Update app.py

app.py

@@ -1,46 +1,33 @@
 import gradio as gr
 import torch
-import random
+import os
+import urllib.request
 from torchvision import transforms
 from PIL import Image
-import urllib.request
-import os
+import torch.nn as nn
 
-# اسم الريبو الخاص بك على Hugging Face
+# إعدادات النموذج
 REPO_ID = "Alhdrawi/x_alhdrawi"
+MODEL_FILE = "best_128_0.0002_original_15000_0.859.pt"
+MODEL_URL = f"https://huggingface.co/{REPO_ID}/resolve/main/{MODEL_FILE}"
+MODEL_LOCAL_PATH = f"/tmp/{MODEL_FILE}"
 
-# أسماء الملفات المرفوعة
-MODEL_FILES = [
-    "best_128_0.0002_original_15000_0.859.pt",
-    "best_128_0.0002_original_8000_0.857.pt",
-    "best_128_5e-05_original_22000_0.855.pt",
-    "best_64_0.0001_original_16000_0.861.pt",
-    "best_64_0.0001_original_17000_0.863.pt",
-    "best_64_0.0001_original_35000_0.864.pt",
-    "best_64_0.0002_original_23000_0.854.pt",
-    "best_64_5e-05_original_16000_0.858.pt",
-    "best_64_5e-05_original_18000_0.862.pt",
-    "best_64_5e-05_original_22000_0.864.pt",
+# قائمة الأمراض التي يتوقعها النموذج
+diseases = [
+    "Atelectasis", "Cardiomegaly", "Consolidation", "Edema", "Effusion",
+    "Emphysema", "Fibrosis", "Hernia", "Infiltration", "Mass", "Nodule",
+    "Pleural_Thickening", "Pneumonia", "Pneumothorax"
 ]
 
-# نفس المعالجة المستخدمة
+# تحويل الصورة مثل ما دربت النموذج
 transform = transforms.Compose([
     transforms.Resize((224, 224)),
     transforms.ToTensor(),
     transforms.Normalize(mean=[0.485], std=[0.229])
 ])
 
-# الأمراض اللي يشخصها
-diseases = [
-    "Atelectasis", "Cardiomegaly", "Consolidation", "Edema", "Effusion",
-    "Emphysema", "Fibrosis", "Hernia", "Infiltration", "Mass", "Nodule",
-    "Pleural_Thickening", "Pneumonia", "Pneumothorax"
-]
-
-# تعرّف كلاس النموذج - لازم تعدله حسب المعمارية
-import torch.nn as nn
-
-class SimpleCNN(nn.Module):  # عدل هذا الكلاس حسب اللي دربت عليه
+# تعريف بنية النموذج (نفس اللي استخدمته وقت التدريب)
+class SimpleCNN(nn.Module):
     def __init__(self, num_classes=14):
         super(SimpleCNN, self).__init__()
         self.features = nn.Sequential(
@@ -59,28 +46,22 @@ class SimpleCNN(nn.Module):  # عدل هذا الكلاس حسب اللي درب
         x = self.classifier(x)
         return x
 
+# تحميل النموذج
 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
-model = None
-selected_model_file = random.choice(MODEL_FILES)
+model = SimpleCNN(num_classes=len(diseases)).to(device)
 
 def download_and_load_model():
-    global model
-    url = f"https://huggingface.co/{REPO_ID}/resolve/main/{selected_model_file}"
-    local_path = f"/tmp/{selected_model_file}"
-    
-    if not os.path.exists(local_path):
-        print(f"Downloading model from {url}")
-        urllib.request.urlretrieve(url, local_path)
+    if not os.path.exists(MODEL_LOCAL_PATH):
+        print(f"Downloading model from {MODEL_URL}")
+        urllib.request.urlretrieve(MODEL_URL, MODEL_LOCAL_PATH)
     
-    model = SimpleCNN(num_classes=len(diseases)).to(device)
-    state_dict = torch.load(local_path, map_location=device)
+    state_dict = torch.load(MODEL_LOCAL_PATH, map_location=device)
     model.load_state_dict(state_dict)
     model.eval()
-    print(f"✅ Model loaded: {selected_model_file}")
+    print(f"✅ Model loaded from {MODEL_FILE}")
 
+# دالة التنبؤ
 def predict(image):
-    if model is None:
-        return "النموذج غير محمّل"
     img = transform(image.convert("L")).unsqueeze(0).to(device)
     with torch.no_grad():
         outputs = model(img)
@@ -88,13 +69,14 @@ def predict(image):
     results = {d: round(float(p), 3) for d, p in zip(diseases, probs)}
     return results
 
-# تحميل النموذج تلقائيًا عند بداية التشغيل
+# تحميل النموذج عند بدء التشغيل
 download_and_load_model()
 
+# واجهة Gradio
 with gr.Blocks() as demo:
-    gr.Markdown(f"## 🧠 CheXzero | النموذج العشوائي المحمّل: `{selected_model_file}`")
+    gr.Markdown(f"## 🧠 CheXzero | النموذج المستخدم: `{MODEL_FILE}`")
     with gr.Row():
-        image_input = gr.Image(type="pil", label="صورة الأشعة")
+        image_input = gr.Image(type="pil", label="صورة أشعة X-Ray")
         output = gr.Label(num_top_classes=5)
 
     image_input.change(fn=predict, inputs=image_input, outputs=output)