{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# អ្នកចាត់ថ្នាក់រូបភាពសាមញ្ញ\n",
    "\n",
    "សៀវភៅកំណត់ត្រានេះបង្ហាញអ្នកពីរបៀបចាត់ថ្នាក់រូបភាពដោយប្រើបណ្តាញសរសៃប្រសammatមុនដែលបានបណ្តុះបណ្តាលរួច។\n",
    "\n",
    "**អ្វីដែលអ្នកនឹងរៀន:**\n",
    "- របៀបផ្ទុក និងប្រើម៉ូដែលដែលបានបណ្តុះបណ្តាលរួច\n",
    "- ការប្រមូលរូបភាពជាមុន\n",
    "- ការធ្វើការព្យាករណ៍លើរូបភាព\n",
    "- ការយល់ដឹងអំពីពិន្ទុជំនាញ\n",
    "\n",
    "**ករណីប្រើប្រាស់:** កំណត់អត្តសញ្ញាណវត្ថុក្នុងរូបភាព (ដូចជា \"ឆ្មា\", \"ឆ្កែ\", \"រថយន្ត\", ល។)\n",
    "\n",
    "---\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## ជំហានទី 1៖ នាំចូលបណ្ណាល័យដែលត្រូវការ\n",
    "\n",
    "មកនាំចូលឧបករណ៍ដែលយើងត្រូវការគ្នា។ កុំបារម្ភបើអ្នកមិនយល់ពីអ្វីៗទាំងអស់ទេនៅឡើយ!\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": [
    "## ជំហានទី 2: បញ្ចូលគំរូដែលបានបណ្តុះបណ្តាលរួចហើយ\n",
    "\n",
    "យើងនឹងប្រើ **MobileNetV2**, បណ្តាញសរសៃប្រសាទដែលបានបណ្តុះបណ្តាលរួចហើយលើរូបភាពរាប់លានលាន។\n",
    "\n",
    "នេះហៅថា **ការរៀនផ្ទេរ** - ប្រើគំរូដែលនរណាម្នាក់បានបណ្តុះបណ្តាលរួចហើយ!\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": [
    "## ជំហានទី 3: មុខងារជំនួយ\n",
    "\n",
    "មកបង្កើតមុខងារដើម្បីផ្ទុកនិងរៀបចំរូបភាពសម្រាប់ម៉ូឌែលរបស់យើង។\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": [
    "## ជំហានទី 4៖ សាកល្បងលើរូបភាពគំរូ\n",
    "\n",
    "មកព្យាយាមចាត់ថ្នាក់រូបភាពខ្លះពីអ៊ីនធឺណិត!\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": [
    "### ចំណាត់ថ្នាក់រាល់រូបភាព\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": [
    "## ជំហានទី 5: ព្យាយាមរូបភាពផ្ទាល់ខ្លួនរបស់អ្នក!\n",
    "\n",
    "ជំនួស URL ខាងក្រោមជាមួយ URL រូបភាពណាមួយដែលអ្នកចង់ចាត់ថ្នាក់។\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": [
    "## 💡 តើមានអ្វីកើតឡើង?\n",
    "\n",
    "1. **យើងបានបញ្ចូលម៉ូដែលដែលបានបណ្តុះមុន** - MobileNetV2 បានបណ្តុះលើរូបភាពលានលាន\n",
    "2. **យើងបានកំណត់រូបភាពជាមុន** - បម្លែងទំហំ និងទ្រង់ទ្រាយសម្រាប់ម៉ូដែល\n",
    "3. **ម៉ូដែលបានទស្សន៍ទាយ** - វាបានផ្តល់ព្រាប្បុលភាពសម្រាប់ ១០០០ ចំណាត់ថ្នាក់វត្ថុ\n",
    "4. **យើងបានបកស្រាយលទ្ធផល** - បម្លែងលេខទៅជាអត្ថបទដែលមនុស្សអាចអានបាន\n",
    "\n",
    "### ការយល់ដឹងអំពីពិន្ទុទំនុកចិត្ត\n",
    "\n",
    "- **៩០-១០០%**: មានទំនុកចិត្តខ្លាំង (ភាគច្រើនត្រឹមត្រូវ)\n",
    "- **៧០-៩០%**: មានទំនុកចិត្ត (ប្រហែលត្រឹមត្រូវ)\n",
    "- **៥០-៧០%**: មានទំនុកចិត្តខ្លះៗ (ប្រហែលជាត្រឹមត្រូវ)\n",
    "- **ក្រោម ៥០%**: មិនមានទំនុកចិត្តខ្លាំង (មិនប្រាកដ)\n",
    "\n",
    "### ហេតុអ្វីបានជា ការទស្សន៍ទាយអាចខុស?\n",
    "\n",
    "- **មុំឬពន្លឺមិនធម្មតា** - ម៉ូដែលបានបណ្តុះដោយរូបថតទំរង់ទូទៅ\n",
    "- **វត្ថុច្រើនកន្លែង** - ម៉ូដែលនឹកស្រមៃមានវត្ថុមួយដើម\n",
    "- **វត្ថុសម្បូរទ្រង់ទ្រាយកោសិកា** - ម៉ូដែលស្គាល់តែ ១០០០ ប្រភេទ\n",
    "- **រូបភាពគុណភាពទាប** - រូបភាពមិនច្បាស់ឬម៉ូសេតារីមានការលំបាក\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 🚀 ជំហានបន្ទាប់\n",
    "\n",
    "1. **សាកល្បងរូបភាពផ្សេងៗ:**\n",
    "   - ស្វែងរករូបភាពនៅលើ [Unsplash](https://unsplash.com)\n",
    "   - ចុចមែកខាងស្តាំ → \"ចម្លងអាសយដ្ឋានរូបភាព\" ដើម្បីទទួលបាន URL\n",
    "\n",
    "2. **សាកល្បង:**\n",
    "   - តើមានអ្វីកើតឡើងជាមួយសិល្បៈ abstract?\n",
    "   - តើវាអាចរកឃើញវត្ថុពីមุมផ្សេងៗទេ?\n",
    "   - តើវាដំណើរការយ៉ាងដូចម្តេចជាមួយវត្ថុច្រើន?\n",
    "\n",
    "3. **រៀនបន្ថែម:**\n",
    "   - ស្វែងយល់អំពី [មេរៀនទស្សនវិទ្យាកុំព្យូទ័រ](../lessons/4-ComputerVision/README.md)\n",
    "   - រៀនបណ្ដុះបណ្ដាលម៉ាស៊ីនចាត់ថ្នាក់រូបភាពឯង\n",
    "   - យល់ដឹងពីរបៀប CNNs (បណ្តាញប្រសាទបូកបញ្ចូល) ធ្វើការ\n",
    "\n",
    "---\n",
    "\n",
    "## 🎉 សូមអបអរសាទរ!\n",
    "\n",
    "អ្នកទើបបង្កើតម៉ាស៊ីនចាត់ថ្នាក់រូបភាពដោយប្រើបណ្តាញប្រសាទទំនើប!\n",
    "\n",
    "បច្ចេកវិទ្យានេះត្រូវបានប្រើសម្រាប់:\n",
    "- Google Photos (ចាត់តាំងរូបថតរបស់អ្នក)\n",
    "- ឡានបើកដោយខ្លួនឯង (ស្គាល់វត្ថុ)\n",
    "- ការធ្វើវិភាគវេជ្ជសាស្រ្ត (វិភាគរូបថត X-ray)\n",
    "- ការត្រួតពិនិត្យគុណភាព (រកកោសិលិ្អ)\n",
    "\n",
    "បន្តស្វែងយល់ និងរៀនបន្ថែម! 🚀\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**កំណត់សម្គាល់**៖  \nឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ខណៈពេលដែលយើងខំប្រឹងប្រែងរកភាពត្រឹមត្រូវ សូមកត់សម្គាល់ថាការបកប្រែដោយស្វ័យប្រវត្តិសមត្ថភាពអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាតំណើរការរបស់វាគួរត្រូវបានគេចាត់ទុកថាជា ប្រភពផ្លូវការ។ សម្រាប់ព័ត៌មានសំខាន់ៗ គេបนะนำឲ្យប្រើការបកប្រែដោយមនុស្សឯកទេសជំនាញ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសផ្សេង ដែលកើតឡើងពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\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"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}