Update app.py

app.py

@@ -3,171 +3,92 @@ import gradio as gr
 import numpy as np
 import tensorflow as tf
 from scipy import ndimage
-from tensorflow.keras import layers, models
 
-# 1. بناء نموذج CNN أكثر متانة وقوة
-try:
-    model = tf.keras.models.load_model("mnist_advanced_model.keras")
-    print("✅ تم تحميل النموذج المتقدم")
-except Exception:
-    print("⚠️ بناء وتدريب نموذج متقدم جديد...")
-    model = models.Sequential(
-        [
-            layers.Conv2D(
-                32, (3, 3), activation="relu", input_shape=(28, 28, 1)
-            ),
-            layers.BatchNormalization(),
-            layers.Conv2D(32, (3, 3), activation="relu"),
-            layers.MaxPooling2D((2, 2)),
-            layers.Dropout(0.25),
-            layers.Conv2D(64, (3, 3), activation="relu"),
-            layers.BatchNormalization(),
-            layers.MaxPooling2D((2, 2)),
-            layers.Dropout(0.25),
-            layers.Flatten(),
-            layers.Dense(128, activation="relu"),
-            layers.Dropout(0.5),
-            layers.Dense(10, activation="softmax"),
-        ]
-    )
-
-    model.compile(
-        optimizer="adam",
-        loss="sparse_categorical_crossentropy",
-        metrics=["accuracy"],
-    )
-
-    (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
-    x_train = x_train.reshape(-1, 28, 28, 1).astype("float32") / 255.0
+# 1. تحميل النموذج المحفوظ مباشرة
+MODEL_PATH = "mnist_advanced_model.keras"
 
-    # Data Augmentation لزيادة مرونة النموذج
-    datagen = tf.keras.preprocessing.image.ImageDataGenerator(
-        rotation_range=10, zoom_range=0.1, width_shift_range=0.1, height_shift_range=0.1
-    )
-
-    model.fit(
-        datagen.flow(x_train, y_train, batch_size=64),
-        epochs=5,
-        validation_split=0.1,
-    )
-    model.save("mnist_advanced_model.keras")
+try:
+    model = tf.keras.models.load_model(MODEL_PATH)
+    print("✅ تم تحميل النموذج بنجاح")
+except Exception as e:
+    print(f"❌ خطأ: لم يتم العثور على ملف النموذج '{MODEL_PATH}'. التأكد من وجود الملف بجانب app.py")
 
 
-# 2. دالة تمركز الصورة بناءً على مركز الكتلة (طريقة MNIST الأصلية)
+# 2. دالة تمركز الصورة
 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]])
-    centered = cv2.warpAffine(img, M, (cols, rows))
-    return centered
-
-
-# 3. دالة المعالجة والتنبؤ مع دعم خيارات Gradio
-def predict(image, apply_centering, thickness_level):
-    try:
-        if isinstance(image, dict):
-            image = image.get("composite", image.get("background"))
-
-        if image is None:
-            return None, {"error": "لم يتم الرسم"}
-
-        # تحويل إلى خريطة رمادية
-        gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
-
-        # عكس الألوان (بحيث يكون الرقم أبيض والخلفية سوداء)
-        _, thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV)
-
-        # تطبيق سمك الخط إذا طُلِب
-        if thickness_level > 0:
-            kernel = np.ones(
-                (thickness_level, thickness_level), np.uint8
-            )
-            thresh = cv2.dilate(thresh, kernel, iterations=1)
-
-        # قص المنطقة النشطة (Bounding Box) وتكبيرها
-        coords = cv2.findNonZero(thresh)
-        if coords is not None:
-            x, y, w, h = cv2.boundingRect(coords)
-            cropped = thresh[y : y + h, x : x + w]
-
-            # المحافظة على نسبة العرض إلى الارتفاع عند التحجيم
-            if w > h:
-                new_w = 20
-                new_h = int(h * (20 / w))
-            else:
-                new_h = 20
-                new_w = int(w * (20 / h))
-
-            resized = cv2.resize(
-                cropped, (new_w, new_h), interpolation=cv2.INTER_AREA
-            )
-            padded = np.pad(
-                resized,
-                (
-                    ((28 - new_h) // 2, 28 - (new_h + (28 - new_h) // 2)),
-                    ((28 - new_w) // 2, 28 - (new_w + (28 - new_w) // 2)),
-                ),
-                "constant",
-            )
-        else:
-            padded = cv2.resize(thresh, (28, 28))
+    return cv2.warpAffine(img, M, (cols, rows))
 
-        # تطبيق تمركز الكتلة
-        if apply_centering:
-            final_img = center_image(padded)
-        else:
-            final_img = padded
 
-        # المعايرة للتغذية في النموذج
-        input_data = (final_img.astype("float32") / 255.0).reshape(
-            1, 28, 28, 1
+# 3. دالة التنبؤ
+def predict(image):
+    if image is None:
+        return None, {"error": "لم يت�� الرسم"}
+
+    # استخراج الصورة إذا كانت الواجهة تُرجع قاموساً (Gradio 4+)
+    if isinstance(image, dict):
+        image = image.get("composite", image.get("background"))
+
+    # تحويل الصورة إلى رمادي وعكس الألوان (أبيض على أسود)
+    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
+    _, thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV)
+
+    # اقتصاص الجزء المرسوم وتغيير حجمه
+    coords = cv2.findNonZero(thresh)
+    if coords is not None:
+        x, y, w, h = cv2.boundingRect(coords)
+        cropped = thresh[y : y + h, x : x + w]
+
+        # الحفاظ على أبعاد الرسمة عند التحجيم لـ 20x20
+        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)
+        
+        # إضافة إطار (Padding) لتصبح الصورة 28x28
+        pad_vert = (28 - new_h) // 2
+        pad_horiz = (28 - new_w) // 2
+        padded = np.pad(
+            resized,
+            ((pad_vert, 28 - new_h - pad_vert), (pad_horiz, 28 - new_w - pad_horiz)),
+            "constant",
         )
-        pred = model.predict(input_data, verbose=0)[0]
+    else:
+        padded = cv2.resize(thresh, (28, 28))
 
-        # إعادة الصورة المعالجة ليعاينها المستخدم، بالإضافة للنتائج
-        results = {str(i): float(pred[i]) for i in range(10)}
-        return final_img, results
+    # تمركز كتلة الرسمة
+    final_img = center_image(padded)
 
-    except Exception as e:
-        return None, {"error": str(e)}
+    # تجهيز الصورة والتنبؤ
+    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)}
 
-# 4. بناء واجهة Gradio باستخدام Blocks للتخصيص الكامل
-with gr.Blocks(title="MNIST Advanced Recognizer") as demo:
-    gr.Markdown("# 🧠 التعرف الذكي على الأرقام (MNIST)")
-    gr.Markdown(
-        "ارسم رقماً وقم بتعديل خيارات المعالجة لمعاينة كيف يرى النموذج الصورة."
-    )
 
+# 4. واجهة Gradio
+with gr.Blocks(title="MNIST Predictor") as demo:
+    gr.Markdown("# 🧠 التنبؤ بالأرقام المرسومة")
+    
     with gr.Row():
-        with gr.Column(scale=1):
-            input_pad = gr.Sketchpad(label="لوحة الرسم")
-            with gr.Accordion("خيارات معالجة الصورة", open=True):
-                chk_center = gr.Checkbox(
-                    value=True, label="تمركز الصورة (Center of Mass)"
-                )
-                sld_thickness = gr.Slider(
-                    minimum=0,
-                    maximum=3,
-                    step=1,
-                    value=1,
-                    label="زيادة سمك الخط (Dilation)",
-                )
-
+        with gr.Column():
+            input_pad = gr.Sketchpad(label="ارسم رقماً هنا")
             btn_predict = gr.Button("تنبؤ", variant="primary")
-
-        with gr.Column(scale=1):
-            out_label = gr.Label(num_top_classes=3, label="أعلى التوقعات")
-            out_processed_img = gr.Image(
-                label="الصورة بعد المعالجة (28x28)", image_mode="L"
-            )
+        
+        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, chk_center, sld_thickness],
-        outputs=[out_processed_img, out_label],
+        inputs=[input_pad],
+        outputs=[out_img, out_label],
     )
 
 if __name__ == "__main__":