Update handler.py

handler.py

@@ -1,12 +1,10 @@
 import base64
 import io
 import os
-import numpy as np
 from typing import Dict, Any, List
 import torch
 from PIL import Image
 from transformers import pipeline, AutoConfig
-import cv2
 
 class EndpointHandler:
     def __init__(self, model_dir: str) -> None:
@@ -31,7 +29,6 @@ class EndpointHandler:
             )
             
             print("تم تحميل النموذج بنجاح")
-            self.fallback_mode = False
             
         except Exception as e:
             print(f"خطأ أثناء تهيئة النموذج: {e}")
@@ -42,10 +39,10 @@ class EndpointHandler:
                 # تحميل التكوين فقط (ملف صغير) بدلاً من النموذج الكامل
                 config = AutoConfig.from_pretrained("yaya36095/ai-source-detector")
                 
-                # إنشاء وظيفة محاكاة متقدمة للتصنيف
+                # إنشاء وظيفة محاكاة بسيطة للتصنيف
                 self.fallback_mode = True
                 self.config = config
-                print("تم التحويل إلى وضع المحاكاة المتقدمة")
+                print("تم التحويل إلى وضع المحاكاة البسيطة")
                 
             except Exception as e2:
                 print(f"فشلت المحاولة البديلة أيضًا: {e2}")
@@ -58,283 +55,6 @@ class EndpointHandler:
         except Exception as e:
             print(f"خطأ في فك الترميز: {e}")
             raise
-    
-    def _analyze_image_features(self, img):
-        """تحليل متقدم لخصائص الصورة لتحديد مصدرها"""
-        try:
-            # تحويل صورة PIL إلى مصفوفة NumPy
-            img_np = np.array(img)
-            
-            # تحويل الصورة إلى نطاق رمادي للتحليل
-            if len(img_np.shape) == 3 and img_np.shape[2] == 3:
-                gray = cv2.cvtColor(img_np, cv2.COLOR_RGB2GRAY)
-            else:
-                gray = img_np
-                
-            # استخراج خصائص متعددة من الصورة
-            
-            # 1. حساب مقياس الحدة (Sharpness)
-            laplacian_var = cv2.Laplacian(gray, cv2.CV_64F).var()
-            
-            # 2. حساب تناسق النسيج (Texture Uniformity)
-            glcm = self._calculate_glcm(gray)
-            texture_uniformity = np.sum(glcm**2)
-            
-            # 3. حساب آثار الضغط (Compression Artifacts)
-            compression_artifacts = self._detect_compression_artifacts(gray)
-            
-            # 4. حساب تناسق الألوان (Color Coherence)
-            color_coherence = self._calculate_color_coherence(img_np) if len(img_np.shape) == 3 else 0.5
-            
-            # 5. حساب تناسق الإضاءة (Lighting Consistency)
-            lighting_consistency = self._calculate_lighting_consistency(gray)
-            
-            # تحليل النتائج وتحديد المصدر المحتمل
-            features = {
-                'sharpness': laplacian_var,
-                'texture_uniformity': texture_uniformity,
-                'compression_artifacts': compression_artifacts,
-                'color_coherence': color_coherence,
-                'lighting_consistency': lighting_consistency
-            }
-            
-            return self._determine_source_from_features(features)
-            
-        except Exception as e:
-            print(f"خطأ في تحليل خصائص الصورة: {e}")
-            # في حالة الخطأ، نعود بنتائج متوازنة
-            return [
-                {"label": "real", "score": 0.5},
-                {"label": "stable_diffusion", "score": 0.2},
-                {"label": "midjourney", "score": 0.15},
-                {"label": "dalle", "score": 0.1},
-                {"label": "other_ai", "score": 0.05}
-            ]
-    
-    def _calculate_glcm(self, gray, distance=1, angle=0):
-        """حساب مصفوفة التواجد المشترك للمستوى الرمادي (GLCM)"""
-        try:
-            # تبسيط الصورة إلى 8 مستويات رمادية لتسريع الحساب
-            gray_reduced = (gray // 32).astype(np.uint8)
-            levels = 8
-            
-            # إنشاء GLCM يدويًا
-            glcm = np.zeros((levels, levels), dtype=np.float32)
-            
-            # حساب الإزاحة بناءً على المسافة والزاوية
-            if angle == 0:  # أفقي
-                dx, dy = distance, 0
-            elif angle == 45:  # قطري
-                dx, dy = distance, distance
-            elif angle == 90:  # عمودي
-                dx, dy = 0, distance
-            elif angle == 135:  # قطري آخر
-                dx, dy = -distance, distance
-            
-            # حساب GLCM
-            h, w = gray_reduced.shape
-            for i in range(h):
-                for j in range(w):
-                    if 0 <= i + dy < h and 0 <= j + dx < w:
-                        glcm[gray_reduced[i, j], gray_reduced[i + dy, j + dx]] += 1
-            
-            # تطبيع GLCM
-            if glcm.sum() > 0:
-                glcm /= glcm.sum()
-                
-            return glcm
-        except Exception as e:
-            print(f"خطأ في حساب GLCM: {e}")
-            return np.ones((8, 8), dtype=np.float32) / 64  # مصفوفة موحدة كقيمة افتراضية
-    
-    def _detect_compression_artifacts(self, gray):
-        """اكتشاف آثار الضغط في الصورة"""
-        try:
-            # حساب الفرق بين البكسلات المجاورة
-            dx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
-            dy = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
-            
-            # حساب التدرج
-            gradient_magnitude = np.sqrt(dx**2 + dy**2)
-            
-            # حساب عتبة ديناميكية
-            threshold = np.mean(gradient_magnitude) * 0.5
-            
-            # عد البكسلات التي تتجاوز العتبة
-            artifacts_count = np.sum(gradient_magnitude > threshold) / (gray.shape[0] * gray.shape[1])
-            
-            return artifacts_count
-        except Exception as e:
-            print(f"خطأ في اكتشاف آثار الضغط: {e}")
-            return 0.5  # قيمة متوسطة كقيمة افتراضية
-    
-    def _calculate_color_coherence(self, img_np):
-        """حساب تناسق الألوان في الصورة"""
-        try:
-            # تقسيم الصورة إلى قنوات RGB
-            r, g, b = img_np[:,:,0], img_np[:,:,1], img_np[:,:,2]
-            
-            # حساب الانحراف المعياري لكل قناة
-            r_std = np.std(r)
-            g_std = np.std(g)
-            b_std = np.std(b)
-            
-            # حساب متوسط الانحراف المعياري
-            avg_std = (r_std + g_std + b_std) / 3
-            
-            # تطبيع النتيجة إلى نطاق [0, 1]
-            max_possible_std = 255 / 2  # أقصى انحراف معياري ممكن
-            coherence = 1 - min(avg_std / max_possible_std, 1)
-            
-            return coherence
-        except Exception as e:
-            print(f"خطأ في حساب تناسق الألوان: {e}")
-            return 0.5  # قيمة متوسطة كقيمة افتراضية
-    
-    def _calculate_lighting_consistency(self, gray):
-        """حساب تناسق الإضاءة في الصورة"""
-        try:
-            # تقسيم الصورة إلى 4 مناطق
-            h, w = gray.shape
-            top_left = gray[:h//2, :w//2]
-            top_right = gray[:h//2, w//2:]
-            bottom_left = gray[h//2:, :w//2]
-            bottom_right = gray[h//2:, w//2:]
-            
-            # حساب متوسط الإضاءة لكل منطقة
-            avg_tl = np.mean(top_left)
-            avg_tr = np.mean(top_right)
-            avg_bl = np.mean(bottom_left)
-            avg_br = np.mean(bottom_right)
-            
-            # حساب الانحراف المعياري للمتوسطات
-            std_of_avgs = np.std([avg_tl, avg_tr, avg_bl, avg_br])
-            
-            # تطبيع النتيجة إلى نطاق [0, 1]
-            max_possible_std = 255 / 2  # أقصى انحراف معياري ممكن
-            consistency = 1 - min(std_of_avgs / max_possible_std, 1)
-            
-            return consistency
-        except Exception as e:
-            print(f"خطأ في حساب تناسق الإضاءة: {e}")
-            return 0.5  # قيمة متوسطة كقيمة افتراضية
-    
-    def _determine_source_from_features(self, features):
-        """تحديد مصدر الصورة بناءً على الخصائص المستخرجة"""
-        # تحليل الخصائص وتحديد المصدر المحتمل
-        
-        # خصائص نموذجية لكل مصدر (قيم تقريبية بناءً على الملاحظات)
-        source_profiles = {
-            'real': {
-                'sharpness': (50, 500),  # نطاق الحدة للصور الحقيقية
-                'texture_uniformity': (0.01, 0.1),  # تناسق النسيج أقل في الصور الحقيقية
-                'compression_artifacts': (0.05, 0.3),  # آثار ضغط متوسطة
-                'color_coherence': (0.3, 0.7),  # تناسق ألوان متوسط
-                'lighting_consistency': (0.4, 0.8)  # تناسق إضاءة متوسط
-            },
-            'stable_diffusion': {
-                'sharpness': (100, 400),  # حدة متوسطة إلى عالية
-                'texture_uniformity': (0.05, 0.2),  # تناسق نسيج متوسط
-                'compression_artifacts': (0.01, 0.1),  # آثار ضغط منخفضة
-                'color_coherence': (0.6, 0.9),  # تناسق ألوان عالي
-                'lighting_consistency': (0.7, 0.95)  # تناسق إضاءة عالي
-            },
-            'midjourney': {
-                'sharpness': (200, 600),  # حدة عالية جداً
-                'texture_uniformity': (0.1, 0.3),  # تناسق نسيج عالي
-                'compression_artifacts': (0.01, 0.1),  # آثار ضغط منخفضة
-                'color_coherence': (0.7, 0.95),  # تناسق ألوان عالي جداً
-                'lighting_consistency': (0.8, 0.98)  # تناسق إضاءة عالي جداً
-            },
-            'dalle': {
-                'sharpness': (150, 500),  # حدة عالية
-                'texture_uniformity': (0.08, 0.25),  # تناسق نسيج عالي
-                'compression_artifacts': (0.01, 0.1),  # آثار ضغط منخفضة
-                'color_coherence': (0.65, 0.9),  # تناسق ألوان عالي
-                'lighting_consistency': (0.75, 0.95)  # تناسق إضاءة عالي
-            },
-            'other_ai': {
-                'sharpness': (100, 450),  # حدة متوسطة إلى عالية
-                'texture_uniformity': (0.05, 0.2),  # تناسق نسيج متوسط
-                'compression_artifacts': (0.01, 0.15),  # آثار ضغط منخفضة إلى متوسطة
-                'color_coherence': (0.5, 0.85),  # تناسق ألوان متوسط إلى عالي
-                'lighting_consistency': (0.6, 0.9)  # تناسق إضاءة متوسط إلى عالي
-            }
-        }
-        
-        # حساب درجة التطابق مع كل مصدر
-        scores = {}
-        for source, profile in source_profiles.items():
-            score = 0
-            for feature, value in features.items():
-                if feature == 'sharpness':
-                    # للحدة، نستخدم مقياس لوغاريتمي لتعويض النطاق الواسع
-                    log_value = np.log1p(value) if value > 0 else 0
-                    log_min = np.log1p(profile[feature][0]) if profile[feature][0] > 0 else 0
-                    log_max = np.log1p(profile[feature][1]) if profile[feature][1] > 0 else 0
-                    
-                    if log_min <= log_value <= log_max:
-                        # داخل النطاق المثالي
-                        feature_score = 1.0
-                    else:
-                        # خارج النطاق، حساب المسافة النسبية
-                        if log_value < log_min:
-                            feature_score = 1.0 - min((log_min - log_value) / log_min, 1.0)
-                        else:  # log_value > log_max
-                            feature_score = 1.0 - min((log_value - log_max) / log_max, 1.0)
-                else:
-                    # للخصائص الأخرى، نستخدم مقياس خطي
-                    min_val, max_val = profile[feature]
-                    if min_val <= value <= max_val:
-                        # داخل النطاق المثالي
-                        feature_score = 1.0
-                    else:
-                        # خارج النطاق، حساب المسافة النسبية
-                        if value < min_val:
-                            feature_score = 1.0 - min((min_val - value) / min_val, 1.0)
-                        else:  # value > max_val
-                            feature_score = 1.0 - min((value - max_val) / max_val, 1.0)
-                
-                # إضافة درجة الخاصية إلى الدرجة الإجمالية
-                # أوزان مختلفة للخصائص المختلفة
-                weights = {
-                    'sharpness': 0.2,
-                    'texture_uniformity': 0.2,
-                    'compression_artifacts': 0.15,
-                    'color_coherence': 0.25,
-                    'lighting_consistency': 0.2
-                }
-                score += feature_score * weights[feature]
-            
-            # تطبيع الدرجة الإجمالية
-            scores[source] = score
-        
-        # تطبيع الدرجات لتكون مجموعها 1
-        total_score = sum(scores.values())
-        if total_score > 0:
-            normalized_scores = {source: score / total_score for source, score in scores.items()}
-        else:
-            # في حالة الخطأ، استخدام توزيع متوازن
-            normalized_scores = {
-                'real': 0.2,
-                'stable_diffusion': 0.2,
-                'midjourney': 0.2,
-                'dalle': 0.2,
-                'other_ai': 0.2
-            }
-        
-        # تحويل النتائج إلى التنسيق المطلوب
-        results = []
-        for source, score in normalized_scores.items():
-            results.append({
-                "label": source,
-                "score": round(score, 4)
-            })
-        
-        # ترتيب النتائج تنازليًا حسب الدرجة
-        results.sort(key=lambda x: x["score"], reverse=True)
-        
-        return results
 
     def __call__(self, data: Any) -> List[Dict[str, Any]]:
         print(f"استدعاء __call__ مع نوع البيانات: {type(data)}")
@@ -355,14 +75,26 @@ class EndpointHandler:
                 print("لم يتم العثور على صورة صالحة")
                 return [{"label": "error", "score": 1.0}]
 
-            # التحقق من وجود وضع المحاكاة المتقدمة
+            # التحقق من وجود وضع المحاكاة البسيطة
             if hasattr(self, 'fallback_mode') and self.fallback_mode:
-                print("استخدام وضع المحاكاة المتقدمة")
-                # تحليل متقدم للصورة
-                results = self._analyze_image_features(img)
+                print("استخدام وضع المحاكاة البسيطة")
+                # تحليل بسيط للصورة واستخدام قيم افتراضية
+                # يمكن تحسين هذا الجزء بإضافة تحليل بسيط للصورة
+                
+                # استخدام قيم افتراضية متوازنة
+                results = [
+                    {"label": "real", "score": 0.5},
+                    {"label": "stable_diffusion", "score": 0.2},
+                    {"label": "midjourney", "score": 0.15},
+                    {"label": "dalle", "score": 0.1},
+                    {"label": "other_ai", "score": 0.05}
+                ]
+                
+                # ترتيب النتائج تنازليًا حسب النتيجة
+                results.sort(key=lambda x: x["score"], reverse=True)
                 best = results[0]
-                print(f"أفضل نتيجة (محاكاة متقدمة): {best}")
-                return results[:1]  # إرجاع أفضل نتيجة فقط
+                print(f"أفضل نتيجة (محاكاة): {best}")
+                return [best]
             
             # استخدام النموذج الكامل إذا كان متاحًا
             print("تصنيف الصورة باستخدام النموذج")
@@ -374,23 +106,9 @@ class EndpointHandler:
                 return [best]
             else:
                 print("لم يتم الحصول على نتائج صالحة من النموذج")
-                # استخدام المحاكاة المتقدمة كخطة بديلة
-                results = self._analyze_image_features(img)
-                best = results[0]
-                print(f"أفضل نتيجة (محاكاة متقدمة بعد فشل النموذج): {best}")
-                return results[:1]  # إرجاع أفضل نتيجة فقط
+                return [{"label": "error", "score": 1.0}]
 
         except Exception as e:
             print(f"حدث استثناء: {e}")
-            # في حالة حدوث خطأ، نحاول استخدام المحاكاة المتقدمة
-            try:
-                if img is not None:
-                    results = self._analyze_image_features(img)
-                    best = results[0]
-                    print(f"أفضل نتيجة (محاكاة متقدمة بعد استثناء): {best}")
-                    return results[:1]  # إرجاع أفضل نتيجة فقط
-            except:
-                pass
-                
-            # في حالة فشل كل المحاولات، نعود بنتيجة محايدة
+            # في حالة حدوث خطأ، نعود بنتيجة محايدة بدلاً من خطأ
             return [{"label": "real", "score": 0.5}]