Update app.py

app.py

@@ -1,92 +1,52 @@
 import gradio as gr
 import tensorflow as tf
+from tensorflow import keras
 import numpy as np
 from huggingface_hub import hf_hub_download
+import cv2
 
-# מניעת שימוש ב-GPU - לפעמים זה עוזר במקרה של בעיות תאימות
-import os
-os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
+# הורדת המודל מ-Hugging Face Hub
+model_path = hf_hub_download(repo_id="GiladtheFixer/my_mnist_model", filename="mnist_model.keras")
+model = keras.models.load_model(model_path)
 
-try:
-    # טעינת המודל
-    model_path = hf_hub_download(
-        repo_id="GiladtheFixer/my_mnist_model",
-        filename="mnist_model.keras"
-    )
+def preprocess_image(image):
+    # המרת התמונה לגווני אפור אם היא צבעונית
+    if len(image.shape) == 3:
+        image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
     
-    # יצירת המודל מחדש
-    model = tf.keras.Sequential([
-        tf.keras.layers.Input(shape=(28, 28, 1)),
-        tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
-        tf.keras.layers.BatchNormalization(),
-        tf.keras.layers.MaxPooling2D((2, 2)),
-        
-        tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
-        tf.keras.layers.BatchNormalization(),
-        tf.keras.layers.MaxPooling2D((2, 2)),
-        
-        tf.keras.layers.Flatten(),
-        tf.keras.layers.Dense(256, activation='relu'),
-        tf.keras.layers.BatchNormalization(),
-        tf.keras.layers.Dropout(0.3),
-        
-        tf.keras.layers.Dense(128, activation='relu'),
-        tf.keras.layers.BatchNormalization(),
-        tf.keras.layers.Dropout(0.2),
-        
-        tf.keras.layers.Dense(10, activation='softmax')
-    ])
+    # שינוי גודל התמונה ל-28x28
+    image = cv2.resize(image, (28, 28))
     
-    # טעינת המשקולות מהמודל השמור
-    model.load_weights(model_path)
+    # נרמול הערכים ל-0-1
+    image = image.astype('float32') / 255.0
     
-except Exception as e:
-    print(f"Error loading model: {str(e)}")
-    raise e
+    # הוספת ממד נוסף עבור הערוץ
+    image = image.reshape(1, 28, 28, 1)
+    
+    return image
 
-def predict_digit(sketch_data):
-    try:
-        # עיבוד התמונה
-        img = sketch_data["composite"]
-        alpha_channel = img[..., 3]
-        img = alpha_channel / 255.0
-        
-        # שינוי גודל והוספת ממד
-        resized = tf.image.resize(
-            tf.expand_dims(img, -1),
-            [28, 28],
-            method='bilinear'
-        )
-        
-        # הכנת הקלט למודל
-        input_data = tf.expand_dims(resized, 0)
-        
-        # חיזוי
-        pred = model.predict(input_data, verbose=0)
-        
-        # החזרת התוצאות
-        return {str(i): float(pred[0][i]) for i in range(10)}
-    except Exception as e:
-        print(f"Error in prediction: {str(e)}")
-        return {str(i): 0.0 for i in range(10)}
+def predict_digit(image):
+    # עיבוד מקדים של התמונה
+    processed_image = preprocess_image(image)
+    
+    # חיזוי באמצעות המודל
+    prediction = model.predict(processed_image)
+    
+    # יצירת מילון עם התוצאות
+    result = {str(i): float(prediction[0][i]) for i in range(10)}
+    
+    return result
 
-# יצירת ממשק
-demo = gr.Interface(
+# יצירת ממשק Gradio
+iface = gr.Interface(
     fn=predict_digit,
-    inputs=[
-        gr.Sketchpad(
-            label="Draw a digit (0-9)",
-            height=400,
-            width=400,
-            brush_radius=8.0,
-            interactive=True
-        )
-    ],
+    inputs=gr.Image(shape=(28, 28), image_mode="L", source="canvas", tool="pencil"),
     outputs=gr.Label(num_top_classes=3),
-    title="MNIST Digit Recognition",
-    description="Draw a digit (0-9) and click submit to see the prediction",
-    allow_flagging="never"
+    title="זיהוי ספרות בכתב יד",
+    description="צייר ספרה בין 0 ל-9 והמודל יזהה אותה",
+    examples=[],
+    theme=gr.themes.Default()
 )
 
-if __name__ == "__main__":
-    demo.launch()
+# הפעלת האפליקציה
+iface.launch()