Update app.py

app.py

@@ -3,17 +3,14 @@ from PIL import Image
 import gradio as gr
 from transformers import AutoImageProcessor, ResNetForImageClassification
 
-# โหลดโมเดล ResNet-50
+# โหลดโมเดล
 model_name = "microsoft/resnet-50"
 model = ResNetForImageClassification.from_pretrained(model_name)
 processor = AutoImageProcessor.from_pretrained(model_name)
 
-# จำลอง label BMI category
-bmi_labels = ["Underweight", "Normal", "Overweight", "Obese"]
-
-# ตัวอย่าง logic จำแนกเบื้องต้นโดย mapping จาก class id (mock-up logic)
+# Mock-up: แมป class_id ไปยัง BMI category
 def map_to_bmi(class_id):
-    if class_id < 250:      # สุ่ม logic สำหรับ demo
+    if class_id < 250:
         return "Underweight"
     elif class_id < 500:
         return "Normal"
@@ -22,22 +19,34 @@ def map_to_bmi(class_id):
     else:
         return "Obese"
 
-# ฟังก์ชันหลัก
-def predict_bmi(image):
+# Mock-up: แมป class_id ไปยัง Body Type
+def map_to_body_type(class_id):
+    if class_id % 3 == 0:
+        return "Ectomorph (ผอมเพรียว)"
+    elif class_id % 3 == 1:
+        return "Mesomorph (สมส่วน/ล่ำ)"
+    else:
+        return "Endomorph (ล่ำอวบ)"
+
+# ฟังก์ชันประมวลผลภาพ
+def analyze_image(image):
     inputs = processor(images=image, return_tensors="pt")
     with torch.no_grad():
         logits = model(**inputs).logits
     class_id = logits.argmax(-1).item()
-    bmi_category = map_to_bmi(class_id)
-    return f"Estimated Body Type (BMI category): {bmi_category}"
+    
+    bmi = map_to_bmi(class_id)
+    body_type = map_to_body_type(class_id)
+    
+    return f"🧍 Body Type: {body_type}\n📏 BMI Category: {bmi}"
 
-# Gradio UI
+# Gradio Interface
 demo = gr.Interface(
-    fn=predict_bmi,
+    fn=analyze_image,
     inputs=gr.Image(type="pil"),
     outputs="text",
-    title="BMI Estimator (Demo with ResNet-50)",
-    description="จำแนกรูปร่างตามลักษณะ BMI ด้วย ResNet-50 (Demo Simulation)"
+    title="BMI + Body Type Estimator (Demo)",
+    description="วิเคราะห์ BMI และลักษณะรูปร่างจากภาพถ่ายด้วย ResNet-50 (จำลอง)"
 )
 
 demo.launch()