Update app.py

app.py

@@ -1,146 +1,88 @@
-import os
-import cv2
 import gradio as gr
 import numpy as np
 import tensorflow as tf
-from scipy import ndimage
-from tensorflow.keras import layers, models
-
-MODEL_PATH = "mnist_model.keras"
-import spaces  # استيراد مكتبة ZeroGPU
-
-
-# إضافة المزخرف فوق دالة التنبؤ
+import cv2
+from tensorflow.keras import datasets, layers, models
+import os
+import spaces  # <--- 1. استيراد مكتبة spaces
+
+# ============================================
+# 1. تحميل النموذج في النطاق العام (مرة واحدة فقط)
+# ============================================
+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)),
+        layers.Conv2D(64, (3, 3), activation='relu'),
+        layers.MaxPooling2D((2, 2)),
+        layers.Flatten(),
+        layers.Dense(64, activation='relu'),
+        layers.Dense(10, activation='softmax')
+    ])
+    model.compile(optimizer='adam',
+                  loss='sparse_categorical_crossentropy',
+                  metrics=['accuracy'])
+    
+    (x_train, y_train), _ = datasets.mnist.load_data()
+    x_train = x_train.reshape((60000, 28, 28, 1)).astype('float32') / 255
+    model.fit(x_train, y_train, epochs=3, validation_split=0.1, verbose=1)
+    model.save(model_path)
+    print("✅ تم بناء النموذج وتدريبه وحفظه.")
+
+# ============================================
+# 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
+
+# ============================================
+# 3. دوال التنبؤ والمثال العشوائي
+# ============================================
+# --- الدالة التي تستخدم GPU يتم تزيينها بـ @spaces.GPU ---
 @spaces.GPU
-
-def get_or_build_model():
-    # 1. إذا كان النموذج موجوداً، قم بتحميله فوراً
-    if os.path.exists(MODEL_PATH):
-        print("✅ تم تحميل النموذج بنجاح من الملف")
-        return tf.keras.models.load_model(MODEL_PATH)
-
-    # 2. إذا لم يكن موجوداً، يتم بناؤه وتدريبه سريعاً لمرة واحدة
-    print("⚠️ لم يتم العثور على ملف النموذج. جاري بناء وتدريب نموذج جديد على CPU...")
-    model = models.Sequential(
-        [
-            layers.Input(shape=(28, 28, 1)),
-            layers.Conv2D(32, (3, 3), activation="relu"),
-            layers.BatchNormalization(),
-            layers.MaxPooling2D((2, 2)),
-            layers.Conv2D(64, (3, 3), activation="relu"),
-            layers.BatchNormalization(),
-            layers.MaxPooling2D((2, 2)),
-            layers.Flatten(),
-            layers.Dense(64, activation="relu"),
-            layers.Dropout(0.3),
-            layers.Dense(10, activation="softmax"),
-        ]
-    )
-
-    model.compile(
-        optimizer="adam",
-        loss="sparse_categorical_crossentropy",
-        metrics=["accuracy"],
-    )
-
-    # تحميل البيانات وتقسيمها يدوياً لتفادي أخطاء Keras 3
-    (x_train_full, y_train_full), _ = tf.keras.datasets.mnist.load_data()
-    x_train_full = x_train_full.reshape(-1, 28, 28, 1).astype("float32") / 255.0
-
-    split = int(len(x_train_full) * 0.9)
-    x_tr, x_va = x_train_full[:split], x_train_full[split:]
-    y_tr, y_va = y_train_full[:split], y_train_full[split:]
-
-    # تدريب خفيف جداً لـ 3 جولات فقط (سريع ومناسب لـ CPU Space)
-    model.fit(
-        x_tr,
-        y_tr,
-        epochs=3,
-        batch_size=128,
-        validation_data=(x_va, y_va),
-        verbose=1,
-    )
-
-    model.save(MODEL_PATH)
-    print("✅ تم تدريب النموذج وحفظه بنجاح")
-    return model
-
-
-# تحميل أو بناء النموذج
-model = get_or_build_model()
-
-
-# دالة تمركز كتلة الرسم
-def center_image(img):
-    cy, cx = ndimage.center_of_mass(img)
-    rows, cols = img.shape
-    shiftx = np.round(cols / 2.0 - cx)
-    shifty = np.round(rows / 2.0 - cy)
-    M = np.float32([[1, 0, shiftx], [0, 1, shifty]])
-    return cv2.warpAffine(img, M, (cols, rows))
-
-
-# دالة التنبؤ
-def predict(image):
-    if image is None:
-        return None, {"error": "لم يتم الرسم"}
-
-    if isinstance(image, dict):
-        image = image.get("composite", image.get("background"))
-
-    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
-    _, thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV)
-
-    coords = cv2.findNonZero(thresh)
-    if coords is not None:
-        x, y, w, h = cv2.boundingRect(coords)
-        cropped = thresh[y : y + h, x : x + w]
-
-        if w > h:
-            new_w, new_h = 20, int(h * (20 / w))
-        else:
-            new_h, new_w = 20, int(w * (20 / h))
-
-        resized = cv2.resize(
-            cropped, (new_w, new_h), interpolation=cv2.INTER_AREA
-        )
-
-        pad_v = (28 - new_h) // 2
-        pad_h = (28 - new_w) // 2
-        padded = np.pad(
-            resized,
-            ((pad_v, 28 - new_h - pad_v), (pad_h, 28 - new_w - pad_h)),
-            "constant",
-        )
-    else:
-        padded = cv2.resize(thresh, (28, 28))
-
-    final_img = center_image(padded)
-    input_data = (final_img.astype("float32") / 255.0).reshape(1, 28, 28, 1)
-
-    pred = model.predict(input_data, verbose=0)[0]
-    return final_img, {str(i): float(pred[i]) for i in range(10)}
-
-
-# واجهة Gradio
-with gr.Blocks(title="MNIST Predictor") as demo:
-    gr.Markdown("# 🧠 التنبؤ بالأرقام المرسومة (MNIST)")
+def predict_sketch(image):
+    try:
+        gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
+        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)}
+    except Exception as e:
+        return {"خطأ": str(e)}
+
+# --- هذه الدالة لا تحتاج GPU، لذا لا تزينها ---
+def random_example():
+    idx = np.random.randint(0, len(test_images))
+    img = test_images[idx].reshape(28, 28)
+    img_rgb = np.stack([img] * 3, axis=2)
+    return img_rgb, f"الرقم الحقيقي: {test_labels[idx]}"
+
+# ============================================
+# 4. بناء واجهة Gradio
+# ============================================
+with gr.Blocks(title="MNIST 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**.")
 
     with gr.Row():
-        with gr.Column():
-            input_pad = gr.Sketchpad(label="ارسم رقماً هنا")
-            btn_predict = gr.Button("تنبؤ", variant="primary")
-
-        with gr.Column():
-            out_label = gr.Label(num_top_classes=3, label="النتيجة")
-            out_img = gr.Image(label="الصورة المعالجة (28x28)", image_mode="L")
-
-    btn_predict.click(
-        fn=predict,
-        inputs=[input_pad],
-        outputs=[out_img, out_label],
-    )
-
-if __name__ == "__main__":
-    demo = gr.Interface(fn=predict_digit, inputs="sketchpad", outputs="label")
-demo.launch()
+        with gr.Column(scale=1):
+            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)
+
+        with gr.Column(scale=1):
+            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])