Update app.py

app.py

@@ -15,7 +15,7 @@ if os.path.exists(model_path):
     model = tf.keras.models.load_model(model_path)
     print("✅ تم تحميل النموذج المحفوظ.")
 else:
-    print("⚠️ بناء نموذج جديد مع تدريب أطول...")
+    print("⚠️ بناء نموذج جديد...")
     model = models.Sequential([
         layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
         layers.MaxPooling2D((2, 2)),
@@ -43,59 +43,58 @@ else:
 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
 
 # ============================================
-# 3. دالة معالجة الصورة والتنبؤ (مع تصحيح)
+# 3. دالة التنبؤ (ذكية وتظهر معلومات التصحيح)
 # ============================================
 @spaces.GPU
 def predict_sketch(image):
     try:
-        # --- 3.1 التأكد من شكل الصورة ---
+        # 3.1 التأكد من أن الصورة بصيغة numpy
         if isinstance(image, dict):
             image = image['composite']
         
-        # إذا كانت الصورة (280, 280, 3) أو (280, 280)
+        # 3.2 تحويل إلى تدرج رمادي
         if len(image.shape) == 3:
             gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
         else:
             gray = image
         
-        # --- 3.2 تغيير الحجم إلى 28x28 ---
+        # 3.3 تغيير الحجم إلى 28x28
         resized = cv2.resize(gray, (28, 28))
         
-        # --- 3.3 اكتشاف اتجاه الألوان تلقائياً ---
-        # حساب متوسط السطوع
+        # 3.4 اكتشاف اتجاه الألوان تلقائياً
         mean_val = np.mean(resized)
-        
-        # إذا كان المتوسط > 127 (أي الخلفية فاتحة والكتابة غامقة) → نقلب الألوان
-        # لأن MNIST تريد خلفية سوداء (0) وكتابة بيضاء (1)
         if mean_val > 127:
+            # الخلفية فاتحة، نقلب الألوان
             resized = 255 - resized
+            flip_status = "تم قلب الألوان (خلفية فاتحة → خلفية سوداء)"
+        else:
+            flip_status = "الإبقاء على الألوان (خلفية سوداء بالفعل)"
         
-        # --- 3.4 تطبيق عتبة (Threshold) لتحسين الرسم ---
+        # 3.5 تطبيق عتبة لتحسين الرسم
         _, thresh = cv2.threshold(resized, 128, 255, cv2.THRESH_BINARY)
         
-        # --- 3.5 تطبيع إلى [0,1] وإعادة التشكيل ---
+        # 3.6 تطبيع وإعادة تشكيل
         normalized = thresh.astype('float32') / 255.0
         reshaped = normalized.reshape(1, 28, 28, 1)
         
-        # --- 3.6 التنبؤ ---
+        # 3.7 التنبؤ
         pred = model.predict(reshaped, verbose=0)[0]
-        predicted_class = np.argmax(pred)
-        confidence = np.max(pred)
+        predicted_class = int(np.argmax(pred))
+        confidence = float(np.max(pred))
         
-        # --- 3.7 معلومات التصحيح (تعرض في مربع المعلومات) ---
-        debug_info = f"""
-        📊 معلومات المعالجة:
-        - متوسط السطوع الأصلي: {mean_val:.1f}
-        - تم {'قلب الألوان' if mean_val > 127 else 'الإبقاء على الألوان'}
-        - الفئة المتوقعة: {predicted_class}
-        - نسبة الثقة: {confidence:.2%}
-        - أعلى 3 احتمالات: 
-        """
+        # 3.8 بناء معلومات التصحيح
         top3_idx = np.argsort(pred)[-3:][::-1]
-        for i, idx in enumerate(top3_idx):
-            debug_info += f"\n   {i+1}. {idx}: {pred[idx]:.2%}"
-        
-        # إرجاع الاحتمالات والمعلومات
+        top3_str = "\n".join([f"   {i+1}. {idx}: {pred[idx]:.2%}" for i, idx in enumerate(top3_idx)])
+        debug_info = f"""
+📊 معلومات المعالجة:
+- متوسط السطوع الأصلي: {mean_val:.1f}
+- {flip_status}
+- الفئة المتوقعة: {predicted_class}
+- نسبة الثقة: {confidence:.2%}
+- أعلى 3 احتمالات:
+{top3_str}
+"""
+        # 3.9 إرجاع الاحتمالات ومعلومات التصحيح
         return {str(i): float(pred[i]) for i in range(10)}, debug_info
     
     except Exception as e:
@@ -107,13 +106,13 @@ def predict_sketch(image):
 def random_example():
     idx = np.random.randint(0, len(test_images))
     img = test_images[idx].reshape(28, 28)
-    # تكبير الصورة لتظهر بشكل واضح في Sketchpad
+    # تكبير الصورة لـ Sketchpad
     img_large = cv2.resize(img, (280, 280))
     img_rgb = np.stack([img_large] * 3, axis=2)
     return img_rgb, f"الرقم الحقيقي: {test_labels[idx]}"
 
 # ============================================
-# 5. بناء واجهة Gradio
+# 5. بناء واجهة Gradio (بدون وسائط غير مدعومة)
 # ============================================
 with gr.Blocks(title="MNIST Recognizer") as demo:
     gr.Markdown("# 🧠 التعرف على الأرقام المكتوبة بخط اليد")
@@ -121,15 +120,12 @@ with gr.Blocks(title="MNIST Recognizer") as demo:
 
     with gr.Row():
         with gr.Column(scale=1):
-            sketch = gr.Sketchpad(
-                label="✏️ ارسم هنا",
-                brush_radius=12,  # تحكم في سمك الفرشاة
-                brush_color="#FFFFFF"  # لون الفرشاة (أبيض على خلفية سوداء)
-            )
+            # 🔥 حذف brush_radius و brush_color نهائياً
+            sketch = gr.Sketchpad(label="✏️ ارسم هنا")
             with gr.Row():
                 submit_btn = gr.Button("🔮 توقع", variant="primary")
                 random_btn = gr.Button("🎲 مثال عشوائي", variant="secondary")
-            info = gr.Textbox(label="📌 معلومات التصحيح", interactive=False, lines=8)
+            info = gr.Textbox(label="📌 معلومات التصحيح", interactive=False, lines=10)
 
         with gr.Column(scale=1):
             output = gr.Label(num_top_classes=3, label="📊 الاحتمالات")
@@ -138,6 +134,6 @@ with gr.Blocks(title="MNIST Recognizer") as demo:
     random_btn.click(fn=random_example, inputs=[], outputs=[sketch, info])
 
 # ============================================
-# 6. تشغيل التطبيق (في النطاق العام)
+# 6. تشغيل التطبيق (في النطاق العام لـ ZeroGPU)
 # ============================================
 demo.launch()