Update app.py

app.py

@@ -5,16 +5,11 @@ import cv2
 from tensorflow.keras import datasets, layers, models
 import os
 
-# ============================================================
-# 1. تحميل أو بناء النموذج (حل احتياطي في حال عدم وجود الملف)
-# ============================================================
+# ========== 1. تحميل النموذج ==========
 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.")
 else:
-    print("⚠️ لم يتم العثور على النموذج، جارٍ البناء والتدريب...")
     model = models.Sequential([
         layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
         layers.MaxPooling2D((2, 2)),
@@ -24,80 +19,49 @@ else:
         layers.Dense(64, activation='relu'),
         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'])
     (train_images, train_labels), _ = datasets.mnist.load_data()
     train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
     model.fit(train_images, train_labels, epochs=3, validation_split=0.1, verbose=1)
     model.save(model_path)
-    print("✅ تم بناء النموذج وتدريبه وحفظه.")
 
-# ============================================================
-# 2. تحميل بيانات MNIST للاستخدام في الأمثلة العشوائية
-# ============================================================
+# ========== 2. بيانات MNIST ==========
 (_, _), (test_images, test_labels) = datasets.mnist.load_data()
 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
 
-# ============================================================
-# 3. دالة التنبؤ بالصورة المرسومة
-# ============================================================
+# ========== 3. دوال التنبؤ والعشوائي ==========
 def predict_sketch(image):
-    """
-    تستقبل الصورة من Sketchpad، تعالجها، وتعيد الاحتمالات لكل فئة.
-    """
     try:
-        # الصورة قادمة بصيغة (height, width, 3) من نوع numpy array
         gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
         resized = cv2.resize(gray, (28, 28))
-        # قلب الألوان لأن MNIST تدربت على خلفية سوداء وكتابة بيضاء
         inverted = 255 - resized
         normalized = inverted.astype('float32') / 255.0
         reshaped = normalized.reshape(1, 28, 28, 1)
-        
-        prediction = model.predict(reshaped, verbose=0)[0]
-        # تحويل إلى قاموس لعرضه في Label
-        return {str(i): float(prediction[i]) for i in range(10)}
+        pred = model.predict(reshaped, verbose=0)[0]
+        return {str(i): float(pred[i]) for i in range(10)}
     except Exception as e:
-        return {"خطأ": str(e)}
+        return {"error": str(e)}
 
-# ============================================================
-# 4. دالة جلب مثال عشوائي من بيانات الاختبار
-# ============================================================
 def random_example():
     idx = np.random.randint(0, len(test_images))
     img = test_images[idx].reshape(28, 28)
-    # تحويل الصورة إلى 3 قنوات (RGB) لأن Sketchpad يتوقع ذلك
     img_rgb = np.stack([img] * 3, axis=2)
-    info_text = f"🖼️ رقم العينة: {idx} | الرقم الحقيقي: {test_labels[idx]}"
-    return img_rgb, info_text
-
-# ============================================================
-# 5. بناء واجهة Gradio باستخدام Blocks + Sketchpad
-# ============================================================
-with gr.Blocks(title="MNIST Digit Recognizer") as demo:
-    gr.Markdown("# 🧠 التعرف على الأرقام المكتوبة بخط اليد")
-    gr.Markdown("ارسم رقماً (0-9) في المربع، أو اضغط على زر **'مثال عشوائي'** لتجربة النموذج.")
+    return img_rgb, f"الرقم الحقيقي: {test_labels[idx]}"
 
+# ========== 4. الواجهة (بدون launch) ==========
+with gr.Blocks(title="MNIST Recognizer") as demo:
+    gr.Markdown("# 🧠 التعرف على الأرقام")
     with gr.Row():
-        # العمود الأيسر: لوحة الرسم والأزرار
-        with gr.Column(scale=1):
-            sketch = gr.Sketchpad(label="✏️ ارسم هنا")
+        with gr.Column():
+            sketch = gr.Sketchpad(label="ارسم هنا")
             with gr.Row():
-                submit_btn = gr.Button("🔮 توقع", variant="primary")
-                random_btn = gr.Button("🎲 مثال عشوائي", variant="secondary")
-            info = gr.Textbox(label="📌 معلومات", interactive=False, value="ارسم أو اختر مثالاً عشوائياً.")
-
-        # العمود الأيمن: عرض النتائج
-        with gr.Column(scale=1):
-            output = gr.Label(num_top_classes=3, label="📊 أعلى 3 احتمالات")
-
-    # ربط الأزرار بالدوال
+                submit_btn = gr.Button("توقع", variant="primary")
+                random_btn = gr.Button("عشوائي", variant="secondary")
+            info = gr.Textbox(label="معلومات")
+        with gr.Column():
+            output = gr.Label(num_top_classes=3, label="الاحتمالات")
     submit_btn.click(fn=predict_sketch, inputs=sketch, outputs=output)
     random_btn.click(fn=random_example, inputs=[], outputs=[sketch, info])
 
-# ============================================================
-# 6. 🔥 هذا هو المتغير الذي سيستخدمه Hugging Face Spaces
- demo.launch() 
-# ============================================================
+# ========== 5. ❌ ممنوع استخدام launch() هنا ==========
+# Spaces يتولى التشغيل عبر المتغير 'demo'