Update app.py

app.py

@@ -1,20 +1,26 @@
 import os
+
+# ⚠️ إجبار TensorFlow على عدم حجز الـ GPU بالكامل أثناء الـ Startup لمنع تصادم ZeroGPU
+os.environ["TF_FORCE_GPU_ALLOW_GROWTH"] = "true"
+os.environ["CUDA_VISIBLE_DEVICES"] = "0"
+
 import cv2
 import numpy as np
 import tensorflow as tf
 import gradio as gr
+import spaces  # مكتبة ZeroGPU
 from tensorflow.keras import datasets, layers, models
 
 # ============================================
-# 1. تحميل أو بناء النموذج (على CPU)
+# 1. تحميل أو بناء 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 بنجاح.")
+    print("✅ تم تحميل النموذج المحفوظ.")
 else:
-    print("⚠️ لم يتم العثور على النموذج.. جاري البناء والتدريب...")
+    print("⚠️ بناء وتدريب النموذج...")
     model = models.Sequential([
         layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
         layers.MaxPooling2D((2, 2)),
@@ -31,28 +37,23 @@ else:
         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 حفظ النموذج المكتمل.")
+    print("✅ تم حفظ النموذج.")
 
-# ============================================
-# 2. تحميل بيانات الاختبار للأمثلة العشوائية
-# ============================================
+# تحميل بيانات الاختبار للأمثلة
 (_, _), (test_images, test_labels) = datasets.mnist.load_data()
 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255.0
 
 # ============================================
-# 3. دالة معالجة واستخراج الصورة
+# 2. دالة معالجة الصورة
 # ============================================
 def process_image_for_mnist(image_input):
     if image_input is None:
         return None, None
 
-    # التعامل مع مدخلات Sketchpad المتنوعة في Gradio
     if isinstance(image_input, dict):
         image = image_input.get('composite', None)
         if image is None:
@@ -65,23 +66,17 @@ def process_image_for_mnist(image_input):
     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 رمادي Gray
     if len(image.shape) == 3:
         gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
     else:
         gray = image.copy()
 
-    # تغيير الحجم إلى 28x28
     resized = cv2.resize(gray, (28, 28), interpolation=cv2.INTER_AREA)
-
-    # تطبيق العتبة الثنائية (Otsu Thresholding)
     _, binary = cv2.threshold(resized, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
 
-    # عكس الألوان لتصبح الخلفية سوداء (0) والرسم أبيض (255) كبيئة MNIST
     if np.sum(binary == 255) > np.sum(binary == 0):
         binary = 255 - binary
 
@@ -91,8 +86,9 @@ def process_image_for_mnist(image_input):
     return normalized, reshaped
 
 # ============================================
-# 4. دالة التنبؤ المباشرة والآمنة
+# 3. دالة التوقع المحمية بـ ZeroGPU
 # ============================================
+@spaces.GPU
 def predict_sketch(image):
     try:
         if image is None:
@@ -101,25 +97,22 @@ def predict_sketch(image):
         normalized, reshaped = process_image_for_mnist(image)
 
         if normalized is None:
-            return {}, None, "⚠️ لم يتم التعرف على الصورة، يرجى إعادة الرسم."
+            return {}, None, "⚠️ تعذر معالجة الصورة المدخلة."
 
-        # الاستدعاء المباشر للموديل يمنع تعارض الخيوط (Threads) في TensorFlow
+        # إجراء التوقع باستخدام الـ GPU المخصص ديناميكياً
         preds = model(reshaped, training=False).numpy()[0]
         predicted_class = int(np.argmax(preds))
         confidence = float(np.max(preds))
 
-        # قاموس الاحتمالات الموجه لـ Gradio Label
         probabilities = {str(i): float(preds[i]) for i in range(10)}
 
-        # تحضير صورة العرض المصغرة
         display_img = (normalized * 255).astype(np.uint8)
         display_img = cv2.resize(display_img, (140, 140), interpolation=cv2.INTER_NEAREST)
 
-        # 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:
+        debug_info = f"""📊 نتائج التوقع (ZeroGPU):
 - الرقم المتوقع: {predicted_class}
 - نسبة الثقة: {confidence:.2%}
 
@@ -129,24 +122,23 @@ def predict_sketch(image):
         return probabilities, display_img, debug_info
 
     except Exception as e:
-        return {}, None, f"❌ حدث خطأ أثناء التوقّع: {str(e)}"
+        return {}, None, f"❌ خطأ أثناء التوقّع: {str(e)}"
 
 # ============================================
-# 5. دالة اختياري: اختيار مثال عشوائي
+# 4. دالة 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 جلب رقم عشوائي (الرقم الحقيقي: {test_labels[idx]})"
+    return img_rgb, f"🎲 تم اختيار رقم عشوائي (الرقم الحقيقي: {test_labels[idx]})"
 
 # ============================================
-# 6. بناء واجهة Gradio
+# 5. 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**.")
+with gr.Blocks(title="MNIST Recognizer on ZeroGPU") as demo:
+    gr.Markdown("# 🧠 التعرف على الأرقام المكتوبة بخط اليد (ZeroGPU)")
     
     with gr.Row():
         with gr.Column(scale=1):
@@ -154,13 +146,12 @@ 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=8)
+            info = gr.Textbox(label="📌 معلومات التصحيح", 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")
+            processed_img = gr.Image(label="🖼️ الصورة بعد المعالجة", image_mode="L")
 
-    # ربط الأحداث
     submit_btn.click(
         fn=predict_sketch,
         inputs=sketch,
@@ -173,7 +164,4 @@ with gr.Blocks(title="MNIST Digit Recognizer") as demo:
         outputs=[sketch, info]
     )
 
-# ============================================
-# 7. تشغيل التطبيق
-# ============================================
 demo.launch()