Update app.py

app.py

@@ -1,20 +1,72 @@
+import os
 import cv2
 import gradio as gr
 import numpy as np
 import tensorflow as tf
 from scipy import ndimage
+from tensorflow.keras import layers, models
+
+MODEL_PATH = "mnist_model.keras"
+
+
+def get_or_build_model():
+    # 1. إذا كان النموذج موجوداً، قم بتحميله فوراً
+    if os.path.exists(MODEL_PATH):
+        print("✅ تم تحميل النموذج بنجاح من الملف")
+        return tf.keras.models.load_model(MODEL_PATH)
+
+    # 2. إذا لم يكن موجوداً، يتم بناؤه وتدريبه سريعاً لمرة واحدة
+    print("⚠️ لم يتم العثور على ملف النموذج. جاري بناء وتدريب نموذج جديد على CPU...")
+    model = models.Sequential(
+        [
+            layers.Input(shape=(28, 28, 1)),
+            layers.Conv2D(32, (3, 3), activation="relu"),
+            layers.BatchNormalization(),
+            layers.MaxPooling2D((2, 2)),
+            layers.Conv2D(64, (3, 3), activation="relu"),
+            layers.BatchNormalization(),
+            layers.MaxPooling2D((2, 2)),
+            layers.Flatten(),
+            layers.Dense(64, activation="relu"),
+            layers.Dropout(0.3),
+            layers.Dense(10, activation="softmax"),
+        ]
+    )
+
+    model.compile(
+        optimizer="adam",
+        loss="sparse_categorical_crossentropy",
+        metrics=["accuracy"],
+    )
 
-# 1. تحميل النموذج المحفوظ مباشرة
-MODEL_PATH = "mnist_advanced_model.keras"
+    # تحميل البيانات وتقسيمها يدوياً لتفادي أخطاء Keras 3
+    (x_train_full, y_train_full), _ = tf.keras.datasets.mnist.load_data()
+    x_train_full = x_train_full.reshape(-1, 28, 28, 1).astype("float32") / 255.0
+
+    split = int(len(x_train_full) * 0.9)
+    x_tr, x_va = x_train_full[:split], x_train_full[split:]
+    y_tr, y_va = y_train_full[:split], y_train_full[split:]
+
+    # تدريب خفيف جداً لـ 3 جولات فقط (سريع ومناسب لـ CPU Space)
+    model.fit(
+        x_tr,
+        y_tr,
+        epochs=3,
+        batch_size=128,
+        validation_data=(x_va, y_va),
+        verbose=1,
+    )
 
-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")
+    model.save(MODEL_PATH)
+    print("✅ تم تدريب النموذج وحفظه بنجاح")
+    return model
 
 
-# 2. دالة تمركز الصورة
+# تحميل أو بناء النموذج
+model = get_or_build_model()
+
+
+# دالة تمركز كتلة الرسم
 def center_image(img):
     cy, cx = ndimage.center_of_mass(img)
     rows, cols = img.shape
@@ -24,63 +76,57 @@ def center_image(img):
     return cv2.warpAffine(img, M, (cols, rows))
 
 
-# 3. دالة التنبؤ
+# دالة التنبؤ
 def predict(image):
     if image is None:
         return None, {"error": "لم يتم 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
+        resized = cv2.resize(
+            cropped, (new_w, new_h), interpolation=cv2.INTER_AREA
+        )
+
+        pad_v = (28 - new_h) // 2
+        pad_h = (28 - new_w) // 2
         padded = np.pad(
             resized,
-            ((pad_vert, 28 - new_h - pad_vert), (pad_horiz, 28 - new_w - pad_horiz)),
+            ((pad_v, 28 - new_h - pad_v), (pad_h, 28 - new_w - pad_h)),
             "constant",
         )
     else:
         padded = cv2.resize(thresh, (28, 28))
 
-    # تمركز كتلة الرسمة
     final_img = center_image(padded)
-
-    # تجهيز الصورة والتنبؤ
     input_data = (final_img.astype("float32") / 255.0).reshape(1, 28, 28, 1)
-    pred = model.predict(input_data, verbose=0)[0]
 
+    pred = model.predict(input_data, verbose=0)[0]
     return final_img, {str(i): float(pred[i]) for i in range(10)}
 
 
-# 4. واجهة Gradio
+# واجهة Gradio
 with gr.Blocks(title="MNIST Predictor") as demo:
-    gr.Markdown("# 🧠 التنبؤ بالأرقام المرسومة")
-    
+    gr.Markdown("# 🧠 التنبؤ بالأرقام المرسومة (MNIST)")
+
     with gr.Row():
         with gr.Column():
             input_pad = gr.Sketchpad(label="ارسم رقماً هنا")
             btn_predict = gr.Button("تنبؤ", variant="primary")
-        
+
         with gr.Column():
             out_label = gr.Label(num_top_classes=3, label="النتيجة")
             out_img = gr.Image(label="الصورة المعالجة (28x28)", image_mode="L")