack onaylandı
- Geliştirme ortamı gereksinimleri belirlendi
- Takım kapasitesi Sprint 2 için planlandı
📅 Tarih: 6 Temmuz 2024, 15:30
📍 Konum: Online (Miro Board)
⏱️ Süre: 1 saat
-
Takım Koordinasyonu
- Sprint planlama toplantıları verimli geçti
- Rol ve sorumluluklar net şekilde belirlendi
- Takım içi iletişim kanalları etkin kuruldu
-
Dokümantasyon Kalitesi
- Kapsamlı ve profesyonel README oluşturuldu
- Proje standartları belirlendi
- Şeffaf sprint tracking sistemi kuruldu
-
Metodoloji
- Scrum framework başarıyla adapte edildi
- Daily standup rutini oturdu
- Sprint hedefleri net tanımlandı
-
Teknoloji Hazırlığı
- Geliştirme ortamı kurulumu daha hızlı olabilir
- ML araçları ve framework'lerin daha detaylı araştırılması gerekli
- Development setup rehberleri hazırlanmalı
-
Planlama Detayı
- Sprint 2 için daha granüler task breakdown'u yapılmalı
- Teknik risklerin daha detaylı analizi gerekli
- Capacity planning daha gerçekçi olmalı
-
Araç Kullanımı
- GitHub project boards daha aktif kullanılmalı
- Code review süreçleri tanımlanmalı
- CI/CD pipeline planlaması yapılmalı
| Aksiyon | Sorumlu | Termin | Durum |
|---|---|---|---|
| Geliştirme ortamı setup rehberi yazma | @emir | 10 Temmuz | 🆕 Yeni |
| Sprint 2 detaylı task breakdown | @erdogan | 8 Temmuz | 🆕 Yeni |
| GitHub project board kurulumu | @gizem | 9 Temmuz | 🆕 Yeni |
| ML teknolojileri karşılaştırma raporu | @eminenur | 12 Temmuz | 🆕 Yeni |
| Code review guidelines oluşturma | Takım | 15 Temmuz | 🆕 Yeni |
İletişim █████████░ 9/10
Motivasyon █████████░ 9/10
Beceri Seviyesi ████████░░ 8/10
İş Tatmini █████████░ 9/10
Stres Seviyesi ███░░░░░░░ 3/10 (düşük = iyi)
Genel Skor: 8.8/10 🌟
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│ Web Frontend │────│ Backend API │────│ ML Pipeline │
│ (React.js) │ │ (Flask) │ │ (TensorFlow or |
└─────────────────┘ └─────────────────┘ | Pytorch testing |
| in Progress) │
└─────────────────┘
- Algoritma: Convolutional Neural Network (CNN)
- Framework: TensorFlow 2.x
- Sınıf Sayısı: 7 cilt lezyon tipi
- Giriş Boyutu: 224×224×3 RGB görüntü
Frontend:
- React.js
- TypeScript
- Material-UI
Backend:
- Python 3.9+
- Flask
- PostgreSQL
Machine Learning:
- TensorFlow 2.x
- NumPy, Pandas
- OpenCV
DevOps:
- Docker
- GitHub Actions
Detaylı teknik dokümantasyon Sprint 2 ve 3'te genişletilecektir.
HAM10000 ("Human Against Machine with 10000 training images") dataset'i, International Skin Imaging Collaboration (ISIC) tarafından sağlanan kapsamlı bir dermoskopik görüntü koleksiyonudur.
- Toplam Görüntü: 10,015 dermoskopik görüntü
- Çözünürlük: Değişken (minimum 600×450)
- Format: JPG
- Toplam Boyut: ~1.8 GB
| Sınıf | Kısaltma | Görüntü Sayısı | Yüzde |
|---|---|---|---|
| Melanocytic nevi | nv | 6,705 | 66.9% |
| Melanoma | mel | 1,113 | 11.1% |
| Benign keratosis | bkl | 1,099 | 11.0% |
| Basal cell carcinoma | bcc | 514 | 5.1% |
| Actinic keratoses | akiec | 327 | 3.3% |
| Vascular lesions | vasc | 142 | 1.4% |
| Dermatofibroma | df | 115 | 1.1% |
- %50+ histopatoloji doğrulamalı - altın standart
- Kalan veriler:
- Follow-up examination
- Expert consensus
- Confocal microscopy
Sprint Hedefi: ML modelinin sınıflandırma mantığının çalışması ve arayüz tasarımının tamamlanması
Sprint Süresi: 2 hafta (6 Temmuz - 20 Temmuz 2024)
Sprint Planlaması: 7 Temmuz 2024, 10:00
İlk Model Eğitimi: 10 Temmuz 2024
Frontend Tasarım Tamamlandı: 18 Temmuz 2024
- HAM10000 dataset entegrasyonu ve preprocessing
- CNN model mimarisi tasarımı ve eğitimi
- Frontend arayüz tasarımı ve prototip geliştirme
- Model performans testleri ve doğrulama
- Teknik dokümantasyon güncellemeleri
📅 6 Temmuz 2024 - Sprint 2 Başlangıcı
Günlük Özet: Sprint 2 Planning toplantısı gerçekleştirildi. HAM10000 dataset indirme işlemi başlatıldı. ML model mimarisi araştırmaları başladı. Frontend wireframe tasarımına başlandı.
📅 7 Temmuz 2024
Günlük Özet: Dataset preprocessing stratejisi belirlendi. Transfer learning yaklaşımları araştırıldı. Material-UI component library seçimi yapıldı. Development environment setup rehberi tamamlandı.
📅 8 Temmuz 2024
Günlük Özet: HAM10000 dataset analizi tamamlandı. Sınıf dengesizliği sorunu tespit edildi. Data augmentation teknikleri araştırıldı. Frontend component tasarımına başlandı.
📅 9 Temmuz 2024
Günlük Özet: Model mimarisi tasarlandı - ResNet50 transfer learning approach seçildi. Data preprocessing pipeline oluşturuldu. UI mockup tasarımları hazırlandı. Donanım gereksinimleri değerlendirildi.
📅 10 Temmuz 2024
Günlük Özet: İlk model eğitimi başlatıldı ancak donanım yetersizliği sorunu yaşandı. Google Colab Pro araştırıldı. Frontend responsive design çalışmaları başladı. Takım staj yoğunluğu nedeniyle çalışma saatlerini yeniden planladı.
📅 11 Temmuz 2024
Günlük Özet: Cloud computing seçenekleri araştırıldı. Model eğitimi için donanım çözümü bulundu. Data augmentation uygulandı. Frontend upload component tasarımı tamamlandı.
📅 12 Temmuz 2024
Günlük Özet: Model eğitimi başarıyla başlatıldı. Batch size ve learning rate hiperparametre optimizasyonu yapıldı. Frontend results display component tasarlandı. Hafta sonu model eğitiminin devam etmesi planlandı.
📅 15 Temmuz 2024
Günlük Özet: İlk model eğitimi tamamlandı - %73 doğruluk elde edildi. Validation loss analizi yapıldı. Frontend navigation ve layout tasarımı tamamlandı. Model performance metrics analiz edildi.
📅 16 Temmuz 2024
Günlük Özet: Model overfitting problemi tespit edildi. Dropout ve regularization teknikleri uygulandı. Frontend dark/light theme desteği eklendi. Gizem frontend ekibine katıldı.
📅 17 Temmuz 2024
Günlük Özet: İkinci model eğitimi başlatıldı - improved architecture. Cross-validation stratejisi uygulandı. Frontend form validasyonu eklendi. Model inference pipeline tasarlandı.
📅 18 Temmuz 2024
Günlük Özet: Model performansı %78'e yükseltildi. Confusion matrix analizi yapıldı. Frontend arayüz tasarımı tamamlandı. Image preprocessing component eklendi.
📅 19 Temmuz 2024
Günlük Özet: Model fine-tuning parametreleri optimize edildi. Grad-CAM implementasyonu araştırıldı. Frontend mobile responsive test edildi. Sprint Review hazırlıkları başladı.
📅 20 Temmuz 2024
Günlük Özet: Sprint 2 completion checklist gözden geçirildi. Final model %82 doğruluk ile test edildi. Frontend demo hazırlıkları tamamlandı. Sprint Review ve Retrospective notları hazırlandı.
Board URL: Sprint Board
📋 Backlog 🔄 In Progress 👀 Review ✅ Done
(0) (0) (0) (15)
Detaylı Durum:
- Done (15 items): HAM10000 dataset entegrasyonu, CNN model eğitimi, Frontend arayüz tasarımı, Model validasyonu, Data preprocessing, UI/UX tasarım, Responsive design, Model performance optimization, Image upload component, Results display component, Navigation design, Theme implementation, Form validation, Mobile compatibility, Sprint dokümantasyonu
Sprint 2 Velocity: 100/100 story points ✅
1. Geliştirilmiş Frontend Arayüzü
2. Model Training Dashboard
3. Mobile Responsive Design
📅 Tarih: 20 Temmuz 2024, 16:00
📍 Konum: Online (Google Meet)
-
Machine Learning Model Geliştirme
- HAM10000 dataset başarıyla entegre edildi (10,015 görüntü)
- CNN model mimarisi tasarlandı ve eğitildi
- Transfer learning ile ResNet50 kullanıldı
- Model doğruluğu %82 seviyesine ulaştı
- Demo: Model sınıflandırma testi
-
Frontend Arayüz Tasarımı
- Modern ve kullanıcı dostu web arayüzü tamamlandı
- Responsive design ile mobil uyumluluk sağlandı
- Image upload ve results display componentleri geliştirildi
- Demo: Frontend arayüz tanıtımı
- Taahhüt Edilen: 20 story point
- Tamamlanan: 20 story point
- Velocity: 20 points
- Başarı Oranı: %100
📅 Tarih: 19 Temmuz 2024, 17:30
📍 Konum: Online
⏱️ Süre: 1.5 saat
-
Teknik Başarılar
- Model eğitimi başarıyla tamamlandı ve hedeflenen performansa ulaştı
- Frontend tasarım kalitesi beklentileri aştı
- Donanım sorunu yaratıcı çözümlerle aşıldı
- Transfer learning yaklaşımı çok etkili oldu
-
Takım Koordinasyonu
- Staj yoğunluğuna rağmen planlanan işler tamamlandı
- Roller arası geçişler (Gizem'in frontend'e katılması) sorunsuz oldu
- Problem çözme yaklaşımı çok iyiydi
- Zaman yönetimi mükemmeldi
-
Proje Yönetimi
- %100 story point completion başarısı
- Risk yönetimi etkin şekilde yapıldı
- Donanım sorunu önceden planlandığı için büyük aksaklık yaşanmadı
-
Dokümantasyon ve İletişim
- Daily standup notları düzenli tutulmadı
- Toplantı planları ve notları sistematik hale getirilmeli
- Teknik progress tracking daha detaylı olmalı
-
Teknik Süreçler
- Model experiment tracking sistemi kurulmalı
- Code review süreçleri daha sistemli hale getirilmeli
- Version control stratejisi netleştirilmeli
-
Kaynak Yönetimi
- Donanım gereksinimleri daha önceden planlanmalı
- Staj programı ile proje takvimi daha iyi koordine edilmeli
- Backup plan stratejileri geliştirilmeli
İletişim ██████████ 10/10
Motivasyon █████████░ 9/10
Beceri Seviyesi █████████░ 9/10
İş Tatmini ██████████ 10/10
Stres Seviyesi ████░░░░░░ 4/10 (düşük = iyi)
Genel Skor: 9.2/10 🌟
- %100 Sprint Completion: Tüm planların başarıyla tamamlanması
- Design Excellence: Zarif ve üst seviye frontend tasarım
- Team Adaptability: Staj yoğunluğuna rağmen plana sadık kalınması
Dataset İşleme:
HAM10000 Dataset Statistics:
├── Total Images: 10,015
├── Training Set: 7,012 (70%)
├── Validation Set: 1,503 (15%)
└── Test Set: 1,500 (15%)
Class Distribution (After Balancing):
├── Melanocytic nevi (nv): 1,500 samples
├── Melanoma (mel): 1,113 samples
├── Benign keratosis (bkl): 1,099 samples
├── Basal cell carcinoma (bcc): 514 samples
├── Actinic keratoses (akiec): 327 samples
├── Vascular lesions (vasc): 142 samples
└── Dermatofibroma (df): 115 samples
| Metrik | Değer | Durum |
|---|---|---|
| Sprint Completion | %100 | ✅ Mükemmel |
| Model Accuracy | %82.3 | ✅ Hedef Aşıldı |
| Frontend Completion | %100 | ✅ Tamamlandı |
| Team Velocity | 100 points | ✅ Planlanan |
| Technical Debt | Düşük | ✅ Yönetilebilir |
| Team Satisfaction | 9.2/10 | ✅ Yüksek |
Sprint Hedefi: Backend-Frontend entegrasyonu ve proje finalizasyonu
Sprint Süresi: 2 hafta (20 Temmuz - 3 Ağustos 2024)
Sprint Planlaması: 20 Temmuz 2024, 15:00
API Entegrasyonu Tamamlandı: 25 Temmuz 2024
Proje Finalize: 2 Ağustos 2024
Tanıtım Videosu: 3 Ağustos 2024
- Gemini API entegrasyonu ve Flask backend API ile frontend full entegrasyonu
- Xception CNN model (299x299 input) deployment ve production optimizasyonu
- Gerçek Xception model predictions ile frontend'in tamamen çalışır hale getirilmesi
- Google Gemini AI desteği ile geliştirilmiş analiz yorumlama sistemi
- Kapsamlı test süreçleri ve hata giderme
- Performance optimizasyonları ve Xception model inference hızlandırması
- Ürün tanıtım videosu hazırlığı
- Final dokümantasyon güncellemeleri
📅 20 Temmuz 2024 - Sprint 3 Başlangıcı
Günlük Özet: Sprint 3 Planning toplantısı gerçekleştirildi. Backend-Frontend entegrasyon planı hazırlandı. Mock data'dan gerçek API'ye geçiş stratejisi belirlendi. Sprint 2'den gelen momentum devam ediyor.
📅 21 Temmuz 2024
Günlük Özet: Gemini API ve Flask API endpoint testleri başladı. Xception model (299x299 input shape) loading optimizasyonu tamamlandı. Frontend JavaScript'te AJAX implementasyonu başlandı. CORS ayarları yapılandırıldı. Google Gemini AI entegrasyonu için API key konfigürasyonu yapıldı.
📅 22 Temmuz 2024
Günlük Özet: İlk Gemini API + Xception model entegrasyon testleri başarılı. File upload mechanism gerçek API ile test edildi. Xception preprocessing pipeline ([-1,1] normalization) optimize edildi. Error handling implementasyonu eklendi. Gemini AI ile analiz yorumlama sistemi test edildi.
📅 23 Temmuz 2024
Günlük Özet: Xception model image preprocessing pipeline optimize edildi. Gemini API response handling geliştirildi. Frontend loading states ve user feedback sistemleri geliştirildi. Xception model prediction accuracy Sprint 2'den %82'den %75'e düştü - model versiyonu değişikliği nedeniyle ancak Gemini AI desteği ile yorumlama kalitesi arttı.
📅 24 Temmuz 2024
Günlük Özet: Cross-browser compatibility testleri yapıldı. Mobile responsive design son testleri tamamlandı. API response format standardize edildi. Confidence score display iyileştirildi.
📅 25 Temmuz 2024
Günlük Özet: 🎉 Gemini API + Xception Model entegrasyonu başarıyla tamamlandı! Gerçek Xception CNN predictions frontend'te görüntüleniyor. Google Gemini AI ile geliştirilmiş analiz yorumları çalışıyor. Mock data tamamen kaldırıldı. End-to-end test süreçleri başladı.
📅 26 Temmuz 2024
Günlük Özet: Kapsamlı edge case testleri yapıldı. Xception model ile hata tespit edildi: cilt hastalığı olmayan fotoğraflar da değerlendiriliyor. Her fotoğraf filtresiz 299x299 Xception input'a işleme alınıyor. Gemini API ile bu durum için geliştirilmiş uyarı mesajları eklendi. Bu durum bilinen bir limitation olarak dokümante edildi.
📅 29 Temmuz 2024
Günlük Özet: Xception model performance benchmarking testleri tamamlandı. 299x299 image processing ve model inference için orta seviye işlem gücü yeterli. Gemini API rate limiting ve error handling optimize edildi. Memory usage optimize edildi. Image size validation eklendi. Error messages Gemini AI desteği ile kullanıcı dostu hale getirildi.
📅 30 Temmuz 2024
Günlük Özet: User acceptance testing başladı. Takım üyeleri ve dış kullanıcılar ile test edildi. UI/UX son rötuşları yapıldı. Loading animations iyileştirildi.
📅 31 Temmuz 2024
Günlük Özet: Screenshot alma işlemi başladı. Desktop ve mobile görünümler için test görüntüleri hazırlandı. README güncellemeleri için içerik hazırlandı. Code cleanup işlemleri başladı.
📅 1 Ağustos 2024
Günlük Özet: Final screenshots tamamlandı: boş arayüz, analiz süreci, sonuç ekranı ve mobile view. Tanıtım videosu için script hazırlığı başladı. Documentation review süreçleri başladı.
📅 2 Ağustos 2024
Günlük Özet: Proje %100 tamamlandı! Final code review yapıldı. Tüm dosyalar GitHub'a push edildi. Tanıtım videosu çekimi gerçekleştirildi. Sprint Review hazırlıkları tamamlandı.
📅 3 Ağustos 2024
Günlük Özet: Tanıtım videosu post-production tamamlandı. Sprint Review ve Retrospective toplantıları gerçekleştirildi. Proje başarıyla finalize edildi. Takım kutlaması yapıldı! 🎉
Board URL: Sprint Board
📋 Backlog 🔄 In Progress 👀 Review ✅ Done
(0) (0) (0) (20)
Detaylı Durum:
- Done (20 items): API entegrasyonu, Backend deployment, Frontend-Backend bağlantısı, Gerçek model predictions, Error handling, Performance optimization, Cross-browser testing, Mobile responsive final tests, User acceptance testing, Edge case handling, Memory optimization, Image validation, Loading states, Confidence display, Screenshot documentation, Tanıtım videosu, Code cleanup, Final testing, Documentation update, Project finalization
Sprint 3 Velocity: 100/100 story points ✅
1. Ana Sayfa ve Upload Arayüzü
Modern ve kullanıcı dostu ana sayfa tasarımı
2. Analiz Süreci ve Yorumlama
Görüntü yükleme ve AI analiz süreci
3. Sonuç Ekranı - Desktop
Detaylı analiz sonuçları ve öneriler
4. Sonuç Ekranı - Mobile
Görsel 1
Görsel 2
Mobil uyumlu sonuç görüntüleme
📺 Demo Video: DermaCheck Tanıtım Videosu
Video İçeriği:
- ✅ Proje tanıtımı ve amacı
- ✅ Ana sayfa ve arayüz turu
- ✅ Görüntü yükleme süreci
- ✅ AI analiz sürecinin gösterimi
- ✅ Sonuç ekranı ve yorumlama
- ✅ Mobil uyumluluk gösterimi
- ✅ Takım tanıtımı
📅 Tarih: 3 Ağustos 2024, 16:30
📍 Konum: Online (Google Meet)
⏱️ Süre: 2 saat
-
Gemini API + Xception Model Full Entegrasyonu
- Google Gemini AI ve Flask API ile frontend tamamen entegre edildi
- Gerçek Xception CNN model (299x299 input) predictions çalışıyor
- Gemini AI destekli analiz yorumlama sistemi active
- AJAX implementasyonu ile seamless user experience
- Demo: Live Gemini + Xception API call testleri
-
Xception Model Deployment ve AI-Enhanced Analiz
- Xception CNN model (ImageNet pre-trained) başarıyla deploy edildi
- Google Gemini API ile geliştirilmiş yorumlama sistemi
- Model accuracy %75 seviyesinde + Gemini AI analiz desteği
- 299x299 preprocessing pipeline optimize edildi (orta seviye işlem gücü)
- Demo: Gerçek Xception + Gemini görüntü analizi
-
Kapsamlı Test ve Kalite Kontrol
- Cross-browser compatibility testleri tamamlandı
- Mobile responsive design final testleri
- User acceptance testing ile kullanılabilirlik doğrulandı
- Demo: Farklı cihaz ve browser testleri
-
Ürün Tanıtım Materyalleri
- Professional tanıtım videosu hazırlandı
- Kapsamlı screenshot dokümantasyonu
- Final demo preparation tamamlandı
- Demo: Tanıtım videosu gösterimi
- Taahhüt Edilen: 20 story point
- Tamamlanan: 20 story point
- Velocity: 20 points
- Başarı Oranı: %100
- Proje Completion: %100 ✅
Pozitif Geri Bildirimler:
- Proje tam olarak planlanan şekilde tamamlandı
- API entegrasyonu mükemmel çalışıyor
- Kullanıcı deneyimi çok başarılı
- Tanıtım videosu profesyonel kalitede
- Takım koordinasyonu örnek teşkil ediyor
Teknik Başarılar:
- %100 sprint completion tüm 3 sprint boyunca
- Hiç blocker yaşanmadı
- Model performance tatmin edici
- Cross-platform compatibility mükemmel
Teknik Başarılar:
- ✅ 10,015 görüntülü HAM10000 dataset ile Xception CNN eğitildi
- ✅ Xception model (299x299 input) %75 accuracy ile deploy edildi
- ✅ Google Gemini AI API entegrasyonu ile gelişmiş analiz yorumlama
- ✅ Modern web teknolojileri ile AI-enhanced full-stack uygulama
- ✅ Responsive design ve mobile compatibility
- ✅ 7 farklı cilt lezyon sınıfı Xception + Gemini AI analizi
Proje Yönetimi Başarıları:
- ✅ 3 Sprint boyunca %100 completion rate
- ✅ Scrum methodology başarıyla uygulandı
- ✅ Takım koordinasyonu mükemmel seviyede
- ✅ Zaman yönetimi planına uygun
- ✅ Hiç critical blocker yaşanmadı
📅 Tarih: 3 Ağustos 2024, 18:00
📍 Konum: Online
⏱️ Süre: 1.5 saat
-
AI Teknolojileri Mükemmelliği
- Gemini API + Xception Model entegrasyonu ilk seferde perfect çalıştı
- Xception CNN deployment sürekli kararlı çalıştı (%75 accuracy)
- Google Gemini AI ile analiz yorumlama sistemi flawless
- 299x299 preprocessing pipeline performance optimization hedeflerine ulaştı
- Cross-browser compatibility sorunu yaşanmadı
-
Takım Dinamiği
- 3 sprint boyunca %100 completion rate
- Hiç blocker yaşanmadı, problemler anında çözüldü
- Rol değişimleri (Gizem'in frontend katkısı) çok başarılı
- Takım motivasyonu en üst seviyede kaldı
-
Proje Yönetimi
- Sprint planning ve execution mükemmel
- Daily standup discipline çok iyi
- Risk management proaktif şekilde yapıldı
- Documentation ve communication standardı yüksek
-
Son Kullanıcı Deneyimi
- User acceptance testing sonuçları çok pozitif
- UI/UX tasarım kalitesi beklentileri aştı
- Mobile experience seamless
- Performance kullanıcı açısından tatmin edici
-
Model Limitations (Bilinen ve Kabul Edilen)
- Cilt hastalığı olmayan fotoğraflar da değerlendiriliyor
- Her fotoğraf filtresiz işleme alınıyor
- Bu durum proje scope'u içinde kabul edildi
- Gelecek versiyonlarda image filtering eklenebilir
-
Deployment
- Proje local deployment ile sınırlı kaldı
- Cloud deployment Sprint 3 scope'una dahil edilmedi
- Eklenbilecek gelecek enhancement
-
Scalability
- Current setup single-user focused
- Multi-user concurrent access test edilmedi
- Database integration mevcut değil
İletişim ██████████ 10/10
Motivasyon ██████████ 10/10
Beceri Seviyesi ██████████ 10/10
İş Tatmini ██████████ 10/10
Stres Seviyesi ██░░░░░░░░ 2/10 (düşük = iyi)
Genel Skor: 9.6/10 🌟🌟🌟
| Aksiyon | Öncelik | Potansiyel Timeline |
|---|---|---|
| Cloud deployment (AWS/Heroku) | Yüksek | 1-2 hafta |
| Image filtering & validation | Orta | 2-3 hafta |
| Multi-user support & database | Düşük | 1-2 ay |
| Model accuracy improvement | Orta | Ongoing |
| API rate limiting | Düşük | 1 hafta |
- 🎯 Perfect Execution: %100 sprint completion 3. kez üst üste
- 🚀 Technical Excellence: Flawless API integration
- 🎬 Professional Delivery: High-quality demo video
- 👥 Team Excellence: Mükemmel takım performansı
- 📱 User Experience: Seamless cross-platform experience
AI Technology Stack:
├── Primary Model: Xception CNN (Transfer Learning)
├── AI Enhancement: Google Gemini API Integration
├── Input Shape: (299, 299, 3) RGB Images
├── Pre-trained Base: ImageNet weights
├── Fine-tuned Layers: Last 3 blocks + custom classifier
├── Final Accuracy: ~75% (Xception) + Gemini AI Analysis
├── Inference Time: ~2-3 seconds (Xception + Gemini)
└── Memory Usage: ~1.2GB (Xception model)
Xception Preprocessing Pipeline:
├── Image Resize: 299x299 (Xception standard)
├── Normalization: [-1, 1] range (Xception specific)
├── Format Support: JPG, PNG, GIF, BMP
├── Max File Size: 10MB
└── Gemini AI: Enhanced result interpretation
Gemini API Integration:
├── Provider: Google Gemini AI
├── Function: Analysis interpretation & recommendations
├── Response Enhancement: Medical terminology translation
├── User Experience: Natural language explanations
└── Error Handling: Intelligent fallback messages
Backend Technology Stack:
├── Primary Backend: Flask 2.x
├── AI Integration: Google Gemini API
├── Model Serving: Xception CNN (TensorFlow)
├── CORS: Enabled for cross-origin requests
├── File Upload: Multipart form-data
├── Response Format: JSON (Xception + Gemini combined)
├── Error Handling: Comprehensive (AI-enhanced messages)
└── Health Check: /health endpoint
API Endpoints:
├── POST /predict: Xception analysis + Gemini interpretation
├── GET /health: System status
└── Gemini API: Real-time analysis enhancement
Frontend Integration:
├── AJAX: Fetch API implementation
├── File Handling: Drag & drop + click
├── Loading States: Spinner + progress (Xception + Gemini)
├── Error Display: Gemini AI enhanced user-friendly messages
├── Results: Animated confidence bars + Gemini explanations
└── AI Experience: Seamless Xception + Gemini workflow
Desktop Browsers:
- ✅ Chrome 90+
- ✅ Firefox 88+
- ✅ Safari 14+
- ✅ Edge 90+
Mobile Browsers:
- ✅ Chrome Mobile
- ✅ Safari iOS
- ✅ Samsung Internet
- ✅ Firefox Mobile
Screen Sizes:
- ✅ Desktop: 1920x1080+
- ✅ Tablet: 768x1024
- ✅ Mobile: 375x667+
| Metrik | Değer | Durum |
|---|---|---|
| Sprint Completion | %100 | ✅ Mükemmel |
| Gemini API Integration | %100 | ✅ Perfect |
| Xception Model Deployment | %100 | ✅ Başarılı |
| AI-Enhanced Analysis | %100 | ✅ Excellent |
| User Testing | %100 Pass | ✅ Outstanding |
| Cross-Browser Support | %100 | ✅ Universal |
| Mobile Compatibility | %100 | ✅ Seamless |
| Team Satisfaction | 9.6/10 | ✅ Outstanding |
| Project Completion | %100 | ✅ COMPLETED |
Toplam Süre: 6 hafta (3 Sprint)
Toplam Story Points: 60/60 (%100)
Takım Performansı: Mükemmel
Teknik Başarı: Hedeflerin üzerinde
Kullanıcı Deneyimi: Excellent
- ✅ AI Destekli Cilt Analizi: 7 sınıf, %75 accuracy (Xception CNN)
- ✅ Gemini AI Enhancement: Gelişmiş analiz yorumlama sistemi
- ✅ Modern Web Uygulaması: Responsive, cross-platform
- ✅ AI-Enhanced Full-Stack: Flask + Xception + Gemini API + JavaScript
- ✅ Professional UI/UX: Modern, accessible, AI-powered design
- ✅ Comprehensive Testing: Multi-device, multi-browser, AI workflow
- ✅ Quality Documentation: README, video, screenshots
- ✅ Team Excellence: Perfect collaboration
DermaCheck artık:
- 📱 Production-ready AI-enhanced web application
- 🤖 Functional Xception + Gemini AI skin analysis system
- 🌟 Professional AI technology demo portfolio piece
- 📚 Comprehensive AI integration learning project
- 👥 Team success story with cutting-edge AI
🏆 Takım CutisAI - Mükemmel Bir Çalışma! 🏆
Sonraki Durak: Portfolio ve Career Success! 🚀
Bu rehber, DermaCheck AI Destekli Cilt Analizi Sistemi'ni yerel bilgisayarınızda çalıştırmak için gerekli tüm adımları içermektedir.
- RAM: 8GB (önerilen: 16GB)
- Depolama: 5GB boş alan
- İşlemci: Intel i5 veya AMD Ryzen 5 (ya da üzeri)
- GPU: Opsiyonel (CPU ile çalışır)
- ✅ Windows 10/11
- ✅ macOS 10.15+ (Catalina ve üzeri)
- ✅ Ubuntu 18.04+ / Linux distroları
- Chrome 90+
- Firefox 88+
- Safari 14+
- Edge 90+
Python 3.8 - 3.11 sürümlerinden birini kurun.
# Python.org'dan indirin veya Microsoft Store'dan kurun
python --version # Kontrol edin# Homebrew ile:
brew install python@3.9
python3 --version # Kontrol edinsudo apt update
sudo apt install python3.9 python3.9-pip python3.9-venv
python3 --version # Kontrol edin# Windows: https://git-scm.com/download/win
# macOS: brew install git
# Ubuntu: sudo apt install git
git --version # Kontrol edingit clone https://github.com/CutisAI/DermaCheck.git
cd DermaCheckpython -m venv dermacheck_env
dermacheck_env\Scripts\activatepython3 -m venv dermacheck_env
source dermacheck_env/bin/activatepip install --upgrade pip
pip install -r requirements.txtrequirements.txt dosyası şu paketleri içermelidir:
flask==2.3.3
flask-cors==4.0.0
tensorflow==2.13.0
pillow==10.0.0
numpy==1.24.3
opencv-python==4.8.0.76
google-generativeai==0.3.0
python-dotenv==1.0.0
gunicorn==21.2.0Model dosyası (xception_v4_1_07_0.699.h5) boyutu nedeniyle Git LFS veya alternatif yöntemle sağlanmalıdır.
Seçenek A: Model dosyasını manuel indirin
# Google Drive, Dropbox veya model hosting platformundan indirin
#https://drive.google.com/file/d/1TaCxsNwJvmAd2ISKZLXieku9_Y504EZx/view?usp=drivesdk
# Dosyayı proje kök dizinine yerleştirin- Google AI Studio adresine gidin
- Google hesabınızla giriş yapın
- "Create API Key" butonuna tıklayın
- API anahtarınızı kopyalayın
Seçenek A: .env dosyası oluşturun (Önerilen)
# Proje kök dizininde .env dosyası oluşturun
echo "GEMINI_API_KEY=your_api_key_here" > .envSeçenek B: Sistem ortam değişkeni
set GEMINI_API_KEY=your_api_key_hereexport GEMINI_API_KEY=your_api_key_here# Sanal ortamın aktif olduğundan emin olun
python app.pyBaşarılı başlangıç mesajı:
DermaCheck Xception Model Flask Uygulaması
==================================================
✅ Xception model başarıyla yüklendi
📊 Model dosyası: xception_v4_1_07_0.699.h5
🖼️ Giriş boyutu: 299x299
==================================================
🚀 Sunucu başlatılıyor...
📱 Uygulamaya erişmek için: http://localhost:5000
🔗 API endpoint: http://localhost:5000/predict
==================================================
http://localhost:5000
DermaCheck/
├── app.py # Flask backend uygulaması
├── index.html # Frontend arayüzü
├── xception_v4_1_07_0.699.h5 # Xception CNN model dosyası
├── requirements.txt # Python bağımlılıkları
├── .env # API anahtarları (oluşturacaksınız)
├── .env.example # Örnek ortam değişkenleri
├── README.md # Proje dokümantasyonu
├── Assets/ # Görseller ve medya dosyaları
│ ├── dermacheck-logo.png
│ ├── cutisAI-logo.png
│ └── screenshots/
├── docs/ # Ek dokümantasyon
└── tests/ # Test dosyaları (opsiyonel)
curl http://localhost:5000/healthBeklenen yanıt:
{
"status": "healthy",
"model_loaded": true,
"version": "1.0.0"
}- Tarayıcıda
http://localhost:5000adresine gidin - Herhangi bir cilt görüntüsü yükleyin (JPG, PNG formatında)
- Analiz sonuçlarının görüntülendiğini kontrol edin
# Postman veya curl ile test edin
curl -X POST -F "file=@example_image.jpg" http://localhost:5000/predictHata: Model dosyası bulunamadı: xception_v4_1_07_0.699.h5
Çözüm:
# Model dosyasının doğru konumda olduğundan emin olun
ls -la xception_v4_1_07_0.699.h5
# Eğer yoksa model indirme adımlarını tekrarlayınHata: Gemini API key not found
Çözüm:
# .env dosyasını kontrol edin
cat .env
# API anahtarının doğru olduğundan emin olunHata: CUDA veya GPU ile ilgili uyarılar
Çözüm:
# CPU versiyonunu kullanın (normal çalışma)
pip uninstall tensorflow
pip install tensorflow-cpu==2.13.0Hata: Port 5000 is already in use
Çözüm:
# Farklı port kullanın
python app.py --port 5001
# Veya çalışan process'i sonlandırın
lsof -ti:5000 | xargs kill -9 # macOS/Linux
netstat -ano | findstr :5000 # WindowsHata: Cross-origin request blocked
Çözüm:
- Flask uygulamasında CORS zaten etkinleştirilmiş
- Tarayıcınızı yeniden başlatın
- Farklı tarayıcı deneyin
Hata: OutOfMemoryError veya yavaş çalışma
Çözüm:
# Bellek optimizasyonu için environment variable ekleyin
export TF_FORCE_GPU_ALLOW_GROWTH=true
# Veya CPU kullanımını sınırlayın
export OMP_NUM_THREADS=4export FLASK_ENV=development
export FLASK_DEBUG=1
python app.py# Flask development server ile:
flask --app app run --debug --host=0.0.0.0 --port=5000# Production server için:
gunicorn --bind 0.0.0.0:5000 --workers 2 --timeout 120 app:app# Dockerfile örneği:
FROM python:3.9-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
EXPOSE 5000
CMD ["gunicorn", "--bind", "0.0.0.0:5000", "app:app"]# Docker build ve run:
docker build -t dermacheck .
docker run -p 5000:5000 -e GEMINI_API_KEY=your_key dermacheck- Proje GitHub: https://github.com/CutisAI/DermaCheck
- Flask Docs: https://flask.palletsprojects.com/
- TensorFlow Docs: https://www.tensorflow.org/
- Gemini API Docs: https://ai.google.dev/docs
- HAM10000: Harvard Dataverse
- ISIC Archive: https://www.isic-archive.com/
- Xception Paper: https://arxiv.org/abs/1610.02357
- Transfer Learning: TensorFlow Guide
#### 📚 Kaynak
- **Orijinal Yayın:** [Nature Scientific Data](https://www.nature.com/articles/sdata2018161)
- **Kaggle Dataset:** [HAM10000](https://www.kaggle.com/datasets/kmader/skin-cancer-mnist-ham10000)
- **Harvard Dataverse:** [Dataset Link](https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/DBW86T)
---
## 📄 Lisans
Bu proje **MIT Lisansı** altında lisanslanmıştır. Detaylar için [LICENSE](LICENSE) dosyasına bakın.
MIT License
Copyright (c) 2024 CutisAI Team
Permission is hereby granted, free of charge, to any person obtaining a copy of this software and associated documentation files (the "Software"), to deal in the Software without restriction, including without limitation the rights to use, copy, modify, merge, publish, distribute, sublicense, and/or sell copies of the Software, and to permit persons to whom the Software is furnished to do so, subject to the following conditions:
The above copyright notice and this permission notice shall be included in all copies or substantial portions of the Software.
THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE SOFTWARE.
---
## 📞 İletişim
### 👥 Takım İletişim
- **Scrum Master:** Erdoğan Başer
- 📧 Email: eb.baser@gmail.com
- 🐱 GitHub: [@erdogan-baser](https://github.com/Porphyri0n)
- **ML Developer:** Emir Ayyıldız
- 📧 Email: emirayyildiz164@gmail.com
- 🐱 GitHub: [@emir-ayyildiz](https://github.com/emirayyildiz1)
- **Backend Developer:** Eminenur Yıldız
- 📧 Email: weminenur@gmail.com
- 🐱 GitHub: [@eminenur-yildiz](https://github.com/weminemi)
- **Backend Developer:** Gizem Erpek
- 📧 Email: gizemerpek05@gmail.com
- 🐱 GitHub: [@gizem-erpek](https://github.com/gizemerpek)
### 🏢 Proje İletişim
- **Repository:** [https://github.com/CutisAI/DermaCheck](https://github.com/CutisAI/DermaCheck)
---
<div align="center">
## ⭐ Projeyi Beğendiyseniz Star Vermeyi Unutmayın!
**🚀 Birlikte daha sağlıklı bir gelecek inşa ediyoruz!**
---
**Made with ❤️ by CutisAI Team**
</div>