Update app.py

app.py

@@ -1,17 +1,43 @@
 import tensorflow as tf
 import numpy as np
 from tensorflow.keras.utils import CustomObjectScope
-from transformers import TFAutoModelForSequenceClassification
 from PIL import Image
 import gradio as gr
+import os
+from huggingface_hub import hf_hub_download
 
+# ฟังก์ชันสำหรับคำนวณค่าความแตกต่างแบบสัมบูรณ์
 def absolute_difference(x):
     return tf.abs(x[0] - x[1])
 
-# ตรวจสอบว่าไฟล์อยู่ที่นี่จริง
-with CustomObjectScope({'absolute_difference': absolute_difference}):
-    model = TFAutoModelForSequenceClassification.from_pretrained("Nithikorn/Signature_Detection")
-print("✅ โมเดลโหลดสำเร็จ!")
+# ดาวน์โหลดโมเดลจาก Hugging Face Hub
+def load_model_from_hub():
+    try:
+        print("กำลังดาวน์โหลดโมเดลจาก Hugging Face Hub...")
+        model_path = hf_hub_download(
+            repo_id="Nithikorn/Signature_Detection",
+            filename="final_signature_model1.keras" 
+        )
+        
+        print(f"✅ ดาวน์โหลดโมเดลสำเร็จที่: {model_path}")
+        
+        # โหลดโมเดลด้วย CustomObjectScope
+        with CustomObjectScope({'absolute_difference': absolute_difference}):
+            model = tf.keras.models.load_model(model_path)
+            
+        print("✅ โหลดโมเดลสำเร็จ!")
+        return model
+    except Exception as e:
+        print(f"❌ เกิดข้อผิดพลาดในการโหลดโมเดล: {str(e)}")
+        raise e
+
+# โหลดโมเดล
+try:
+    model = load_model_from_hub()
+except Exception as e:
+    print(f"❌ ไม่สามารถโหลดโมเดลได้: {str(e)}")
+    # สร้างโมเดลว่างไว้ก่อนเพื่อให้โค้ดรันต่อไปได้ แต่จะแสดงข้อความแจ้งเตือนเมื่อมีการใช้งาน
+    model = None
 
 def preprocess_image(image):
     image = image.convert("RGB")  # แปลงเป็น RGB
@@ -27,15 +53,18 @@ def predict_signature(image1, image2):
     if image1 is None or image2 is None:
         print("ไม่พบรูปภาพ")
         return "❌ กรุณาอัปโหลดภาพทั้งสองภาพ"
+    
+    if model is None:
+        return "❌ ไม่สามารถโหลดโมเดลได้ กรุณาตรวจสอบว่าได้อัปโหลดโมเดลไปยัง Hugging Face Hub แล้ว"
         
     try:
         print("กำลังประมวลผลรูปภาพที่ 1...")
-        image1 = preprocess_image(image1)
+        img1_processed = preprocess_image(image1)
         print("กำลังประมวลผลรูปภาพที่ 2...")
-        image2 = preprocess_image(image2)
+        img2_processed = preprocess_image(image2)
         
         print("กำลังส่งข้อมูลเข้าโมเดล...")
-        prediction = model.predict([image1, image2], verbose=1)  # เพิ่ม verbose=1
+        prediction = model.predict([img1_processed, img2_processed])
         
         print(f"ได้รับผลลัพธ์: {prediction}, รูปร่าง: {prediction.shape}")
         
@@ -53,7 +82,7 @@ def predict_signature(image1, image2):
         result = "✅ ลายเซ็นเป็นของจริง" if prediction_value >= threshold else "❌ ลายเซ็นเป็นของปลอม"
         
         print(f"ผลลัพธ์การตรวจสอบ: {result}")
-        return f"Similarity Score: {prediction_value:.4f}\n{result}"
+        return f"คะแนนความเหมือน: {prediction_value:.4f}\n{result}"
         
     except Exception as e:
         print(f"เกิดข้อผิดพลาด: {str(e)}")
@@ -61,16 +90,18 @@ def predict_signature(image1, image2):
         traceback.print_exc()  # แสดงรายละเอียดของข้อผิดพลาดทั้งหมด
         return f"❌ เกิดข้อผิดพลาด: {str(e)}"
 
+# สร้าง Gradio UI
 with gr.Blocks() as demo:
-    gr.Markdown("# 🖊 Signature Verification")
-
+    gr.Markdown("# 🖊 ระบบตรวจสอบลายเซ็น")
+    
     with gr.Row():
         img1 = gr.Image(type="pil", label="ลายเซ็นที่ 1", show_label=True)
         img2 = gr.Image(type="pil", label="ลายเซ็นที่ 2", show_label=True)
-
+    
     btn_predict = gr.Button("ตรวจสอบความถูกต้อง")
     output = gr.Textbox(label="ผลลัพธ์")
-
+    
     btn_predict.click(predict_signature, inputs=[img1, img2], outputs=output)
 
-demo.launch(share=True, debug=True)
+# รัน Gradio app
+demo.launch()