Uygulamayı
Konteynere Taşıyoruz

FastAPI · MobileNetV2 · Docker Build & Run · Ölçekleme

Bugün Ne Yapacağız?

{
  "dosya": "kedi.jpg",
  "tahminler": [
    {"sinif": "Egyptian Cat",
     "guven": 87.3},
    {"sinif": "Tabby",
     "guven": 8.1}
  ]
}

Uygulama: Görüntü Sınıflandırma

GitHub Repo Yapısı

image-classifier-api/
│
├── app/
│   ├── __init__.py
│   ├── main.py    ← FastAPI app
│   └── model.py   ← ML tahmin
│
├── requirements.txt
├── Dockerfile
├── docker-compose.yml
└── README.md

app/main.py

from fastapi import FastAPI, UploadFile, File, HTTPException
from PIL import Image
import io
from app.model import predict_image

app = FastAPI(title="Görüntü Sınıflandırma API")

@app.post("/predict")
async def predict(file: UploadFile = File(...)):
    if not file.content_type.startswith("image/"):
        raise HTTPException(status_code=400, detail="Sadece resim dosyası kabul edilir")

    contents = await file.read()
    image = Image.open(io.BytesIO(contents))
    tahminler = predict_image(image)
    return {"dosya": file.filename, "tahminler": tahminler}

@app.get("/health")
async def health():
    return {"durum": "çalışıyor"}

app/model.py

from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.applications.mobilenet_v2 import (
    preprocess_input, decode_predictions
)
import numpy as np

_model = None  # Singleton — bir kere yükle

def _get_model():
    global _model
    if _model is None:
        _model = MobileNetV2(weights="imagenet")
    return _model

def predict_image(image, top_k=3):
    model = _get_model()
    img = image.convert("RGB").resize((224, 224))
    arr = np.expand_dims(np.array(img, dtype=np.float32), axis=0)
    arr = preprocess_input(arr)
    preds = model.predict(arr, verbose=0)
    return [{"sinif": l, "guven": round(s*100,2)} for _,l,s in decode_predictions(preds,top_k)[0]]

Dockerfile — Adım Adım

FROM python:3.11-slim

WORKDIR /app

# Sistem paketleri (Pillow için)
RUN apt-get update && apt-get install -y \
    libglib2.0-0 libgl1-mesa-glx \
    && rm -rf /var/lib/apt/lists/*

# Önce bağımlılıklar (cache!)
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# Model ağırlıklarını build'de indir
RUN python -c "from tensorflow.keras.applications \
    import MobileNetV2; MobileNetV2(weights='imagenet')"

# Uygulama kodu (en sona — sık değişir)
COPY app/ app/

EXPOSE 8000
CMD ["uvicorn", "app.main:app",
     "--host", "0.0.0.0", "--port", "8000"]

Dockerfile vs Docker Compose

docker build & docker run

docker build -t image-classifier:v1 .

# İlk build: ~15-20 dk (TF indirme)
# Sonraki build: ~30 saniye (cache)

# Boyutu kontrol et
docker images image-classifier

docker run -d \
  -p 8000:8000 \
  --name classifier \
  image-classifier:v1

# Log takibi
docker logs -f classifier

# Tarayıcıda aç
# http://localhost:8000/docs

# Curl ile test
curl -X POST http://localhost:8000/predict \
  -F "[email protected]"

Container Komutları

# Çalışan containerlar
docker ps

# Tüm containerlar (durmuş dahil)
docker ps -a

# Canlı CPU / RAM kullanımı
docker stats classifier

# Log takibi
docker logs -f classifier

# Container içine gir
docker exec -it classifier bash

# İçeride
ls /app          # dosyaları gör
python --version # Python'u doğrula
exit

# Tam metadata (IP, portlar, mount)
docker inspect classifier

# Durdur
docker stop classifier

# Sil
docker rm classifier

# Tüm çalışanları durdur
docker stop $(docker ps -q)

# Tüm durmuşları sil
docker rm $(docker ps -aq)

# Kullanılmayan her şeyi temizle
docker system prune

Swagger UI ile Test

{
  "dosya": "kedi.jpg",
  "tahminler": [
    {
      "sinif": "Egyptian Cat",
      "guven_yuzdesi": 87.34
    },
    {
      "sinif": "Tabby",
      "guven_yuzdesi": 8.12
    },
    {
      "sinif": "Tiger Cat",
      "guven_yuzdesi": 4.54
    }
  ]
}

Kriz Senaryosu

docker run -d -p 8001:8000 image-classifier:v1
docker run -d -p 8002:8000 image-classifier:v1
docker run -d -p 8003:8000 image-classifier:v1

docker run vs docker compose

Docker Compose ile Ölçekleme

services:
  api:
    build: .
    expose:
      - "8000"   # ports değil expose

  nginx:
    image: nginx:alpine
    ports:
      - "80:80"
    depends_on:
      - api

# 3 API instance:
docker compose up --scale api=3 -d