Create app.py

app.py

@@ -0,0 +1,92 @@
+# app.py
+import torch
+import torch.nn as nn
+import torchvision.transforms as transforms
+from PIL import Image
+import numpy as np
+import gradio as gr
+
+# -------------------------------
+# 1️⃣ إعداد الفئات
+# -------------------------------
+CLASSES = ["NONE", "INFECTION", "ISCHAEMIA", "BOTH"]
+
+# -------------------------------
+# 2️⃣ تعريف نموذج DenseShuffleGCANet (مثال مختصر، عدلي حسب نموذجك الحقيقي)
+# -------------------------------
+class DenseShuffleGCANet(nn.Module):
+    def __init__(self, num_classes=4, handcrafted_feature_dim=41):
+        super(DenseShuffleGCANet, self).__init__()
+        # مثال على backbone، عدلي حسب الكود الأصلي
+        self.backbone = nn.Sequential(
+            nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1),
+            nn.ReLU(),
+            nn.AdaptiveAvgPool2d((1,1))
+        )
+        self.fc_handcrafted = nn.Linear(handcrafted_feature_dim, 32)
+        self.classifier = nn.Linear(64 + 32, num_classes)
+    
+    def forward(self, x_image, x_features):
+        x_img = self.backbone(x_image)
+        x_img = x_img.view(x_img.size(0), -1)
+        x_feat = self.fc_handcrafted(x_features)
+        x = torch.cat([x_img, x_feat], dim=1)
+        out = self.classifier(x)
+        return out
+
+# -------------------------------
+# 3️⃣ تحميل النموذج المدرب
+# -------------------------------
+model = DenseShuffleGCANet(num_classes=4, handcrafted_feature_dim=41)
+model.load_state_dict(torch.load("best_model.pth", map_location=torch.device('cpu')))
+model.eval()
+
+# -------------------------------
+# 4️⃣ دالة استخراج الخصائص اليدوية
+# -------------------------------
+def extract_handcrafted_features(image_array):
+    """
+    ضع هنا كود استخراج الخصائص اليدوية الذي كنتِ تستخدمينه أثناء التدريب
+    يجب أن تعيد numpy array بحجم (41,)
+    """
+    # مثال عشوائي لتوضيح الفكرة
+    features = np.random.rand(41).astype(np.float32)
+    return torch.tensor(features)
+
+# -------------------------------
+# 5️⃣ دالة التنبؤ
+# -------------------------------
+def predict_image(image: Image.Image):
+    # تحويل الصورة للصيغة المناسبة للنموذج
+    transform = transforms.Compose([
+        transforms.Resize((224, 224)),
+        transforms.ToTensor(),
+        transforms.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225])
+    ])
+    image_tensor = transform(image).unsqueeze(0)  # إضافة batch dimension
+
+    # استخراج الخصائص اليدوية
+    features = extract_handcrafted_features(np.array(image)).unsqueeze(0)
+
+    # توقع النموذج
+    with torch.no_grad():
+        outputs = model(image_tensor, features)
+        probs = torch.softmax(outputs, dim=1).cpu().numpy()[0]
+        pred_class = CLASSES[np.argmax(probs)]
+
+    # إرجاع النتيجة ك probabilities + الفئة المتوقعة
+    return {CLASSES[i]: float(probs[i]) for i in range(len(CLASSES))}, pred_class
+
+# -------------------------------
+# 6️⃣ واجهة Gradio
+# -------------------------------
+interface = gr.Interface(
+    fn=predict_image,
+    inputs=gr.Image(type="pil"),
+    outputs=[gr.Label(num_top_classes=4), gr.Textbox(label="Predicted Class")],
+    title="DFU Foot Ulcer Classifier",
+    description="Upload an image of a foot ulcer to classify it as NONE, INFECTION, ISCHAEMIA, or BOTH."
+)
+
+if __name__ == "__main__":
+    interface.launch()