Update app.py

app.py

@@ -1,47 +1,174 @@
+import cv2
 import gradio as gr
 import numpy as np
 import tensorflow as tf
-import cv2
-from tensorflow.keras import datasets, layers, models
+from scipy import ndimage
+from tensorflow.keras import layers, models
 
-# تحميل النموذج (إذا لم تجده، ابنه)
+# 1. بناء نموذج CNN أكثر متانة وقوة
 try:
-    model = tf.keras.models.load_model('mnist_cnn_model.keras')
-    print("✅ تم تحميل النموذج")
-except:
-    print("⚠️ بناء نموذج جديد...")
-    model = models.Sequential([
-        layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
-        layers.MaxPooling2D((2, 2)),
-        layers.Conv2D(64, (3, 3), activation='relu'),
-        layers.MaxPooling2D((2, 2)),
-        layers.Flatten(),
-        layers.Dense(64, activation='relu'),
-        layers.Dense(10, activation='softmax')
-    ])
-    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
-    (x_train, y_train), _ = datasets.mnist.load_data()
-    x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255
-    model.fit(x_train, y_train, epochs=3, validation_split=0.1, verbose=1)
-    model.save('mnist_cnn_model.keras')
-
-# دالة التنبؤ
-def predict(image):
+    model = tf.keras.models.load_model("mnist_advanced_model.keras")
+    print("✅ تم تحميل النموذج المتقدم")
+except Exception:
+    print("⚠️ بناء وتدريب نموذج متقدم جديد...")
+    model = models.Sequential(
+        [
+            layers.Conv2D(
+                32, (3, 3), activation="relu", input_shape=(28, 28, 1)
+            ),
+            layers.BatchNormalization(),
+            layers.Conv2D(32, (3, 3), activation="relu"),
+            layers.MaxPooling2D((2, 2)),
+            layers.Dropout(0.25),
+            layers.Conv2D(64, (3, 3), activation="relu"),
+            layers.BatchNormalization(),
+            layers.MaxPooling2D((2, 2)),
+            layers.Dropout(0.25),
+            layers.Flatten(),
+            layers.Dense(128, activation="relu"),
+            layers.Dropout(0.5),
+            layers.Dense(10, activation="softmax"),
+        ]
+    )
+
+    model.compile(
+        optimizer="adam",
+        loss="sparse_categorical_crossentropy",
+        metrics=["accuracy"],
+    )
+
+    (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
+    x_train = x_train.reshape(-1, 28, 28, 1).astype("float32") / 255.0
+
+    # Data Augmentation لزيادة مرونة النموذج
+    datagen = tf.keras.preprocessing.image.ImageDataGenerator(
+        rotation_range=10, zoom_range=0.1, width_shift_range=0.1, height_shift_range=0.1
+    )
+
+    model.fit(
+        datagen.flow(x_train, y_train, batch_size=64),
+        epochs=5,
+        validation_split=0.1,
+    )
+    model.save("mnist_advanced_model.keras")
+
+
+# 2. دالة تمركز الصورة بناءً على مركز الكتلة (طريقة MNIST الأصلية)
+def center_image(img):
+    cy, cx = ndimage.center_of_mass(img)
+    rows, cols = img.shape
+    shiftx = np.round(cols / 2.0 - cx)
+    shifty = np.round(rows / 2.0 - cy)
+    M = np.float32([[1, 0, shiftx], [0, 1, shifty]])
+    centered = cv2.warpAffine(img, M, (cols, rows))
+    return centered
+
+
+# 3. دالة المعالجة والتنبؤ مع دعم خيارات Gradio
+def predict(image, apply_centering, thickness_level):
     try:
+        if isinstance(image, dict):
+            image = image.get("composite", image.get("background"))
+
+        if image is None:
+            return None, {"error": "لم يتم الرسم"}
+
+        # تحويل إلى خريطة رمادية
         gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
-        img = cv2.resize(gray, (28, 28))
-        img = (255 - img).astype('float32') / 255.0
-        img = img.reshape(1, 28, 28, 1)
-        pred = model.predict(img, verbose=0)[0]
-        return {str(i): float(pred[i]) for i in range(10)}
+
+        # عكس الألوان (بحيث يكون الرقم أبيض والخلفية سوداء)
+        _, thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV)
+
+        # تطبيق سمك الخط إذا طُلِب
+        if thickness_level > 0:
+            kernel = np.ones(
+                (thickness_level, thickness_level), np.uint8
+            )
+            thresh = cv2.dilate(thresh, kernel, iterations=1)
+
+        # قص المنطقة النشطة (Bounding Box) وتكبيرها
+        coords = cv2.findNonZero(thresh)
+        if coords is not None:
+            x, y, w, h = cv2.boundingRect(coords)
+            cropped = thresh[y : y + h, x : x + w]
+
+            # المحافظة على نسبة العرض إلى الارتفاع عند التحجيم
+            if w > h:
+                new_w = 20
+                new_h = int(h * (20 / w))
+            else:
+                new_h = 20
+                new_w = int(w * (20 / h))
+
+            resized = cv2.resize(
+                cropped, (new_w, new_h), interpolation=cv2.INTER_AREA
+            )
+            padded = np.pad(
+                resized,
+                (
+                    ((28 - new_h) // 2, 28 - (new_h + (28 - new_h) // 2)),
+                    ((28 - new_w) // 2, 28 - (new_w + (28 - new_w) // 2)),
+                ),
+                "constant",
+            )
+        else:
+            padded = cv2.resize(thresh, (28, 28))
+
+        # تطبيق تمركز الكتلة
+        if apply_centering:
+            final_img = center_image(padded)
+        else:
+            final_img = padded
+
+        # المعايرة للتغذية في النموذج
+        input_data = (final_img.astype("float32") / 255.0).reshape(
+            1, 28, 28, 1
+        )
+        pred = model.predict(input_data, verbose=0)[0]
+
+        # إعادة الصورة المعالجة ليعاينها المستخدم، بالإضافة للنتائج
+        results = {str(i): float(pred[i]) for i in range(10)}
+        return final_img, results
+
     except Exception as e:
-        return {"error": str(e)}
-
-# 🔥 تعريف demo (يجب أن يكون في المستوى العام)
-demo = gr.Interface(
-    fn=predict,
-    inputs=gr.Sketchpad(label="ارسم هنا"),
-    outputs=gr.Label(num_top_classes=3),
-    title="MNIST Recognizer",
-    description="ارسم رقماً بالماوس"
-)
+        return None, {"error": str(e)}
+
+
+# 4. بناء واجهة Gradio باستخدام Blocks للتخصيص الكامل
+with gr.Blocks(title="MNIST Advanced Recognizer") as demo:
+    gr.Markdown("# 🧠 التعرف الذكي على الأرقام (MNIST)")
+    gr.Markdown(
+        "ارسم رقماً وقم بتعديل خيارات المعالجة لمعاينة كيف يرى النموذج الصورة."
+    )
+
+    with gr.Row():
+        with gr.Column(scale=1):
+            input_pad = gr.Sketchpad(label="لوحة الرسم")
+            with gr.Accordion("خيارات معالجة الصورة", open=True):
+                chk_center = gr.Checkbox(
+                    value=True, label="تمركز الصورة (Center of Mass)"
+                )
+                sld_thickness = gr.Slider(
+                    minimum=0,
+                    maximum=3,
+                    step=1,
+                    value=1,
+                    label="زيادة سمك الخط (Dilation)",
+                )
+
+            btn_predict = gr.Button("تنبؤ", variant="primary")
+
+        with gr.Column(scale=1):
+            out_label = gr.Label(num_top_classes=3, label="أعلى التوقعات")
+            out_processed_img = gr.Image(
+                label="الصورة بعد المعالجة (28x28)", image_mode="L"
+            )
+
+    btn_predict.click(
+        fn=predict,
+        inputs=[input_pad, chk_center, sld_thickness],
+        outputs=[out_processed_img, out_label],
+    )
+
+if __name__ == "__main__":
+    demo.launch()