Update app.py

app.py

@@ -7,7 +7,7 @@ import os
 import spaces
 
 # ============================================
-# 1. تحميل أو بناء النموذج
+# 1. تحميل النموذج (مع تدريب أفضل إن لزم)
 # ============================================
 model_path = 'mnist_cnn_model.keras'
 
@@ -15,14 +15,15 @@ if os.path.exists(model_path):
     model = tf.keras.models.load_model(model_path)
     print("✅ تم تحميل النموذج المحفوظ.")
 else:
-    print("⚠️ لم يتم العثور على النموذج، جارٍ البناء والتدريب...")
+    print("⚠️ بناء نموذج جديد مع تدريب أطول...")
     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(128, activation='relu'),
+        layers.Dropout(0.5),
         layers.Dense(10, activation='softmax')
     ])
     model.compile(optimizer='adam',
@@ -31,57 +32,74 @@ else:
     
     (x_train, y_train), _ = datasets.mnist.load_data()
     x_train = x_train.reshape((60000, 28, 28, 1)).astype('float32') / 255
-    model.fit(x_train, y_train, epochs=3, validation_split=0.1, verbose=1)
+    model.fit(x_train, y_train, epochs=5, validation_split=0.1, verbose=1)
     model.save(model_path)
     print("✅ تم بناء النموذج وتدريبه وحفظه.")
 
 # ============================================
-# 2. تحميل بيانات الاختبار للأمثلة العشوائية
+# 2. تحميل بيانات الاختبار
 # ============================================
 (_, _), (test_images, test_labels) = datasets.mnist.load_data()
 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
 
 # ============================================
-# 3. دالة معالجة الصورة والتنبؤ (ذكية)
+# 3. دالة معالجة الصورة والتنبؤ (مع تصحيح)
 # ============================================
 @spaces.GPU
 def predict_sketch(image):
     try:
-        # 1. تحويل إلى تدرج رمادي
+        # --- 3.1 التأكد من شكل الصورة ---
+        if isinstance(image, dict):
+            image = image['composite']
+        
+        # إذا كانت الصورة (280, 280, 3) أو (280, 280)
         if len(image.shape) == 3:
             gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
         else:
             gray = image
         
-        # 2. تغيير الحجم إلى 28x28
+        # --- 3.2 تغيير الحجم إلى 28x28 ---
         resized = cv2.resize(gray, (28, 28))
         
-        # 3. تطبيع القيم إلى [0,1]
-        normalized = resized.astype('float32') / 255.0
+        # --- 3.3 اكتشاف اتجاه الألوان تلقائياً ---
+        # حساب متوسط السطوع
+        mean_val = np.mean(resized)
         
-        # 4. **المعالجة الذكية: نحاول كلا الاتجاهين ونأخذ الأفضل**
-        #    MNIST تدربت على خلفية سوداء (0) وأرقام بيضاء (1)
-        #    لكن Sketchpad قد يعطي خلفية بيضاء وأرقام سوداء
+        # إذا كان المتوسط > 127 (أي الخلفية فاتحة والكتابة غامقة) → نقلب الألوان
+        # لأن MNIST تريد خلفية سوداء (0) وكتابة بيضاء (1)
+        if mean_val > 127:
+            resized = 255 - resized
         
-        # الخيار 1: الصورة كما هي (افتراض أن الخلفية سوداء والرقم أبيض)
-        img1 = normalized.reshape(1, 28, 28, 1)
-        pred1 = model.predict(img1, verbose=0)[0]
+        # --- 3.4 تطبيق عتبة (Threshold) لتحسين الرسم ---
+        _, thresh = cv2.threshold(resized, 128, 255, cv2.THRESH_BINARY)
         
-        # الخيار 2: قلب الألوان (افتراض أن الخلفية بيضاء والرقم أسود)
-        img2 = (1 - normalized).reshape(1, 28, 28, 1)
-        pred2 = model.predict(img2, verbose=0)[0]
+        # --- 3.5 تطبيع إلى [0,1] وإعادة التشكيل ---
+        normalized = thresh.astype('float32') / 255.0
+        reshaped = normalized.reshape(1, 28, 28, 1)
         
-        # اختيار النتيجة ذات الثقة الأعلى
-        max_conf1 = np.max(pred1)
-        max_conf2 = np.max(pred2)
+        # --- 3.6 التنبؤ ---
+        pred = model.predict(reshaped, verbose=0)[0]
+        predicted_class = np.argmax(pred)
+        confidence = np.max(pred)
         
-        if max_conf1 >= max_conf2:
-            return {str(i): float(pred1[i]) for i in range(10)}
-        else:
-            return {str(i): float(pred2[i]) for i in range(10)}
-            
+        # --- 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: 
+        """
+        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
+        return {str(i): float(pred[i]) for i in range(10)}, debug_info
+    
     except Exception as e:
-        return {"خطأ": str(e)}
+        return {"خطأ": str(e)}, f"❌ خطأ: {str(e)}"
 
 # ============================================
 # 4. دالة المثال العشوائي
@@ -89,7 +107,9 @@ def predict_sketch(image):
 def random_example():
     idx = np.random.randint(0, len(test_images))
     img = test_images[idx].reshape(28, 28)
-    img_rgb = np.stack([img] * 3, axis=2)
+    # تكبير الصورة لتظهر بشكل واضح في 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]}"
 
 # ============================================
@@ -101,19 +121,23 @@ with gr.Blocks(title="MNIST Recognizer") as demo:
 
     with gr.Row():
         with gr.Column(scale=1):
-            sketch = gr.Sketchpad(label="✏️ ارسم هنا")
+            sketch = gr.Sketchpad(
+                label="✏️ ارسم هنا",
+                brush_radius=12,  # تحكم في سمك الفرشاة
+                brush_color="#FFFFFF"  # لون الفرشاة (أبيض على خلفية سوداء)
+            )
             with gr.Row():
                 submit_btn = gr.Button("🔮 توقع", variant="primary")
                 random_btn = gr.Button("🎲 مثال عشوائي", variant="secondary")
-            info = gr.Textbox(label="📌 معلومات", interactive=False)
+            info = gr.Textbox(label="📌 معلومات التصحيح", interactive=False, lines=8)
 
         with gr.Column(scale=1):
             output = gr.Label(num_top_classes=3, label="📊 الاحتمالات")
 
-    submit_btn.click(fn=predict_sketch, inputs=sketch, outputs=output)
+    submit_btn.click(fn=predict_sketch, inputs=sketch, outputs=[output, info])
     random_btn.click(fn=random_example, inputs=[], outputs=[sketch, info])
 
 # ============================================
-# 6. تشغيل التطبيق (في النطاق العام لـ ZeroGPU)
+# 6. تشغيل التطبيق (في النطاق العام)
 # ============================================
 demo.launch()