Update app.py

app.py

@@ -1,348 +1,10 @@
-# app.py
-import os, csv, random
-from datetime import datetime
-import numpy as np
-from PIL import Image
-import gradio as gr
-
-# ---- PyTorch / Torchvision (optional) ----
-TORCH_AVAILABLE = True
-try:
-    import torch, torch.nn as nn
-    from torchvision import transforms, models
-except Exception:
-    TORCH_AVAILABLE = False
-
-# ---------- Paths ----------
-IMG_DIR = "durian_images"
-HIS_CSV = "history/history.csv"
-CKPT_PATH = "durian_mnv2_ckpt.pth"  # วางไฟล์น้ำหนักไว้โฟลเดอร์เดียวกับ app.py
-
-os.makedirs(IMG_DIR, exist_ok=True)
-os.makedirs(os.path.dirname(HIS_CSV), exist_ok=True)
-
-# ---------- Labels ----------
-RIPENESS_LABELS = ["อ่อน", "แก่รอสักระยะ", "แก่พร้อมรับประทาน", "สุกงอม"]
-
-# ---------- Caption Variants ----------
-RIPENESS_CAPTION_VARIANTS = {
-    "อ่อน": [
-        [
-            "หนามและพื้นผิวเปลือกคมชัด",
-            "ขั้วผลอยู่กึ่งกลางเฟรม",
-            "ควรรอต่อให้ครบอายุประมาณ 120 วัน",
-            "เนื้อยังไม่แน่น กลิ่นยังไม่ชัด",
-            "ยังไม่เหมาะสำหรับบริโภค"
-        ],
-        [
-            "ผิวเปลือกเขียวเด่นและแข็ง",
-            "มุมภาพเห็นโครงสร้างหนามชัดเจน",
-            "แนะนำให้พักผลต่ออีกระยะจนถึง 120 วัน",
-            "ตอนนี้เนื้อยังไม่พัฒนาเต็มที่",
-            "ไม่แนะนำให้รับประทานทันที"
-        ],
-        [
-            "โครงหนามละเอียด สีผิวยังเขียว",
-            "ก้านและขั้วอยู่ตำแหน่งกึ่งกลางภาพ",
-            "ควรเก็บพักเพื่อให้ความสุกก้าวหน้า",
-            "กลิ่นและรสชาติยังไม่เด่น",
-            "ไม่เหมาะต่อการบริโภคตอนนี้"
-        ],
-        [
-            "พื้นผิวเปลือกแน่นและหนามคม",
-            "องค์ประกอบภาพเน้นขั้วผลตรงกลาง",
-            "รอให้ครบอายุเก็บเกี่ยวประมาณ 120 วัน",
-            "ความแน่นของเนื้อยังไม่ถึงระดับรับประทาน",
-            "ขอแนะนำให้รอต่อ"
-        ],
-    ],
-    "แก่รอสักระยะ": [
-        [
-            "สีผิวเริ่มเขียวปนเหลือง",
-            "สภาพผลคงความแน่น",
-            "ควรพักผลต่อประมาณ 3 ถึง 5 วัน",
-            "เพื่อให้กลิ่นและรสหวานพัฒนา",
-            "ยังไม่เหมาะสำหรับรับประทานทันที"
-        ],
-        [
-            "โทนสีเปลือกเริ่มเปลี่ยนแต่ยังไม่เต็มที่",
-            "หนามทู่ขึ้นเล็กน้อย",
-            "พักผลต่ออีกไม่กี่วัน",
-            "เพื่อให้เนื้อแน่นกำลังดีและกลิ่นชัดขึ้น"
-        ],
-        [
-            "ลักษณะโดยรวมใกล้สุกแต่ยังไม่ถึงจุดเหมาะ",
-            "แนะนำให้วางพักในอุณหภูมิห้อง",
-            "คาดว่าอีก 3 ถึง 7 วันจะพร้อมบริโภค"
-        ],
-        [
-            "สีผิวมีการไล่เฉดชัดกว่าเดิม",
-            "สัญญาณความแก่ปรากฏแต่ยังไม่สุด",
-            "ควรเว้นระยะก่อนบริโภคเพื่อรสชาติที่ดีกว่า"
-        ],
-    ],
-    "แก่พร้อมรับประทาน": [
-        [
-            "สีผิวเขียวปนเหลืองชัดเจน",
-            "หนามไม่แหลมจัด",
-            "เนื้อแน่นละมุน กลิ่นหอมชัด",
-            "เหมาะ���ำหรับบริโภคทันที"
-        ],
-        [
-            "โทนสีและพื้นผิวบ่งชี้ความสุกกำลังดี",
-            "ก้านและขั้วดูแห้งพอเหมาะ",
-            "เปิดผลแล้วควรรับประทานภายใน 1 ถึง 2 วัน"
-        ],
-        [
-            "สมดุลของสีและรูปทรงเข้าระยะพอดี",
-            "ความหวานและกลิ่นพร้อม",
-            "เหมาะทั้งบริโภคสดและจำหน่าย"
-        ],
-        [
-            "เนื้อมีแนวโน้มครีมมี่",
-            "กลิ่นหอมเด่นระดับพอดี",
-            "พร้อมสำหรับการบริโภคทันที"
-        ],
-    ],
-    "สุกงอม": [
-        [
-            "สีผิวเหลืองเข้ม หนามทู่",
-            "เนื้อนิ่ม กลิ่นแรงมาก",
-            "ควรรีบบริโภคหรือแปรรูป",
-            "เหมาะสำหรับผู้ที่ชอบรสจัด"
-        ],
-        [
-            "โทนสีและผิวบ่งชี้ว่าสุกเกินระดับพร้อมทาน",
-            "เสี่ยงนิ่มเละหากพักไว้นาน",
-            "แนะนำทำเมนูแปรรูปทันที"
-        ],
-        [
-            "กลิ่นฉุนชัดเจน",
-            "ความแน่นเนื้อค่อนข้างต่ำ",
-            "เหมาะกับการทำขนมหรือแช่แข็งเก็บ"
-        ],
-        [
-            "สัญญาณการสุกจัดปรากฏชัด",
-            "ควรจัดการภายในวันเดียว",
-            "เพื่อคงคุณภาพและรสชาติ"
-        ],
-    ],
-}
-
-# ---------- ความมั่นใจ (ไม่ปั๊มตัวเลข) ----------
-def adjust_confidence(raw_conf: float) -> float:
-    p = raw_conf if raw_conf > 1 else raw_conf * 100.0
-    return round(max(0.0, min(100.0, p)), 1)
-
-# ---------- บูสต์ความมั่นใจแบบ Sharpening ----------
-def sharpen_prob(p: float, alpha: float = 1.6) -> float:
-    """
-    p' = p^alpha / (p^alpha + (1-p)^alpha), alpha>1 ทำให้ความคมสูงขึ้น
-    """
-    p = float(np.clip(p, 1e-8, 1-1e-8))
-    num = p ** alpha
-    den = num + (1 - p) ** alpha
-    return float(num / den)
-
-# ---------- เลือกแคปชั่น ----------
-def pick_variant(level: str):
-    variants = RIPENESS_CAPTION_VARIANTS.get(level, [[]])
-    return random.choice(variants) if variants else []
-
-def generate_caption(level: str, raw_conf_pct: float) -> str:
-    conf = adjust_confidence(raw_conf_pct)
-    head = f"ทุเรียนระดับ {level} โดยประมาณ (ความมั่นใจ {conf}%)"
-    body_list = pick_variant(level)
-    return " ".join([head] + body_list)
-
-# ---------- Fallback 4-class by color ----------
-def _classify_4class_by_color(img: Image.Image):
-    arr = np.array(img.convert("RGB")).reshape(-1, 3).mean(axis=0)
-    R, G, B = arr
-    score = [G, (R+G)/2, (0.7*R+0.3*G), (0.8*R+0.1*G)]
-    ex = np.exp(np.array(score) / (max(score)+1e-6))
-    probs = ex / ex.sum()
-    idx = int(np.argmax(probs))
-    return idx, probs
-
-# ---------- Model (PyTorch) ----------
-device = torch.device("cuda" if (TORCH_AVAILABLE and torch.cuda.is_available()) else "cpu") if TORCH_AVAILABLE else "cpu"
-idx_to_class = {i: name for i, name in enumerate(RIPENESS_LABELS)}
-model = None
-temperature = 1.0
-
-def _build_model(num_classes=4):
-    m = models.mobilenet_v2(weights=None)
-    in_f = m.classifier[1].in_features
-    m.classifier[1] = nn.Linear(in_f, num_classes)
-    return m
-
-def _load_model():
-    """โหลดโมเดล + mapping จาก ckpt ถ้ามี"""
-    global model, idx_to_class, temperature
-    if not os.path.exists(CKPT_PATH):
-        print(f"[WARN] ckpt not found at {CKPT_PATH}. Use color fallback.")
-        return False
-
-    ckpt = torch.load(CKPT_PATH, map_location=device)
-
-    state = None
-    if isinstance(ckpt, dict):
-        for k in ["state_dict", "model_state_dict", "model"]:
-            if k in ckpt and isinstance(ckpt[k], dict):
-                state = ckpt[k]; break
-        if state is None:
-            if all(hasattr(v, "shape") for v in ckpt.values()):
-                state = ckpt
-    else:
-        print("[WARN] Unknown ckpt format, using fallback.")
-        return False
-
-    model_ = _build_model(num_classes=len(RIPENESS_LABELS))
-    if state is not None:
-        state = {k.replace("module.", ""): v for k, v in state.items()}
-        model_.load_state_dict(state, strict=False)
-    else:
-        return False
-
-    if "class_to_idx" in ckpt and isinstance(ckpt["class_to_idx"], dict):
-        c2i = ckpt["class_to_idx"]
-        idx_to_class = {i: lbl for lbl, i in c2i.items()}
-
-    temperature = float(ckpt.get("temperature", 1.0))
-    model_.to(device).eval()
-    globals()["model"] = model_
-    globals()["idx_to_class"] = idx_to_class
-    globals()["temperature"] = temperature
-    print(f"[OK] Model loaded. Temperature={temperature}. Classes={list(idx_to_class.values())}")
-    return True
-
-MODEL_READY = _load_model() if TORCH_AVAILABLE else False
-
-# Preprocess (เฉพาะเมื่อมี torch)
-if TORCH_AVAILABLE:
-    IM_SIZE = 224
-    _base_tf = transforms.Compose([
-        transforms.Resize((IM_SIZE, IM_SIZE)),
-        transforms.ToTensor(),
-        transforms.Normalize(mean=[0.485,0.456,0.406],
-                             std=[0.229,0.224,0.225]),
-    ])
-
-def _predict_proba_with_model(img: Image.Image):
-    """TTA เบา ๆ : original + flip แล้วเฉลี่ย"""
-    imgs = [img, img.transpose(Image.FLIP_LEFT_RIGHT)]
-    xs = torch.stack([ _base_tf(im) for im in imgs ], dim=0).to(device)
-    with torch.no_grad():
-        logits = model(xs) / temperature
-        probs = torch.softmax(logits, dim=1).mean(dim=0).cpu().numpy()
-    return probs
-
-# ---------- Core inference ----------
-def label_by_idx(i: int) -> str:
-    return idx_to_class.get(i, RIPENESS_LABELS[i])
-
-def infer_ripeness_and_caption(image: Image.Image):
-    if MODEL_READY:
-        probs = _predict_proba_with_model(image)
-        idx = int(np.argmax(probs))
-    else:
-        idx, probs = _classify_4class_by_color(image)
-    label = label_by_idx(idx)
-    raw_conf_pct = float(probs[idx]) * 100.0
-    cap = generate_caption(label, raw_conf_pct)
-    return idx, probs, cap
-
-# ---------- History ----------
-def save_history_row(ts, cls, conf, cap, path):
-    is_new = not os.path.exists(HIS_CSV)
-    with open(HIS_CSV, "a", newline="", encoding="utf-8") as f:
-        w = csv.writer(f)
-        if is_new:
-            w.writerow(["timestamp", "class", "confidence", "caption", "image_path"])
-        w.writerow([ts, cls, conf, cap, path])
-
-def load_history(limit=200):
-    if not os.path.exists(HIS_CSV):
-        return []
-    rows = []
-    with open(HIS_CSV, "r", encoding="utf-8") as f:
-        for r in csv.DictReader(f):
-            rows.append(r)
-    rows = rows[-limit:]
-    return rows[::-1]
-
-# ---------- Gradio handlers ----------
-def analyze(image, alpha, floor_pct, no_boost_if_borderline):
-    if image is None:
-        return "กรุณาอัปโหลดภาพ", "", None, "❌ ไม่มีภาพ"
-    try:
-        idx, probs, caption = infer_ripeness_and_caption(image)
-
-        order = np.argsort(probs)[::-1]
-        top1, top2 = int(order[0]), int(order[1])
-        p1, p2 = float(probs[top1]), float(probs[top2])
-
-        class_name = label_by_idx(top1)
-
-        # ---- ปรับค่าที่จะแสดงผล ----
-        gap = p1 - p2
-        p_display = p1
-        if not (no_boost_if_borderline and gap < 0.15):
-            p_display = sharpen_prob(p1, alpha)
-
-        conf_pct = adjust_confidence(p_display)  # 0..100
-        if gap >= 0.15:  # ไม่ใช่เคสก้ำกึ่ง อนุญาตตั้งขั้นต่ำ
-            conf_pct = max(conf_pct, float(floor_pct))
-
-        conf_str = f"{conf_pct:.1f}%"
-
-        borderline = ""
-        if gap < 0.15:
-            borderline = (f"\n⚠️ ก้ำกึ่งระหว่าง "
-                          f"{label_by_idx(top1)} ({p1*100:.1f}%) และ "
-                          f"{label_by_idx(top2)} ({p2*100:.1f}%)")
-
-        result_text = f"ระดับ: {class_name} (ความมั่นใจ {conf_str}){borderline}"
-
-    except Exception:
-        result_text = "พร้อมรับประทาน(สำรอง) (ความมั่นใจ 100.0%)"
-        caption = "เดโม แบบสำรอง"
-        class_name = "พร้อมรับประทาน(สำรอง)"
-        conf_str = "100.0%"
-
-    ts = datetime.now().strftime("%Y%m%d_%H%M%S")
-    out_path = os.path.join(IMG_DIR, f"durian_{ts}.jpg")
-    try:
-        image.save(out_path, quality=90)
-        save_history_row(datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
-                         class_name, conf_str, caption, out_path)
-    except Exception:
-        pass
-
-    status_text = "✅ เสร็จสิ้น" if MODEL_READY else "ℹ️ ใช้โหมดสำรอง (สี)"
-    return result_text, caption, image, status_text
-
-def show_history():
-    rows = load_history(limit=200)
-    if not rows:
-        return [], "ยังไม่มีประวัติ"
-    imgs, txt = [], []
-    for r in rows:
-        p = r["image_path"]
-        if os.path.exists(p):
-            imgs.append(p)
-        txt.append(f"{r['timestamp']} | {r['class']} ({r['confidence']}) | {r['caption']}")
-    return imgs, "\n".join(txt)
-
-# ---------- UI ----------
 with gr.Blocks(title="Durian Happiness Level") as demo:
     gr.Markdown("## 🌱 Mood4Durian")
 
-    # คอนโทรลปรับความมั่นใจ
+    # ---- คอนโทรลสำหรับความมั่นใจ ----
     with gr.Row():
         alpha = gr.Slider(minimum=1.0, maximum=3.0, step=0.1, value=1.6,
-                          label="α ความคมของความมั่นใจ (สูง = เปอร์เซ็นต์สูงขึ้น)")
+                          label="α ความคมของความมั่นใจ (สูง = แสดงเปอร์เซ็นต์สูงขึ้น)")
         floor_pct = gr.Slider(minimum=0, maximum=100, step=1, value=60,
                               label="ขั้นต่ำแสดงผล (%)")
         no_boost_chk = gr.Checkbox(value=True,
@@ -352,4 +14,21 @@ with gr.Blocks(title="Durian Happiness Level") as demo:
         with gr.Tab("🏠 หน้าหลัก (Home)"):
             with gr.Row():
                 with gr.Column():
-                    img_in = gr.Image(type="pil", label
+                    img_in = gr.Image(type="pil", label="อัปโหลดภาพทุเรียน")
+                    btn = gr.Button("🔄 วิเคราะห์")
+                with gr.Column():
+                    result = gr.Markdown("ผลการวิเคราะห์จะแสดงที่นี่")
+                    caption = gr.Textbox(label="คำบรรยาย Caption (TH)", lines=6)
+                    preview = gr.Image(label="ภาพตัวอย่าง", interactive=False)
+                    status = gr.Markdown()
+
+            # ต่ออินพุตใหม่เข้า analyze
+            btn.click(analyze,
+                      inputs=[img_in, alpha, floor_pct, no_boost_chk],
+                      outputs=[result, caption, preview, status])
+
+        with gr.Tab("📜 ประวัติ (History)"):
+            refresh = gr.Button("รีเฟรชประวัติ")
+            gallery = gr.Gallery(label="ภาพย้อนหลัง", columns=4, height=220)
+            hist_text = gr.Textbox(label="สรุป (ล่าสุดอยู่บน)", lines=10)
+            refresh.click(show_history, outputs=[gallery, hist_text])