is-ohm-model

📌 Overview

is-ohm-model เป็นโมเดล Machine Learning ที่ใช้ Pre-trained ResNet50 (ImageNet) ในการจำแนกภาพว่าเป็น "โอม" หรือไม่ โดยใช้ PyTorch และสามารถใช้งานผ่าน API ที่พัฒนาโดย FastAPI

---

📂 Project Structure

is-ohm-model/
│── data/                          # เก็บรูปภาพทั้งหมด
│   ├── train/
│   │   ├── ohm/                   # รูปของ "โอม" (Positive Class)
│   │   ├── not_ohm/               # รูปของคนอื่น (Negative Class)
│   ├── val/
│   │   ├── ohm/
│   │   ├── not_ohm/
│
│── models/                        # เก็บโมเดลที่ฝึกเสร็จ
│   ├── resnet50_ohm.pth           # ไฟล์ weights ที่ถูกฝึกแล้ว
│
│── scripts/                        # โค้ดหลักของโปรเจค
│   ├── train.py                    # ไฟล์สำหรับฝึกโมเดล
│   ├── infer.py                    # ทำนายผลจากโมเดล
│   ├── utils.py                    # ฟังก์ชันช่วยต่าง ๆ
│
│── api.py                          # FastAPI สำหรับให้บริการ inference
│── requirements.txt                 # รายการ dependencies
│── README.md                        # คำอธิบายโปรเจค

---

⚙️ Installation

1️⃣ ติดตั้ง Dependencies

pip install -r requirements.txt

หากใช้ GPU NVIDIA ให้ติดตั้ง Torch เวอร์ชันที่รองรับ:

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

2️⃣ เตรียม Dataset

• วางภาพไว้ที่ data/train/ และ data/val/
• ไฟล์รูปต้องอยู่ภายใต้โฟลเดอร์ ohm/ และ not_ohm/

---

🚀 Training the Model

รันคำสั่งนี้เพื่อฝึกโมเดล:

python scripts/train.py

เมื่อฝึกเสร็จ โมเดลจะถูกบันทึกไว้ที่ models/resnet50_ohm.pth

---

🔍 Inference (Prediction)

1️⃣ รันคำสั่งผ่าน CLI

python scripts/infer.py data/val/ohm/test1.jpg

2️⃣ ใช้ API ผ่าน FastAPI

รัน API:

uvicorn api:app --host 0.0.0.0 --port 8000

ทดสอบ API ด้วย cURL:

curl -X 'POST' 'http://localhost:8000/predict/' -F 'file=@test.jpg'

ตัวอย่าง Response:

{
  "prediction": "Ohm"
}

---

🎯 Next Steps

• ✅ ปรับปรุง Data Augmentation ให้ดียิ่งขึ้น
• ✅ ทดลองใช้โมเดล EfficientNet / ViT
• ✅ พัฒนา Web UI สำหรับอัปโหลดและทำนายผล

หากมีคำถามหรือข้อเสนอแนะ สามารถติดต่อได้! 🚀