Update README.md

README.md

@@ -1,22 +1,25 @@
 ---
+language:
+- en
+- th
 license: mit
-base_model: google/efficientnet-b0
+library_name: keras
 tags:
 - medical
 - mri
 - brain-tumor-detection
 - computer-vision
-- image-classification
 - tensorflow
-- keras
 pipeline_tag: image-classification
-library_name: keras
+base_model: google/efficientnet-b0
 ---
 
 # 🧠 Brain Tumor MRI Classification Model (Fine-Tuned EfficientNetB0)
 
 This model is a fine-tuned version of **EfficientNetB0** trained to classify Brain Tumor types from MRI images into 4 distinct classes.
 
+---
+
 ## 📋 Model Overview
 
 - **Base Architecture:** EfficientNetB0 (Pre-trained on ImageNet)
@@ -24,6 +27,8 @@ This model is a fine-tuned version of **EfficientNetB0** trained to classify Bra
 - **Input Image Size:** 224 x 224 x 3
 - **Framework:** TensorFlow 2.x / Keras
 
+---
+
 ## 🏷️ Target Classes
 
 1. **Glioma Tumor**
@@ -31,6 +36,62 @@ This model is a fine-tuned version of **EfficientNetB0** trained to classify Bra
 3. **No Tumor**
 4. **Pituitary Tumor**
 
+---
+
+## 🇹🇭 คู่มือการใช้งานและการติดตั้ง (Thai Guide)
+
+### 🛠️ 1. การติดตั้งไลบรารีที่จำเป็น (Installation)
+ก่อนเริ่มใช้งาน คุณจำเป็นต้องติดตั้งไลบรารีพื้นฐานด้วยคำสั่งนี้ใน Terminal หรือ Command Prompt:
+
+```bash
+pip install tensorflow pillow requests numpy
+
+🚀 2. โค้ดตัวอย่างการโหลดโมเดลและพยากรณ์รูปภาพ (Usage Example)
+import numpy as np
+import tensorflow as tf
+from PIL import Image
+from tensorflow.keras.applications import EfficientNetB0
+from tensorflow.keras.layers import Dense, GlobalAveragePooling2D, Dropout, BatchNormalization
+from tensorflow.keras.models import Model
+from huggingface_hub import hf_hub_download
+
+# 1. นิยามโครงสร้างโมเดล (Model Architecture)
+base_model = EfficientNetB0(weights=None, include_top=False, input_shape=(224, 224, 3))
+x = base_model.output
+x = GlobalAveragePooling2D()(x)
+x = BatchNormalization()(x)
+x = Dense(256, activation='relu')(x)
+x = Dropout(0.4)(x)
+outputs = Dense(4, activation='softmax')(x)
+
+model = Model(inputs=base_model.input, outputs=outputs)
+
+# 2. ดาวน์โหลดและโหลดน้ำหนักโมเดลจาก Hugging Face
+model_path = hf_hub_download(repo_id="starpreeda/BrainTumorTest", filename="efficientnetb0_finetuned_brain_mri.keras")
+model.load_weights(model_path)
+
+# 3. กำหนดรายชื่อคลาส
+class_names = ['Glioma', 'Meningioma', 'No Tumor', 'Pituitary']
+
+# 4. ฟังก์ชันสำหรับเตรียมรูปภาพและพยากรณ์ผล
+def predict_mri(image_path):
+    img = Image.open(image_path).convert('RGB')
+    img = img.resize((224, 224))
+    img_array = np.array(img, dtype=np.float32)
+    img_array = np.expand_dims(img_array, axis=0)  # เพิ่ม Batch Dimension
+    
+    predictions = model.predict(img_array)
+    predicted_class = class_names[np.argmax(predictions[0])]
+    confidence = np.max(predictions[0]) * 100
+    
+    return predicted_class, confidence
+
+# ตัวอย่างการเรียกใช้งาน:
+# class_label, conf = predict_mri("path/to/your/mri_scan.jpg")
+# print(f"ผลการทำนาย: {class_label} ({conf:.2f}%)")
+
+
+
 ## ⚙️ Training Details & Hyperparameters
 
 - **Optimizer:** Adam (Learning Rate = `1e-4`)