Update app.py

app.py

@@ -668,6 +668,9 @@ def classify_image(img):
     if img.mode != 'RGB':
         img = img.convert('RGB')
 
+    # ✂️ قص الفراغ الأزرق قبل التحليل
+    img = crop_container(img)
+
     input_224 = transform_224(img).unsqueeze(0).to(DEVICE)
     input_256 = transform_256(img).unsqueeze(0).to(DEVICE) if transform_256 else input_224
 
@@ -1079,6 +1082,63 @@ def enhance_single_independent(img, technique):
 # لا يستخدم classify_image ولا analyze_image
 # ═══════════════════════════════════════════════════════════════
 
+def crop_container(img):
+    """
+    ✂️ قص الحاوية وإزالة الفراغ الأزرق الخلفي
+    يبحث عن حدود المحتوى الحقيقي ويقص الخلفية الزرقاء
+    """
+    import numpy as np
+    arr = np.array(img)
+    h, w = arr.shape[:2]
+
+    # الخلفية الزرقاء: R<100, G<100, B>130
+    # المحتوى: أي بكسل ليس أزرق خالص
+    if len(arr.shape) == 3:
+        is_bg = (arr[:,:,0].astype(int) < 100) & \
+                (arr[:,:,1].astype(int) < 100) & \
+                (arr[:,:,2].astype(int) > 130)
+        # أيضاً الأبيض/الرمادي الفاتح جداً كخلفية
+        is_bg_white = (arr[:,:,0] > 240) & (arr[:,:,1] > 240) & (arr[:,:,2] > 240)
+        is_bg = is_bg | is_bg_white
+    else:
+        return img  # grayscale — لا crop
+
+    is_content = ~is_bg
+
+    # البحث عن حدود المحتوى
+    rows_with_content = np.any(is_content, axis=1)
+    cols_with_content = np.any(is_content, axis=0)
+
+    if not rows_with_content.any() or not cols_with_content.any():
+        print("⚠️ Crop: لم يُعثر على محتوى، إرجاع الأصلية")
+        return img
+
+    top    = int(np.argmax(rows_with_content))
+    bottom = int(len(rows_with_content) - np.argmax(rows_with_content[::-1]))
+    left   = int(np.argmax(cols_with_content))
+    right  = int(len(cols_with_content) - np.argmax(cols_with_content[::-1]))
+
+    # هامش 5 بكسل
+    margin = 5
+    top    = max(0, top - margin)
+    bottom = min(h, bottom + margin)
+    left   = max(0, left - margin)
+    right  = min(w, right + margin)
+
+    crop_w = right - left
+    crop_h = bottom - top
+
+    # لا crop إذا كان المحتوى أقل من 20% من الصورة (خطأ في الكشف)
+    if crop_w < w * 0.2 or crop_h < h * 0.2:
+        print(f"⚠️ Crop: نتيجة صغيرة جداً {crop_w}x{crop_h}، إرجاع الأصلية")
+        return img
+
+    print(f"✂️ Crop: {w}x{h} → {crop_w}x{crop_h} | L={left} T={top} R={right} B={bottom}")
+    print(f"✂️ تم حذف {w-crop_w} بكسل أفقي، {h-crop_h} بكسل رأسي")
+
+    return img.crop((left, top, right, bottom))
+
+
 def yolo11_fast_classify(img, declared_text):
     """⚡ تصنيف سريع بـ YOLO11x-cls فقط (3-8 ثواني)"""
     if img is None:
@@ -1087,64 +1147,16 @@ def yolo11_fast_classify(img, declared_text):
                 pd.DataFrame(), None)
 
     start = time_module.time()
-
-    # ══════════════════════════════════════════════════
-    # 🔍 DEBUG BLOCK — لمعرفة ما تراه Python قبل YOLO
-    # ══════════════════════════════════════════════════
-    import io as _io
-    import os as _os
-
-    arr_orig = np.array(img)
-    print(f"\n{'='*60}")
-    print(f"🔍 DEBUG yolo11_fast_classify — صورة مستقبَلة")
-    print(f"{'='*60}")
-    print(f"📐 الحجم: {img.size[0]}x{img.size[1]}")
-    print(f"🎨 Mode: {img.mode}")
-    print(f"📊 Array shape: {arr_orig.shape}")
-    print(f"📊 dtype: {arr_orig.dtype}")
-    print(f"📊 min={arr_orig.min()} / max={arr_orig.max()} / mean={arr_orig.mean():.2f}")
-
-    # هل الصورة رمادية مخفية داخل RGB؟
-    if len(arr_orig.shape) == 3 and arr_orig.shape[2] == 3:
-        r_eq_g = bool(np.all(arr_orig[:,:,0] == arr_orig[:,:,1]))
-        g_eq_b = bool(np.all(arr_orig[:,:,1] == arr_orig[:,:,2]))
-        print(f"🔬 R==G: {r_eq_g}  |  G==B: {g_eq_b}")
-        print(f"🔬 هل رمادية مخفية (R=G=B): {r_eq_g and g_eq_b}")
-
-        # فحص 5 pixels من المنتصف
-        h, w = arr_orig.shape[:2]
-        print(f"🔬 عينة pixels من المنتصف:")
-        for y in range(h//2 - 2, h//2 + 3, 2):
-            for x in range(w//2 - 2, w//2 + 3, 2):
-                r, g, b = arr_orig[y, x]
-                print(f"   [{y},{x}] → R={r} G={g} B={b}")
-
-        # فحص توزيع القنوات
-        r_mean = arr_orig[:,:,0].mean()
-        g_mean = arr_orig[:,:,1].mean()
-        b_mean = arr_orig[:,:,2].mean()
-        print(f"📊 متوسط القنوات: R={r_mean:.1f}  G={g_mean:.1f}  B={b_mean:.1f}")
-        print(f"📊 فرق R-G={abs(r_mean-g_mean):.2f}  G-B={abs(g_mean-b_mean):.2f}")
-
-    # حفظ الصورة الواردة للمقارنة
-    try:
-        debug_path = "/tmp/debug_received.png"
-        img.save(debug_path)
-        size_kb = _os.path.getsize(debug_path) / 1024
-        print(f"💾 تم حفظ الصورة الواردة: {debug_path} ({size_kb:.1f}KB)")
-    except Exception as _e:
-        print(f"⚠️ تعذر حفظ: {_e}")
-
-    print(f"{'='*60}\n")
-    # ══════════════════════════════════════════════════
-    # نهاية DEBUG BLOCK
-    # ══════════════════════════════════════════════════
-
     if img.mode != 'RGB':
-        print(f"🔄 تحويل من {img.mode} إلى RGB")
         img = img.convert('RGB')
-        arr_after = np.array(img)
-        print(f"🔄 بعد التحويل: R={arr_after[:,:,0].mean():.1f} G={arr_after[:,:,1].mean():.1f} B={arr_after[:,:,2].mean():.1f}")
+
+    # ✂️ قص الفراغ الأزرق — نفس ما يراه المستخدم في الواجهة
+    img_original_size = img.size
+    img = crop_container(img)
+    if img.size != img_original_size:
+        print(f"✂️ بعد الـ Crop: {img.size[0]}x{img.size[1]}")
+    else:
+        print("ℹ️ لم يتم Crop (الصورة بدون فراغ)")
 
     # ═══ البحث عن YOLO11x فقط ═══
     yolo_model = None
@@ -1159,23 +1171,6 @@ def yolo11_fast_classify(img, declared_text):
         return ("<div style='color:red;text-align:center;padding:30px;'>❌ YOLO11x-cls غير متوفر</div>",
                 pd.DataFrame(), None)
 
-    # ═══ DEBUG: حفظ الصورة التي ستُرسل لـ YOLO ═══
-    try:
-        debug_yolo_path = "/tmp/debug_to_yolo.png"
-        img.save(debug_yolo_path)
-        import os as _os2
-        yolo_size_kb = _os2.path.getsize(debug_yolo_path) / 1024
-        arr_yolo = np.array(img)
-        print(f"\n📤 الصورة المُرسلة لـ YOLO:")
-        print(f"   📐 {img.size[0]}x{img.size[1]} | {img.mode}")
-        print(f"   📊 R={arr_yolo[:,:,0].mean():.1f}  G={arr_yolo[:,:,1].mean():.1f}  B={arr_yolo[:,:,2].mean():.1f}")
-        print(f"   💾 PNG size: {yolo_size_kb:.1f}KB")
-        r_eq_g2 = bool(np.all(arr_yolo[:,:,0] == arr_yolo[:,:,1]))
-        g_eq_b2 = bool(np.all(arr_yolo[:,:,1] == arr_yolo[:,:,2]))
-        print(f"   🔬 رمادية مخفية: {r_eq_g2 and g_eq_b2}")
-    except Exception as _e2:
-        print(f"⚠️ debug YOLO: {_e2}")
-
     # ═══ تصنيف ═══
     items_list = []
     try:
@@ -1183,12 +1178,6 @@ def yolo11_fast_classify(img, declared_text):
         if res and res[0].probs is not None:
             probs = res[0].probs.data.cpu().numpy()
             top5_idx = probs.argsort()[-5:][::-1]
-            # ═══ DEBUG: طباعة top-5 نتائج YOLO ═══
-            print(f"\n🎯 نتائج YOLO {yolo_name} — top-5:")
-            for rank, idx in enumerate(top5_idx[:5]):
-                cat = CATEGORIES[idx] if idx < len(CATEGORIES) else f"idx_{idx}"
-                print(f"   {rank+1}. {cat}: {probs[idx]:.1%}")
-            print()
             for idx in top5_idx:
                 if idx < len(CATEGORIES) and probs[idx] > 0.05:
                     items_list.append((CATEGORIES[idx], float(probs[idx])))