Update app.py

app.py

@@ -1,20 +1,20 @@
-import gradio as gr
+import os
+import cv2
 import numpy as np
 import tensorflow as tf
-import cv2
+import gradio as gr
 from tensorflow.keras import datasets, layers, models
-import os
-import spaces
 
 # ============================================
-# 1. تحميل النموذج
+# 1. تحميل أو بناء النموذج (على CPU)
 # ============================================
 model_path = 'mnist_cnn_model.keras'
+
 if os.path.exists(model_path):
     model = tf.keras.models.load_model(model_path)
-    print("✅ تم تحميل النموذج المحفوظ.")
+    print("✅ تم تحميل النموذج المحفوظ بنجاح.")
 else:
-    print("⚠️ بناء نموذج جديد...")
+    print("⚠️ لم يتم العثور على النموذج.. جاري البناء والتدريب...")
     model = models.Sequential([
         layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
         layers.MaxPooling2D((2, 2)),
@@ -25,45 +25,51 @@ else:
         layers.Dropout(0.5),
         layers.Dense(10, activation='softmax')
     ])
-    model.compile(optimizer='adam',
-                  loss='sparse_categorical_crossentropy',
-                  metrics=['accuracy'])
+    model.compile(
+        optimizer='adam',
+        loss='sparse_categorical_crossentropy',
+        metrics=['accuracy']
+    )
     
+    # تحميل بيانات التدريب
     (x_train, y_train), _ = datasets.mnist.load_data()
     x_train = x_train.reshape((60000, 28, 28, 1)).astype('float32') / 255.0
+    
     model.fit(x_train, y_train, epochs=5, validation_split=0.1, verbose=1)
     model.save(model_path)
-    print("✅ تم بناء النموذج وتدريبه وحفظه.")
+    print("✅ تم حفظ النموذج المكتمل.")
 
 # ============================================
-# 2. تحميل بيانات الاختبار
+# 2. تحميل بيانات الاختبار للأمثلة العشوائية
 # ============================================
 (_, _), (test_images, test_labels) = datasets.mnist.load_data()
 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255.0
 
 # ============================================
-# 3. دالة معالجة الصورة
+# 3. دالة معالجة واستخراج الصورة
 # ============================================
 def process_image_for_mnist(image_input):
-    """
-    تعالج الصورة المدخلة من Sketchpad لتناسب تنسيق MNIST
-    """
     if image_input is None:
-        raise ValueError("لم يتم إدخال أي صورة!")
+        return None, None
 
-    # التعامل مع مدخلات Sketchpad (تكون Dictionary في الإصدارات الحديثة)
+    # التعامل مع مدخلات Sketchpad المتنوعة في Gradio
     if isinstance(image_input, dict):
         image = image_input.get('composite', None)
         if image is None:
-            image = image_input.get('background', list(image_input.values())[0])
+            image = image_input.get('background', None)
+        if image is None and len(image_input) > 0:
+            image = list(image_input.values())[0]
     else:
         image = image_input
 
-    # تحويل الصورة إلى RGB إذا كانت تحتوي على قناة Alpha (RGBA)
-    if image.shape[-1] == 4:
+    if image is None or not isinstance(image, np.ndarray):
+        return None, None
+
+    # تحويل RGBA إلى RGB
+    if len(image.shape) == 3 and image.shape[-1] == 4:
         image = cv2.cvtColor(image, cv2.COLOR_RGBA2RGB)
 
-    # تحويل إلى تدرج رمادي Gray Scale
+    # تحويل إلى رمادي Gray
     if len(image.shape) == 3:
         gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
     else:
@@ -72,79 +78,75 @@ def process_image_for_mnist(image_input):
     # تغيير الحجم إلى 28x28
     resized = cv2.resize(gray, (28, 28), interpolation=cv2.INTER_AREA)
 
-    # عتبة أوتوماتيكية لجعل الصورة ثنائية (أسود وأبيض)
+    # تطبيق العتبة الثنائية (Otsu Thresholding)
     _, binary = cv2.threshold(resized, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
 
-    # جعل الخلفية سوداء (0) والرسم أبيض (255) كما في MNIST
-    white_pixels = np.sum(binary == 255)
-    black_pixels = np.sum(binary == 0)
-    if white_pixels > black_pixels:
+    # عكس الألوان لتصبح الخلفية سوداء (0) والرسم أبيض (255) كبيئة MNIST
+    if np.sum(binary == 255) > np.sum(binary == 0):
         binary = 255 - binary
 
-    # تطبيع القيم بين 0 و 1
     normalized = binary.astype('float32') / 255.0
     reshaped = normalized.reshape(1, 28, 28, 1)
 
     return normalized, reshaped
 
 # ============================================
-# 4. دالة التنبؤ
+# 4. دالة التنبؤ المباشرة والآمنة
 # ============================================
-@spaces.GPU
 def predict_sketch(image):
     try:
         if image is None:
-            return {}, None, "���️ يرجى الرسم أولاً!"
+            return {}, None, "⚠️ يرجى الرسم في المربع أولاً!"
 
-        # معالجة الصورة
         normalized, reshaped = process_image_for_mnist(image)
 
-        # التنبؤ بواسطة النموذج
-        pred = model.predict(reshaped, verbose=0)[0]
-        predicted_class = int(np.argmax(pred))
-        confidence = float(np.max(pred))
-
-        # تحضير نص التصحيح Debug Info
-        top3_idx = np.argsort(pred)[-3:][::-1]
-        top3_str = "\n".join([f"   {i+1}. الرقم {idx}: {pred[idx]:.2%}" for i, idx in enumerate(top3_idx)])
-        
-        debug_info = f"""📊 معلومات التوقع:
-- الفئة المتوقعة: {predicted_class}
-- نسبة الثقة: {confidence:.2%}
+        if normalized is None:
+            return {}, None, "⚠️ لم يتم التعرف على الصورة، يرجى إعادة الرسم."
 
-🔝 أعلى 3 احتمالات:
-{top3_str}
+        # الاستدعاء المباشر للموديل يمنع تعارض الخيوط (Threads) في TensorFlow
+        preds = model(reshaped, training=False).numpy()[0]
+        predicted_class = int(np.argmax(preds))
+        confidence = float(np.max(preds))
 
-🔢 جميع الاحتمالات:
-{', '.join([f'{i}: {pred[i]:.1%}' for i in range(10)])}"""
+        # قاموس الاحتمالات الموجه لـ Gradio Label
+        probabilities = {str(i): float(preds[i]) for i in range(10)}
 
-        # تحويل صورة المعالجة لمصفوفة 3D لعرضها في Gradio بشكل مريح
+        # تحضير صورة العرض المصغرة
         display_img = (normalized * 255).astype(np.uint8)
         display_img = cv2.resize(display_img, (140, 140), interpolation=cv2.INTER_NEAREST)
 
-        # إرجاع المخرجات الثلاثة مباشرة بالتفصيل
-        predictions_dict = {str(i): float(pred[i]) for i in range(10)}
-        return predictions_dict, display_img, debug_info
+        # نصوص معلومات التصحيح
+        top3_idx = np.argsort(preds)[-3:][::-1]
+        top3_str = "\n".join([f"   {i+1}. الرقم {idx}: {preds[idx]:.2%}" for i, idx in enumerate(top3_idx)])
+
+        debug_info = f"""📊 نتائج التحليل:
+- الرقم المتوقع: {predicted_class}
+- نسبة الثقة: {confidence:.2%}
+
+🔝 أعلى 3 احتمالات:
+{top3_str}"""
+
+        return probabilities, display_img, debug_info
 
     except Exception as e:
-        return {}, None, f"❌ حدث خطأ أثناء التوقع: {str(e)}"
+        return {}, None, f"❌ حدث خطأ أثناء التوقّع: {str(e)}"
 
 # ============================================
-# 5. دالة المثال العشوائي
+# 5. دالة اختياري: اختيار مثال عشوائي
 # ============================================
 def random_example():
     idx = np.random.randint(0, len(test_images))
     img = test_images[idx].reshape(28, 28)
     img_large = cv2.resize(img, (280, 280), interpolation=cv2.INTER_NEAREST)
     img_rgb = np.stack([img_large] * 3, axis=2)
-    return img_rgb, f"🎲 تم اختيار رقم عشوائي (الرقم الحقيقي: {test_labels[idx]})"
+    return img_rgb, f"🎲 تم جلب رقم عشوائي (الرقم الحقيقي: {test_labels[idx]})"
 
 # ============================================
 # 6. بناء واجهة Gradio
 # ============================================
 with gr.Blocks(title="MNIST Digit Recognizer") as demo:
     gr.Markdown("# 🧠 التعرف على الأرقام المكتوبة بخط اليد (MNIST)")
-    gr.Markdown("ارسم رقماً (من 0 إلى 9) في المربع الأيسر، ثم اضغط على زر **توقع**.")
+    gr.Markdown("ارسم رقماً من **0 إلى 9** في المربع الأيسر ثم اضغط على زر **توقع**.")
     
     with gr.Row():
         with gr.Column(scale=1):
@@ -152,13 +154,13 @@ with gr.Blocks(title="MNIST Digit Recognizer") as demo:
             with gr.Row():
                 submit_btn = gr.Button("🔮 توقع", variant="primary")
                 random_btn = gr.Button("🎲 مثال عشوائي", variant="secondary")
-            info = gr.Textbox(label="📌 معلومات التصحيح (Debug Info)", interactive=False, lines=10)
+            info = gr.Textbox(label="📌 معلومات التصحيح (Debug Info)", interactive=False, lines=8)
             
         with gr.Column(scale=1):
             output = gr.Label(num_top_classes=3, label="📊 احتمالات التوقع")
             processed_img = gr.Image(label="🖼️ الصورة بعد المعالجة (ما يراه النموذج)", image_mode="L")
 
-    # ربط الأحداث والأزرار
+    # ربط الأحداث
     submit_btn.click(
         fn=predict_sketch,
         inputs=sketch,