Create app.py

app.py

@@ -0,0 +1,53 @@
+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()