Upload app_py.py

app_py.py

@@ -0,0 +1,62 @@
+# -*- coding: utf-8 -*-
+"""app.py
+
+Automatically generated by Colab.
+
+Original file is located at
+    https://colab.research.google.com/drive/1J1hXUB5eoxFBDoclJh3sO2ehEIFKr3Pw
+"""
+
+import gradio as gr
+import tensorflow as tf
+import numpy as np
+from PIL import Image
+
+# ขนาดภาพที่ใช้ในโมเดล
+IMG_SIZE = (224, 224)
+
+# สร้าง Dictionary ที่เก็บชื่อโมเดลและ path ไฟล์ .h5
+model_paths = {
+    "Custom CNN": "Custom_CNN_model.h5",
+    "VGG16": "VGG16_model.h5",
+    "ResNet50": "ResNet50_model.h5"
+}
+
+# ฟังก์ชันเตรียมข้อมูลภาพ
+def preprocess_image(image):
+    image = image.resize(IMG_SIZE)  # Resize
+    image = np.array(image) / 255.0  # Normalize
+    image = np.expand_dims(image, axis=0)  # เพิ่ม batch dimension
+    return image
+
+# ฟังก์ชันทำนาย โดยเลือกโมเดล
+def predict_with_model(image, model_name):
+    # โหลดโมเดลที่เลือก
+    model = tf.keras.models.load_model(model_paths[model_name])
+
+    # เตรียมภาพ
+    processed_image = preprocess_image(image)
+
+    # ทำนายผล
+    prediction = model.predict(processed_image)[0][0]  # ได้ค่าความน่าจะเป็น
+    class_name = "Stroke" if prediction > 0.5 else "Non-Stroke"
+    confidence = round(float(prediction if prediction > 0.5 else 1 - prediction) * 100, 2)
+
+    # คืนผลลัพธ์
+    return f"\n\n🧠 Prediction Result\n---------------------------\nClass: {class_name}\nConfidence: {confidence}%"
+
+# Gradio Interface
+interface = gr.Interface(
+    fn=predict_with_model,
+    inputs=[
+        gr.Image(type="pil", label="🖼️ Upload Face Image"),
+        gr.Dropdown(choices=["Custom CNN", "VGG16", "ResNet50"], label="📊 Select Model to Classify")
+    ],
+    outputs=gr.Textbox(label="📝 Prediction Output", lines=5),  # ช่อง Output ใหญ่ขึ้น
+    title="🧠 Stroke Face Classification",
+    description="Upload a face image to predict whether the person has stroke or not. Select model to classify. The output will show the prediction result clearly."
+)
+
+# Run app
+if __name__ == "__main__":
+    interface.launch()