create app.py to BMI

app.py

@@ -0,0 +1,84 @@
+import torch
+import cv2
+import numpy as np
+from PIL import Image
+import gradio as gr
+from ultralytics import YOLO
+from transformers import AutoImageProcessor, ResNetForImageClassification
+
+# โหลด YOLOv8 โมเดลสำหรับตรวจจับบุคคล
+yolo_model = YOLO("yolov8n.pt")  # ใช้เวอร์ชันเล็ก (nano)
+
+# โหลด ResNet-50 สำหรับจำแนกภาพ
+resnet_model_name = "microsoft/resnet-50"
+resnet_model = ResNetForImageClassification.from_pretrained(resnet_model_name)
+processor = AutoImageProcessor.from_pretrained(resnet_model_name)
+
+# ฟังก์ชันสำหรับ mapping class_id → BMI
+def map_to_bmi(class_id):
+    if class_id < 250:
+        return "Underweight"
+    elif class_id < 500:
+        return "Normal"
+    elif class_id < 750:
+        return "Overweight"
+    else:
+        return "Obese"
+
+# ฟังก์ชันสำหรับ mapping class_id → 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)"
+
+# ฟังก์ชันตรวจจับและครอบตัดบุคคล
+def detect_and_crop_person(image_np):
+    results = yolo_model(image_np)
+
+    for result in results:
+        for box in result.boxes:
+            class_id = int(box.cls)
+            if yolo_model.names[class_id] == 'person':
+                x1, y1, x2, y2 = map(int, box.xyxy[0])
+                cropped = image_np[y1:y2, x1:x2]
+                cropped_rgb = cv2.cvtColor(cropped, cv2.COLOR_BGR2RGB)
+                return Image.fromarray(cropped_rgb)
+    return None
+
+# ฟังก์ชันหลักสำหรับ Gradio
+def process_image(image):
+    # Convert PIL to numpy
+    image_np = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR)
+    
+    # ตรวจจับและครอบตัดบุคคล
+    cropped = detect_and_crop_person(image_np)
+    if cropped is None:
+        return "⚠️ ไม่พบบุคคลในภาพ"
+
+    # วิเคราะห์ด้วย ResNet
+    inputs = processor(images=cropped, return_tensors="pt")
+    with torch.no_grad():
+        logits = resnet_model(**inputs).logits
+    class_id = logits.argmax(-1).item()
+
+    # แมปผลลัพธ์
+    bmi = map_to_bmi(class_id)
+    body_type = map_to_body_type(class_id)
+    label = resnet_model.config.id2label[class_id]
+
+    return f"📷 ResNet Label: {label}\n🧍 Body Type: {body_type}\n📏 BMI Category: {bmi}"
+
+# สร้าง Gradio Interface
+demo = gr.Interface(
+    fn=process_image,
+    inputs=gr.Image(type="pil"),
+    outputs="text",
+    title="BMI + Body Type Estimator (with YOLOv8)",
+    description="วิเคราะห์ BMI และลักษณะรูปร่างจากภาพถ่าย โดยใช้ YOLOv8 สำหรับตรวจจับบุคคล และ ResNet-50 สำหรับวิเคราะห์"
+)
+
+if __name__ == "__main__":
+    demo.launch()