Delete app.py

app.py

@@ -1,53 +0,0 @@
-import gradio as gr
-from transformers import AutoImageProcessor, AutoModelForImageClassification
-from PIL import Image
-import torch
-
-# โมเดล ViT ตัวอย่าง
-model_name = "google/vit-base-patch16-224"
-processor = AutoImageProcessor.from_pretrained(model_name)
-model = AutoModelForImageClassification.from_pretrained(model_name)
-
-# ชื่ออวัยวะ + คำอธิบาย
-organ_labels = ["สมอง", "หัวใจ", "ปอด", "ตับ", "ไต", "กระเพาะอาหาร", "ลำไส้", "ตา", "มือ", "เท้า"]
-organ_descriptions = {
-    "สมอง": "ศูนย์ควบคุมร่างกายและความคิด",
-    "หัวใจ": "สูบฉีดเลือดไปทั่วร่างกาย",
-    "ปอด": "แลกเปลี่ยนออกซิเจนและคาร์บอนไดออกไซด์",
-    "ตับ": "กรองสารพิษและผลิตน้ำดี",
-    "ไต": "กรองของเสียและสร้างปัสสาวะ",
-    "กระเพาะอาหาร": "ย่อยอาหารโดยใช้กรดและเอนไซม์",
-    "ลำไส้": "ดูดซึมสารอาหารเข้าสู่ร่างกาย",
-    "ตา": "อวัยวะรับภาพและแสง",
-    "มือ": "ใช้จับและสัมผัสวัตถุ",
-    "เท้า": "รองรับน้ำหนักและเคลื่อนที่"
-}
-
-def classify_organ(image):
-    image = Image.fromarray(image)
-    inputs = processor(images=image, return_tensors="pt")
-    with torch.no_grad():
-        outputs = model(**inputs)
-        probs = torch.nn.functional.softmax(outputs.logits, dim=-1)
-        top_probs, top_indices = torch.topk(probs, 3)
-    
-    results = {}
-    for j, i in enumerate(top_indices[0]):
-        organ_name = organ_labels[i.item() % len(organ_labels)]
-        confidence = float(top_probs[0][j])
-        description = organ_descriptions.get(organ_name, "ไม่มีคำอธิบาย")
-        results[f"{organ_name} ({confidence:.2f})"] = description
-    
-    return results
-
-# Gradio interface
-app = gr.Interface(
-    fn=classify_organ,
-    inputs=gr.Image(type="numpy", label="📸 อัปโหลดภาพอวัยวะ"),
-    outputs=gr.Label(num_top_classes=3, label="ผลลัพธ์จาก AI"),
-    title="🧠 AI จำแนกอวัยวะในร่างกายพร้อมคำอธิบาย",
-    description="อัปโหลดภาพอวัยวะ แล้ว AI จะบอกว่าเป็นส่วนไหน พร้อมคำอธิบายสั้น ๆ"
-)
-
-if __name__ == "__main__":
-    app.launch()