Update app.py

app.py

@@ -4,10 +4,10 @@ import tensorflow as tf
 import cv2
 from tensorflow.keras import datasets, layers, models
 import os
-import spaces  # <--- 1. استيراد مكتبة spaces
+import spaces
 
 # ============================================
-# 1. تحميل النموذج في النطاق العام (مرة واحدة فقط)
+# 1. تحميل أو بناء النموذج
 # ============================================
 model_path = 'mnist_cnn_model.keras'
 
@@ -42,24 +42,50 @@ else:
 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
 
 # ============================================
-# 3. دوال التنبؤ والمثال العشوائي
+# 3. دالة معالجة الصورة والتنبؤ (ذكية)
 # ============================================
-# --- الدالة التي تستخدم GPU يتم تزيينها بـ @spaces.GPU ---
 @spaces.GPU
 def predict_sketch(image):
     try:
-        gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
+        # 1. تحويل إلى تدرج رمادي
+        if len(image.shape) == 3:
+            gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
+        else:
+            gray = image
+        
+        # 2. تغيير الحجم إلى 28x28
         resized = cv2.resize(gray, (28, 28))
-        inverted = 255 - resized
-        normalized = inverted.astype('float32') / 255.0
-        reshaped = normalized.reshape(1, 28, 28, 1)
         
-        pred = model.predict(reshaped, verbose=0)[0]
-        return {str(i): float(pred[i]) for i in range(10)}
+        # 3. تطبيع القيم إلى [0,1]
+        normalized = resized.astype('float32') / 255.0
+        
+        # 4. **المعالجة الذكية: نحاول كلا الاتجاهين ونأخذ الأفضل**
+        #    MNIST تدربت على خلفية سوداء (0) وأرقام بيضاء (1)
+        #    لكن Sketchpad قد يعطي خلفية بيضاء وأرقام سوداء
+        
+        # الخيار 1: الصورة كما هي (افتراض أن الخلفية سوداء والرقم أبيض)
+        img1 = normalized.reshape(1, 28, 28, 1)
+        pred1 = model.predict(img1, verbose=0)[0]
+        
+        # الخيار 2: قلب الألوان (افتراض أن الخلفية بيضاء والرقم أسود)
+        img2 = (1 - normalized).reshape(1, 28, 28, 1)
+        pred2 = model.predict(img2, verbose=0)[0]
+        
+        # اختيار النتيجة ذات الثقة الأعلى
+        max_conf1 = np.max(pred1)
+        max_conf2 = np.max(pred2)
+        
+        if max_conf1 >= max_conf2:
+            return {str(i): float(pred1[i]) for i in range(10)}
+        else:
+            return {str(i): float(pred2[i]) for i in range(10)}
+            
     except Exception as e:
         return {"خطأ": str(e)}
 
-# --- هذه الدالة لا تحتاج GPU، لذا لا تزينها ---
+# ============================================
+# 4. دالة المثال العشوائي
+# ============================================
 def random_example():
     idx = np.random.randint(0, len(test_images))
     img = test_images[idx].reshape(28, 28)
@@ -67,7 +93,7 @@ def random_example():
     return img_rgb, f"الرقم الحقيقي: {test_labels[idx]}"
 
 # ============================================
-# 4. بناء واجهة Gradio
+# 5. بناء واجهة Gradio
 # ============================================
 with gr.Blocks(title="MNIST Recognizer") as demo:
     gr.Markdown("# 🧠 التعرف على الأرقام المكتوبة بخط اليد")
@@ -88,6 +114,6 @@ with gr.Blocks(title="MNIST Recognizer") as demo:
     random_btn.click(fn=random_example, inputs=[], outputs=[sketch, info])
 
 # ============================================
-# 5. 🔥 التشغيل: يجب أن يكون في النطاق العام (بدون if __name__)
+# 6. تشغيل التطبيق (في النطاق العام لـ ZeroGPU)
 # ============================================
 demo.launch()