Create app.py

app.py

@@ -0,0 +1,103 @@
+import gradio as gr
+import numpy as np
+import tensorflow as tf
+import cv2
+from tensorflow.keras import datasets
+
+# ============================================
+# 1. تحميل النموذج المحفوظ (تأكد من وجوده في نفس المجلد)
+# ============================================
+model = tf.keras.models.load_model('mnist_cnn_model.keras')
+print("✅ تم تحميل النموذج بنجاح!")
+
+# ============================================
+# 2. تحميل بيانات MNIST للاستخدام في الأمثلة العشوائية
+# ============================================
+(_, _), (test_images, test_labels) = datasets.mnist.load_data()
+test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
+
+# ============================================
+# 3. دالة التنبؤ على الصورة المرسومة (Sketchpad)
+# ============================================
+def predict_sketch(image):
+    """
+    تستقبل الصورة من لوحة الرسم، تعالجها، وتعيد الاحتمالات لجميع الفئات.
+    """
+    try:
+        # تحويل الصورة إلى تدرج رمادي
+        gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
+        
+        # تغيير الحجم إلى 28×28 (مثل صور MNIST)
+        resized = cv2.resize(gray, (28, 28))
+        
+        # قلب الألوان (لأن Sketchpad يرسم بالأبيض على الأسود، لكن أحياناً يكون معكوساً)
+        inverted = 255 - resized
+        
+        # تطبيع القيم لتكون بين 0 و 1
+        normalized = inverted.astype('float32') / 255.0
+        
+        # إعادة التشكيل لتناسب نموذج CNN
+        reshaped = normalized.reshape(1, 28, 28, 1)
+        
+        # التنبؤ
+        prediction = model.predict(reshaped, verbose=0)[0]
+        
+        # إرجاع الاحتمالات كقاموس (لتعرضها واجهة Gradio بشكل جميل)
+        return {str(i): float(prediction[i]) for i in range(10)}
+    
+    except Exception as e:
+        return {"خطأ": str(e)}
+
+# ============================================
+# 4. دالة عرض مثال عشوائي (تحقيق طلبك بالعشوائية)
+# ============================================
+def random_example():
+    """
+    تختار صورة عشوائية من مجموعة الاختبار، وتعرضها في لوحة الرسم،
+    وتكتب رقمها الحقيقي في مربع المعلومات.
+    """
+    idx = np.random.randint(0, len(test_images))
+    img = test_images[idx].reshape(28, 28)  # استخراج الصورة (28×28)
+    
+    # تحويل الصورة إلى 3 قنوات (RGB) لأن Sketchpad يتوقع صورة ملونة
+    img_rgb = np.stack([img] * 3, axis=2)
+    
+    # نص المعلومات
+    info_text = f"🖼️ مثال عشوائي رقم {idx} | الرقم الحقيقي: {test_labels[idx]}"
+    
+    return img_rgb, info_text
+
+# ============================================
+# 5. بناء واجهة Gradio (باستخدام Blocks للتحكم الكامل)
+# ============================================
+with gr.Blocks(title="MNIST Digit Recognizer", theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# 🧠 التعرف على الأرقام المكتوبة بخط اليد")
+    gr.Markdown("ارسم رقماً في المربع، أو اضغط على زر **'عرض مثال عشوائي'** لتجربة النموذج على بيانات MNIST.")
+
+    with gr.Row():
+        # عمود المدخلات (لوحة الرسم + الأزرار)
+        with gr.Column(scale=1):
+            sketch = gr.Sketchpad(
+                label="✏️ ارسم هنا",
+                image_size=(280, 280),
+                brush_color="#FFFFFF",  # فرشاة بيضاء على خلفية سوداء
+                brush_radius=12
+            )
+            with gr.Row():
+                submit_btn = gr.Button("🔮 توقع", variant="primary")
+                random_btn = gr.Button("🎲 عرض مثال عشوائي", variant="secondary")
+            info = gr.Textbox(label="📌 معلومات", interactive=False, value="ارسم أو اختر مثالاً عشوائياً")
+
+        # عمود المخرجات (نتائج التنبؤ)
+        with gr.Column(scale=1):
+            output = gr.Label(num_top_classes=3, label="📊 الاحتمالات (أعلى 3 فئات)")
+
+    # ربط الأزرار بالدوال
+    submit_btn.click(fn=predict_sketch, inputs=sketch, outputs=output)
+    random_btn.click(fn=random_example, inputs=[], outputs=[sketch, info])
+
+# ============================================
+# 6. تشغيل التطبيق
+# ============================================
+if __name__ == "__main__":
+    demo.launch(share=True)