{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Απλός Ταξινομητής Εικόνων\n",
    "\n",
    "Αυτό το σημειωματάριο σας δείχνει πώς να ταξινομήσετε εικόνες χρησιμοποιώντας ένα προεκπαιδευμένο νευρωνικό δίκτυο.\n",
    "\n",
    "**Τι θα μάθετε:**\n",
    "- Πώς να φορτώσετε και να χρησιμοποιήσετε ένα προεκπαιδευμένο μοντέλο\n",
    "- Προεπεξεργασία εικόνων\n",
    "- Πραγματοποίηση προβλέψεων σε εικόνες\n",
    "- Κατανόηση βαθμολογιών εμπιστοσύνης\n",
    "\n",
    "**Περίπτωση χρήσης:** Αναγνώριση αντικειμένων σε εικόνες (όπως \"γάτα\", \"σκύλος\", \"αυτοκίνητο\", κλπ.)\n",
    "\n",
    "---\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Βήμα 1: Εισαγωγή Απαραίτητων Βιβλιοθηκών\n",
    "\n",
    "Ας εισάγουμε τα εργαλεία που χρειαζόμαστε. Μην ανησυχείτε αν δεν καταλαβαίνετε όλα αυτά προς το παρόν!\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Core libraries\n",
    "import numpy as np\n",
    "from PIL import Image\n",
    "import requests\n",
    "from io import BytesIO\n",
    "\n",
    "# TensorFlow for deep learning\n",
    "try:\n",
    "    import tensorflow as tf\n",
    "    from tensorflow.keras.applications import MobileNetV2\n",
    "    from tensorflow.keras.applications.mobilenet_v2 import preprocess_input, decode_predictions\n",
    "    print(\"✅ TensorFlow loaded successfully!\")\n",
    "    print(f\"   Version: {tf.__version__}\")\n",
    "except ImportError:\n",
    "    print(\"❌ Please install TensorFlow: pip install tensorflow\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Βήμα 2: Φόρτωση Προ-εκπαιδευμένου Μοντέλου\n",
    "\n",
    "Θα χρησιμοποιήσουμε το **MobileNetV2**, ένα νευρωνικό δίκτυο που έχει ήδη εκπαιδευτεί σε εκατομμύρια εικόνες.\n",
    "\n",
    "Αυτό ονομάζεται **Μεταφορά Μάθησης** - χρήση ενός μοντέλου που έχει εκπαιδευτεί από κάποιον άλλον!\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "print(\"📦 Loading pre-trained MobileNetV2 model...\")\n",
    "print(\"   This may take a minute on first run (downloading weights)...\")\n",
    "\n",
    "# Load the model\n",
    "# include_top=True means we use the classification layer\n",
    "# weights='imagenet' means it was trained on ImageNet dataset\n",
    "model = MobileNetV2(weights='imagenet', include_top=True)\n",
    "\n",
    "print(\"✅ Model loaded!\")\n",
    "print(f\"   The model can recognize 1000 different object categories\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Βήμα 3: Βοηθητικές Συναρτήσεις\n",
    "\n",
    "Ας δημιουργήσουμε συναρτήσεις για τη φόρτωση και την προετοιμασία εικόνων για το μοντέλο μας.\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "def load_image_from_url(url):\n",
    "    \"\"\"\n",
    "    Load an image from a URL.\n",
    "    \n",
    "    Args:\n",
    "        url: Web address of the image\n",
    "        \n",
    "    Returns:\n",
    "        PIL Image object\n",
    "    \"\"\"\n",
    "    response = requests.get(url)\n",
    "    img = Image.open(BytesIO(response.content))\n",
    "    return img\n",
    "\n",
    "\n",
    "def prepare_image(img):\n",
    "    \"\"\"\n",
    "    Prepare an image for the model.\n",
    "    \n",
    "    Steps:\n",
    "    1. Resize to 224x224 (model's expected size)\n",
    "    2. Convert to array\n",
    "    3. Add batch dimension\n",
    "    4. Preprocess for MobileNetV2\n",
    "    \n",
    "    Args:\n",
    "        img: PIL Image\n",
    "        \n",
    "    Returns:\n",
    "        Preprocessed image array\n",
    "    \"\"\"\n",
    "    # Resize to 224x224 pixels\n",
    "    img = img.resize((224, 224))\n",
    "    \n",
    "    # Convert to numpy array\n",
    "    img_array = np.array(img)\n",
    "    \n",
    "    # Add batch dimension (model expects multiple images)\n",
    "    img_array = np.expand_dims(img_array, axis=0)\n",
    "    \n",
    "    # Preprocess for MobileNetV2\n",
    "    img_array = preprocess_input(img_array)\n",
    "    \n",
    "    return img_array\n",
    "\n",
    "\n",
    "def classify_image(img):\n",
    "    \"\"\"\n",
    "    Classify an image and return top predictions.\n",
    "    \n",
    "    Args:\n",
    "        img: PIL Image\n",
    "        \n",
    "    Returns:\n",
    "        List of (class_name, confidence) tuples\n",
    "    \"\"\"\n",
    "    # Prepare the image\n",
    "    img_array = prepare_image(img)\n",
    "    \n",
    "    # Make prediction\n",
    "    predictions = model.predict(img_array, verbose=0)\n",
    "    \n",
    "    # Decode predictions to human-readable labels\n",
    "    # top=5 means we get the top 5 most likely classes\n",
    "    decoded = decode_predictions(predictions, top=5)[0]\n",
    "    \n",
    "    # Convert to simpler format\n",
    "    results = [(label, float(confidence)) for (_, label, confidence) in decoded]\n",
    "    \n",
    "    return results\n",
    "\n",
    "\n",
    "print(\"✅ Helper functions ready!\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Βήμα 4: Δοκιμή σε Δείγματα Εικόνων\n",
    "\n",
    "Ας δοκιμάσουμε να ταξινομήσουμε μερικές εικόνες από το διαδίκτυο!\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Sample images to classify\n",
    "# These are from Unsplash (free stock photos)\n",
    "test_images = [\n",
    "    {\n",
    "        \"url\": \"https://images.unsplash.com/photo-1514888286974-6c03e2ca1dba?w=400\",\n",
    "        \"description\": \"A cat\"\n",
    "    },\n",
    "    {\n",
    "        \"url\": \"https://images.unsplash.com/photo-1552053831-71594a27632d?w=400\",\n",
    "        \"description\": \"A dog\"\n",
    "    },\n",
    "    {\n",
    "        \"url\": \"https://images.unsplash.com/photo-1511919884226-fd3cad34687c?w=400\",\n",
    "        \"description\": \"A car\"\n",
    "    },\n",
    "]\n",
    "\n",
    "print(f\"🧪 Testing on {len(test_images)} images...\")\n",
    "print(\"=\" * 70)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Κατατάξτε Κάθε Εικόνα\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "for i, img_data in enumerate(test_images, 1):\n",
    "    print(f\"\\n📸 Image {i}: {img_data['description']}\")\n",
    "    print(\"-\" * 70)\n",
    "    \n",
    "    try:\n",
    "        # Load image\n",
    "        img = load_image_from_url(img_data['url'])\n",
    "        \n",
    "        # Display image\n",
    "        display(img.resize((200, 200)))  # Show smaller version\n",
    "        \n",
    "        # Classify\n",
    "        results = classify_image(img)\n",
    "        \n",
    "        # Show predictions\n",
    "        print(\"\\n🎯 Top 5 Predictions:\")\n",
    "        for rank, (label, confidence) in enumerate(results, 1):\n",
    "            # Create a visual bar\n",
    "            bar_length = int(confidence * 50)\n",
    "            bar = \"█\" * bar_length\n",
    "            \n",
    "            print(f\"  {rank}. {label:20s} {confidence*100:5.2f}% {bar}\")\n",
    "        \n",
    "    except Exception as e:\n",
    "        print(f\"❌ Error: {e}\")\n",
    "\n",
    "print(\"\\n\" + \"=\" * 70)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Βήμα 5: Δοκιμάστε τις δικές σας εικόνες!\n",
    "\n",
    "Αντικαταστήστε το URL παρακάτω με οποιοδήποτε URL εικόνας θέλετε να ταξινομήσετε.\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Try your own image!\n",
    "# Replace this URL with any image URL\n",
    "custom_image_url = \"https://images.unsplash.com/photo-1472491235688-bdc81a63246e?w=400\"  # A flower\n",
    "\n",
    "print(\"🖼️  Classifying your custom image...\")\n",
    "print(\"=\" * 70)\n",
    "\n",
    "try:\n",
    "    # Load and show image\n",
    "    img = load_image_from_url(custom_image_url)\n",
    "    display(img.resize((300, 300)))\n",
    "    \n",
    "    # Classify\n",
    "    results = classify_image(img)\n",
    "    \n",
    "    # Show results\n",
    "    print(\"\\n🎯 Top 5 Predictions:\")\n",
    "    print(\"-\" * 70)\n",
    "    for rank, (label, confidence) in enumerate(results, 1):\n",
    "        bar_length = int(confidence * 50)\n",
    "        bar = \"█\" * bar_length\n",
    "        print(f\"  {rank}. {label:20s} {confidence*100:5.2f}% {bar}\")\n",
    "    \n",
    "    # Highlight top prediction\n",
    "    top_label, top_confidence = results[0]\n",
    "    print(\"\\n\" + \"=\" * 70)\n",
    "    print(f\"\\n🏆 Best guess: {top_label} ({top_confidence*100:.2f}% confident)\")\n",
    "    \n",
    "except Exception as e:\n",
    "    print(f\"❌ Error: {e}\")\n",
    "    print(\"   Make sure the URL points to a valid image!\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 💡 Τι Μόλις Συμβαίνει;\n",
    "\n",
    "1. **Φορτώσαμε ένα προ-εκπαιδευμένο μοντέλο** - Το MobileNetV2 εκπαιδεύτηκε σε εκατομμύρια εικόνες\n",
    "2. **Προεπεξεργαστήκαμε εικόνες** - Τις αλλάξαμε μέγεθος και τις μορφοποιήσαμε για το μοντέλο\n",
    "3. **Το μοντέλο έκανε προβλέψεις** - Έδωσε πιθανότητες για 1000 κατηγορίες αντικειμένων\n",
    "4. **Αποκωδικοποιήσαμε τα αποτελέσματα** - Μετατρέψαμε αριθμούς σε ετικέτες κατανοητές από τον άνθρωπο\n",
    "\n",
    "### Κατανόηση Βαθμολογιών Εμπιστοσύνης\n",
    "\n",
    "- **90-100%**: Πολύ μεγάλη εμπιστοσύνη (σχεδόν σίγουρα σωστό)\n",
    "- **70-90%**: Μεγάλη εμπιστοσύνη (πιθανότατα σωστό)\n",
    "- **50-70%**: Μέτρια εμπιστοσύνη (ίσως σωστό)\n",
    "- **Κάτω από 50%**: Χαμηλή εμπιστοσύνη (αβέβαιο)\n",
    "\n",
    "### Γιατί μπορεί οι προβλέψεις να είναι λανθασμένες;\n",
    "\n",
    "- **Ασυνήθιστη γωνία ή φωτισμός** - Το μοντέλο εκπαιδεύτηκε σε τυπικές φωτογραφίες\n",
    "- **Πολλαπλά αντικείμενα** - Το μοντέλο αναμένει ένα κύριο αντικείμενο\n",
    "- **Σπάνια αντικείμενα** - Το μοντέλο γνωρίζει μόνο 1000 κατηγορίες\n",
    "- **Χαμηλής ποιότητας εικόνα** - Θολές ή pixelated εικόνες είναι πιο δύσκολες\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 🚀 Επόμενα Βήματα\n",
    "\n",
    "1. **Δοκιμάστε διαφορετικές εικόνες:**\n",
    "   - Βρείτε εικόνες στο [Unsplash](https://unsplash.com)\n",
    "   - Δεξί κλικ → \"Αντιγραφή διεύθυνσης εικόνας\" για να πάρετε το URL\n",
    "\n",
    "2. **Πειραματιστείτε:**\n",
    "   - Τι συμβαίνει με την αφηρημένη τέχνη;\n",
    "   - Μπορεί να αναγνωρίσει αντικείμενα από διαφορετικές γωνίες;\n",
    "   - Πώς χειρίζεται πολλαπλά αντικείμενα;\n",
    "\n",
    "3. **Μάθετε περισσότερα:**\n",
    "   - Εξερευνήστε [μαθήματα Υπολογιστικής Όρασης](../lessons/4-ComputerVision/README.md)\n",
    "   - Μάθετε πώς να εκπαιδεύσετε τον δικό σας ταξινομητή εικόνων\n",
    "   - Κατανοήστε πώς λειτουργούν τα CNNs (Συνελικτικά Νευρωνικά Δίκτυα)\n",
    "\n",
    "---\n",
    "\n",
    "## 🎉 Συγχαρητήρια!\n",
    "\n",
    "Μόλις δημιουργήσατε έναν ταξινομητή εικόνων χρησιμοποιώντας ένα υπερσύγχρονο νευρωνικό δίκτυο!\n",
    "\n",
    "Η ίδια τεχνική χρησιμοποιείται για:\n",
    "- Google Photos (οργάνωση των φωτογραφιών σας)\n",
    "- Αυτοκινούμενα αυτοκίνητα (αναγνώριση αντικειμένων)\n",
    "- Ιατρική διάγνωση (ανάλυση ακτινογραφιών)\n",
    "- Έλεγχο ποιότητας (εντοπισμός ελαττωμάτων)\n",
    "\n",
    "Συνεχίστε να εξερευνάτε και να μαθαίνετε! 🚀\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "\n---\n\n**Αποποίηση ευθύνης**:  \nΑυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.\n"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.8.0"
  },
  "coopTranslator": {
   "original_hash": "1d472141d9df46b751542b3c29f88677",
   "translation_date": "2025-10-03T11:46:03+00:00",
   "source_file": "examples/03-image-classifier.ipynb",
   "language_code": "el"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}