Upload app.py

app.py

@@ -25,7 +25,7 @@ model_paths = {
 # ฟังก์ชันเตรียมข้อมูลภาพ (และคืนภาพที่ resize แล้ว)
 def resize_image(image):
     image = image.resize(IMG_SIZE)  # Resize เป็น 224x224
-    return image  # คืนภาพเพื่อแสดงต่อ
+    return image  # คืนภาพเพื่อแสดงต่อ (ช่องเดียวกัน)
 
 # ฟังก์ชันทำนาย โดยใช้ภาพที่ resize แล้ว
 def predict_with_model(resized_image, model_name):
@@ -45,28 +45,27 @@ def predict_with_model(resized_image, model_name):
     result_text = f"\n\n🧠 Prediction Result\n---------------------------\nClass: {class_name}\nConfidence: {confidence}%"
     return result_text
 
-# สร้าง Gradio Blocks แบบ 2 ขั้นตอน
+# สร้าง Gradio Interface แบบไม่มีช่องแยก
 with gr.Blocks() as demo:
     gr.Markdown("# 🧠 Stroke Face Classification App")
-    gr.Markdown("Upload a face image. The image will be resized to 224x224 automatically. Then, select a model to classify.")
+    gr.Markdown("Upload a face image. The image will be automatically resized to 224x224 and shown here. Then, select a model to classify.")
 
     with gr.Row():
         with gr.Column():
-            image_input = gr.Image(type="pil", label="🖼️ Upload Face Image")
+            image_input = gr.Image(type="pil", label="🖼️ Upload & Auto Resize Face Image (224x224)")
             model_selector = gr.Dropdown(choices=["Custom CNN", "VGG16", "ResNet50"], label="📊 Select Model to Classify")
             predict_button = gr.Button("🚀 Predict Stroke")
 
         with gr.Column():
-            resized_image_output = gr.Image(label="🖼️ Resized Image (224x224)")
             output_text = gr.Textbox(label="📝 Prediction Output", lines=5)
 
-    # เมื่ออัปโหลดรูปแล้ว resize ทันที
-    image_input.change(resize_image, inputs=image_input, outputs=resized_image_output)
+    # เมื่ออัปโหลดรูปแล้ว resize และแสดงแทนที่เดิมทันที
+    image_input.upload(resize_image, inputs=image_input, outputs=image_input)
 
     # เมื่อกดปุ่ม Predict ใช้ภาพที่ resize แล้วไปทำนาย
     predict_button.click(
         predict_with_model,
-        inputs=[resized_image_output, model_selector],
+        inputs=[image_input, model_selector],
         outputs=output_text
     )