Update app.py

app.py

@@ -3,12 +3,36 @@ import numpy as np
 import tensorflow as tf
 import cv2
 from tensorflow.keras import datasets
+import os
 
 # ============================================
-# 1. تحميل النموذج المحفوظ
+# 1. تحميل النموذج المحفوظ (من المجلد الحالي)
 # ============================================
-model = tf.keras.models.load_model('mnist_cnn_model.keras')
-print("✅ تم تحميل النموذج بنجاح!")
+model_path = 'mnist_cnn_model.keras'
+if os.path.exists(model_path):
+    model = tf.keras.models.load_model(model_path)
+    print("✅ تم تحميل النموذج بنجاح!")
+else:
+    # إذا لم يكن النموذج موجوداً، قم ببنائه وتدريبه (حل احتياطي)
+    print("⚠️ النموذج غير موجود، سيتم بناؤه وتدريبه الآن...")
+    from tensorflow.keras import layers, models
+    model = models.Sequential([
+        layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
+        layers.MaxPooling2D((2, 2)),
+        layers.Conv2D(64, (3, 3), activation='relu'),
+        layers.MaxPooling2D((2, 2)),
+        layers.Flatten(),
+        layers.Dense(64, activation='relu'),
+        layers.Dense(10, activation='softmax')
+    ])
+    model.compile(optimizer='adam',
+                  loss='sparse_categorical_crossentropy',
+                  metrics=['accuracy'])
+    (train_images, train_labels), _ = datasets.mnist.load_data()
+    train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
+    model.fit(train_images, train_labels, epochs=3, validation_split=0.1, verbose=1)
+    model.save('mnist_cnn_model.keras')
+    print("✅ تم بناء وتدريب النموذج وحفظه.")
 
 # ============================================
 # 2. تحميل بيانات MNIST للاستخدام في الأمثلة العشوائية
@@ -24,10 +48,11 @@ def predict_sketch(image):
     تستقبل الصورة من لوحة الرسم، تعالجها، وتعيد الاحتمالات.
     """
     try:
-        # image تكون بصيغة (height, width, 3) من نوع numpy
+        # تحويل إلى تدرج رمادي
         gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
+        # تغيير الحجم إلى 28×28
         resized = cv2.resize(gray, (28, 28))
-        # قلب الألوان (افتراض أن الخلفية سوداء والرسم أبيض)
+        # قلب الألوان (الخلفية سوداء والرسم أبيض)
         inverted = 255 - resized
         normalized = inverted.astype('float32') / 255.0
         reshaped = normalized.reshape(1, 28, 28, 1)
@@ -43,21 +68,20 @@ def predict_sketch(image):
 def random_example():
     idx = np.random.randint(0, len(test_images))
     img = test_images[idx].reshape(28, 28)
-    # تحويل إلى 3 قنوات (RGB) لأن Sketchpad يتوقع صورة ملونة
+    # تحويل إلى 3 قنوات (RGB)
     img_rgb = np.stack([img] * 3, axis=2)
     info_text = f"🖼️ مثال عشوائي رقم {idx} | الرقم الحقيقي: {test_labels[idx]}"
     return img_rgb, info_text
 
 # ============================================
-# 5. بناء واجهة Gradio (باستخدام gr.Sketchpad بدون وسائط إضافية)
+# 5. بناء واجهة Gradio
 # ============================================
 with gr.Blocks(title="MNIST Digit Recognizer") as demo:
     gr.Markdown("# 🧠 التعرف على الأرقام المكتوبة بخط اليد")
-    gr.Markdown("ارسم رقماً في المربع، أو اضغط على زر **'عرض مثال عشوائي'** لتجربة النموذج.")
+    gr.Markdown("ارسم رقماً (0-9) في المربع، أو اضغط على زر **'عرض مثال عشوائي'**.")
 
     with gr.Row():
         with gr.Column(scale=1):
-            # استخدام Sketchpad بدون أي وسائط إضافية
             sketch = gr.Sketchpad(label="✏️ ارسم هنا")
             with gr.Row():
                 submit_btn = gr.Button("🔮 توقع", variant="primary")
@@ -67,12 +91,12 @@ with gr.Blocks(title="MNIST Digit Recognizer") as demo:
         with gr.Column(scale=1):
             output = gr.Label(num_top_classes=3, label="📊 الاحتمالات (أعلى 3 فئات)")
 
-    # ربط الأزرار
     submit_btn.click(fn=predict_sketch, inputs=sketch, outputs=output)
     random_btn.click(fn=random_example, inputs=[], outputs=[sketch, info])
 
 # ============================================
-# 6. تشغيل التطبيق
+# 6. تشغيل التطبيق (بدون share=True)
 # ============================================
 if __name__ == "__main__":
-    demo.launch(share=True)
+    # في Spaces، لا حاجة لـ share=True، والمنفذ 7860 هو الافتراضي
+    demo.launch(server_name="0.0.0.0", server_port=7860)