Update app.py

app.py

@@ -4,41 +4,42 @@ import gradio as gr
 from transformers import AutoTokenizer, AutoModelForSequenceClassification
 import torch
 
-# โหลดโมเดล transformers ภาษาไทย สำหรับ text classification (ตัวอย่างใช้ WangchanBERT)
+# โหลดโมเดล transformers ภาษาไทย (WangchanBERT) พร้อมตั้ง use_fast=False
 model_name = "airesearch/wangchanberta-base-att-spm-uncased"
-tokenizer = AutoTokenizer.from_pretrained(model_name)
+tokenizer = AutoTokenizer.from_pretrained(model_name, use_fast=False)
 model = AutoModelForSequenceClassification.from_pretrained(model_name)
 
-# ฟังก์ชัน OCR + วิเคราะห์ข้อความ
 def ocr_and_classify(image):
-    # OCR อ่านข้อความจากภาพ (ตั้งภาษาไทย + อังกฤษ)
+    # OCR อ่านข้อความจากภาพ ภาษาไทย+อังกฤษ
     text = pytesseract.image_to_string(image, lang="tha+eng")
     
     if not text.strip():
         return "❌ ไม่พบข้อความในภาพ"
     
-    # เตรียม input สำหรับ transformers
+    # Tokenize ข้อความเพื่อส่งเข้าโมเดล
     inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True)
     outputs = model(**inputs)
     
-    # แปลง logits เป็น probabilities และเลือกคลาสที่มีคะแนนสูงสุด
+    # แปลง logits เป็น probabilities และหา class ที่มีคะแนนสูงสุด
     probs = torch.nn.functional.softmax(outputs.logits, dim=-1)
     pred_class_idx = torch.argmax(probs).item()
     confidence = probs[0][pred_class_idx].item()
 
-    # สำหรับ WangchanBERT ไม่มี label mapping โดยตรง ต้องมี mapping label เอง (สมมติมี 3 คลาส)
-    labels = ["คลาส 0", "คลาส 1", "คลาส 2"]  # แก้ตามโมเดลที่ใช้จริง
-
-    result = f"ข้อความที่อ่านได้:\n{text}\n\nการจำแนกข้อความ:\n{labels[pred_class_idx]} (ความมั่นใจ {confidence:.2%})"
+    # กำหนดชื่อคลาสเอง (ต้องแก้ตามโมเดลจริงที่ใช้)
+    labels = ["คลาส 0", "คลาส 1", "คลาส 2"]  # ตัวอย่าง
+    
+    result = (
+        f"📄 ข้อความที่อ่านได้:\n{text}\n\n"
+        f"📝 การจำแนกข้อความ:\n{labels[pred_class_idx]} (ความมั่นใจ {confidence:.2%})"
+    )
     return result
 
-# สร้าง Gradio UI
 iface = gr.Interface(
     fn=ocr_and_classify,
     inputs=gr.Image(type="pil", label="อัปโหลดภาพสลิปหรือใบเสร็จ"),
     outputs=gr.Textbox(lines=15, label="ผลลัพธ์"),
     title="OCR + วิเคราะห์ข้อความสลิป ด้วย pytesseract + Transformers",
-    description="อ่านข้อความด้วย pytesseract แล้วใช้โมเดล transformers วิเคราะห์ข้อความ"
+    description="อ่านข้อความจากภาพด้วย pytesseract แล้วใช้โมเดล transformers วิเคราะห์ข้อความ"
 )
 
 if __name__ == "__main__":