{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# సింపుల్ ఇమేజ్ క్లాసిఫైయర్\n",
    "\n",
    "ఈ నోట్‌బుక్ మీరు ప్రీ-ట్రెయిన్డ్ న్యూరల్ నెట్‌వర్క్ ఉపయోగించి చిత్రాలను ఎలా వర్గీకరించాలో చూపిస్తుంది.\n",
    "\n",
    "**మీరు నేర్చుకునేది:**\n",
    "- ప్రీ-ట్రెయిన్డ్ మోడల్‌ను ఎలా లోడ్ చేసి ఉపయోగించాలి\n",
    "- చిత్రం ప్రీప్రాసెసింగ్\n",
    "- చిత్రాలపై అంచనాలు చేయడం\n",
    "- విశ్వాస స్కోర్లను అర్థం చేసుకోవడం\n",
    "\n",
    "**వినియోగం:** చిత్రాల్లోని వస్తువులను గుర్తించడం (ఉదా: \"పిల్లి\", \"నక్క\", \"కారు\" మొదలైనవి)\n",
    "\n",
    "---\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## దశ 1: అవసరమైన లైబ్రరీలను దిగుమతి చేసుకోండి\n",
    "\n",
    "మనం అవసరమైన టూల్స్‌ను దిగుమతి చేసుకుందాం. మీరు ఇవన్నీ ఇప్పటికీ పూర్తిగా అర్థం చేసుకోకపోయినా చింతించకండి!\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": [
    "## దశ 2: ముందుగా శిక్షణ పొందిన మోడల్‌ను లోడ్ చేయండి\n",
    "\n",
    "మనం **MobileNetV2** ను ఉపయోగించబోతున్నాము, ఇది మిలియన్ల చిత్రాలపై ఇప్పటికే శిక్షణ పొందిన న్యూరల్ నెట్‌వర్క్.\n",
    "\n",
    "ఇది **ట్రాన్స్‌ఫర్ లెర్నింగ్** అని పిలవబడుతుంది - ఎవరో మరొకరు శిక్షణ ఇచ్చిన మోడల్‌ను ఉపయోగించడం!\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": [
    "## దశ 3: సహాయక ఫంక్షన్లు\n",
    "\n",
    "మన మోడల్ కోసం చిత్రాలను లోడ్ చేసి సిద్ధం చేయడానికి ఫంక్షన్లు తయారు చేద్దాం.\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": [
    "## దశ 4: నమూనా చిత్రాలపై పరీక్షించండి\n",
    "\n",
    "ఇంటర్నెట్ నుండి కొన్ని చిత్రాలను వర్గీకరించడానికి ప్రయత్నిద్దాం!\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": [
    "### ప్రతి చిత్రం వర్గీకరించండి\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": [
    "## దశ 5: మీ స్వంత చిత్రాలను ప్రయత్నించండి!\n",
    "\n",
    "క్లాసిఫై చేయదలచుకున్న ఏదైనా చిత్రం URL ని క్రింద ఇచ్చిన URL తో మార్చండి.\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": [
    "## 💡 ఏమి జరిగింది?\n",
    "\n",
    "1. **మేము ఒక ప్రీ-ట్రెయిన్డ్ మోడల్‌ను లోడ్ చేసుకున్నాము** - MobileNetV2 మిలియన్ల చిత్రాలపై శిక్షణ పొందింది  \n",
    "2. **మేము చిత్రాలను ప్రీప్రాసెస్ చేసుకున్నాము** - మోడల్ కోసం వాటిని రీసైజ్ చేసి ఫార్మాట్ చేసాము  \n",
    "3. **మోడల్ అంచనాలు చేసింది** - 1000 వస్తువుల తరగతుల కోసం సంభావ్యతలను ఇచ్చింది  \n",
    "4. **మేము ఫలితాలను డీకోడ్ చేసుకున్నాము** - సంఖ్యలను మనుషులకి అర్థమయ్యే లేబుల్స్‌గా మార్చాము  \n",
    "\n",
    "### విశ్వాస స్కోర్లను అర్థం చేసుకోవడం\n",
    "\n",
    "- **90-100%**: చాలా విశ్వాసంగా (దాదాపు ఖచ్చితంగా సరైనది)  \n",
    "- **70-90%**: విశ్వాసంగా (సాధ్యమైనంత వరకు సరైనది)  \n",
    "- **50-70%**: కొంతమేర విశ్వాసంగా (సరైనదే కావచ్చు)  \n",
    "- **50% కంటే తక్కువ**: అంతగా విశ్వాసం లేదు (అనిశ్చితి)  \n",
    "\n",
    "### అంచనాలు తప్పు కావడానికి కారణాలు ఏమిటి?\n",
    "\n",
    "- **అసాధారణ కోణం లేదా లైటింగ్** - మోడల్ సాధారణ ఫోటోలపై శిక్షణ పొందింది  \n",
    "- **బహుళ వస్తువులు** - మోడల్ ఒక ప్రధాన వస్తువును ఆశిస్తుంది  \n",
    "- **దుర్లభ వస్తువులు** - మోడల్ కేవలం 1000 వర్గాలను మాత్రమే తెలుసుకుంటుంది  \n",
    "- **తక్కువ నాణ్యత గల చిత్రం** - మబ్బుగా లేదా పిక్సెల్ అయిపోయిన చిత్రాలు కష్టంగా ఉంటాయి  \n",
    "\n",
    "---\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 🚀 తదుపరి దశలు\n",
    "\n",
    "1. **వివిధ చిత్రాలను ప్రయత్నించండి:**\n",
    "   - [Unsplash](https://unsplash.com) లో చిత్రాలను వెతకండి\n",
    "   - రైట్-క్లిక్ → \"Copy image address\" ద్వారా URL పొందండి\n",
    "\n",
    "2. **ప్రయోగాలు చేయండి:**\n",
    "   - అభిజ్ఞాత కళతో ఏమవుతుంది?\n",
    "   - ఇది వేర్వేరు కోణాల నుండి వస్తువులను గుర్తించగలదా?\n",
    "   - ఇది బహుళ వస్తువులను ఎలా నిర్వహిస్తుంది?\n",
    "\n",
    "3. **మరింత తెలుసుకోండి:**\n",
    "   - [కంప్యూటర్ విజన్ పాఠాలు](../lessons/4-ComputerVision/README.md) అన్వేషించండి\n",
    "   - మీ స్వంత చిత్రం వర్గీకర్తను శిక్షణ ఇవ్వడం నేర్చుకోండి\n",
    "   - CNNs (Convolutional Neural Networks) ఎలా పనిచేస్తాయో అర్థం చేసుకోండి\n",
    "\n",
    "---\n",
    "\n",
    "## 🎉 అభినందనలు!\n",
    "\n",
    "మీరు ఒక ఆధునిక న్యూరల్ నెట్‌వర్క్ ఉపయోగించి చిత్రం వర్గీకర్తను సృష్టించారు!\n",
    "\n",
    "ఈ అదే సాంకేతికతను ఉపయోగిస్తారు:\n",
    "- Google Photos (మీ ఫోటోలను క్రమబద్ధీకరించడం)\n",
    "- స్వయం నడిచే కార్లు (వస్తువులను గుర్తించడం)\n",
    "- వైద్య నిర్ధారణ (X-రేలను విశ్లేషించడం)\n",
    "- నాణ్యత నియంత్రణ (లోపాలను గుర్తించడం)\n",
    "\n",
    "కొనసాగిస్తూ అన్వేషించండి మరియు నేర్చుకోండి! 🚀\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**అస్పష్టత**:  \nఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము.\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"
  },
  "coopTranslator": {
   "original_hash": "1d472141d9df46b751542b3c29f88677",
   "translation_date": "2025-11-25T23:46:04+00:00",
   "source_file": "examples/03-image-classifier.ipynb",
   "language_code": "te"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}