Update model_definition.py

model_definition.py

@@ -33,6 +33,8 @@ try:
     from timm.layers import trunc_normal_
 except ImportError:
     from timm.models.layers import trunc_normal_
+from huggingface_hub import hf_hub_download, HfApi
+from huggingface_hub.utils import HfFolder
 
 # مكتبات إضافية
 import os
@@ -48,11 +50,6 @@ import numpy as np
 import cv2
 
 # مكتبات اختيارية (يمكن تعطيلها إذا لم تكن متوفرة)
-try:
-    import wandb
-    WANDB_AVAILABLE = True
-except ImportError:
-    WANDB_AVAILABLE = False
     
 try:
     from tqdm import tqdm
@@ -1194,11 +1191,103 @@ class InterfuserModel(nn.Module):
 
 
 
-def get_master_config(model_path="model/best_model.pth"):
+# def get_master_config(model_path="model/best_model.pth"):
+#     """
+#     [النسخة الكاملة والنهائية]
+#     ينشئ ويدمج كل الإعدادات المطلوبة للتطبيق (النموذج، المتتبع، المتحكم).
+#     """
+#     model_params = {
+#         "img_size": 224, "embed_dim": 256, "enc_depth": 6, "dec_depth": 6,
+#         "rgb_backbone_name": 'r50', "lidar_backbone_name": 'r18',
+#         "waypoints_pred_head": 'gru', "use_different_backbone": True,
+#         "with_lidar": False, "with_right_left_sensors": False,
+#         "with_center_sensor": False, "multi_view_img_size": 112,
+#         "patch_size": 8, "in_chans": 3, "dim_feedforward": 2048,
+#         "normalize_before": False, "num_heads": 8, "dropout": 0.1,
+#         "end2end": False, "direct_concat": False, "separate_view_attention": False,
+#         "separate_all_attention": False, "freeze_num": -1,
+#         "traffic_pred_head_type": "det", "reverse_pos": True,
+#         "use_view_embed": False, "use_mmad_pretrain": None,
+#     }
+
+#     grid_conf = {
+#         'h': 20, 'w': 20, 'x_res': 1.0, 'y_res': 1.0,
+#         'y_min': 0.0, 'y_max': 20.0, 'x_min': -10.0, 'x_max': 10.0,
+#     }
+
+#     controller_params = {
+#         'turn_KP': 0.75, 'turn_KI': 0.05, 'turn_KD': 0.25, 'turn_n': 20,
+#         'speed_KP': 0.55, 'speed_KI': 0.05, 'speed_KD': 0.15, 'speed_n': 20,
+#         'max_speed': 8.0, 'max_throttle': 0.75, 'min_speed': 0.1,
+#         'brake_sensitivity': 0.3, 'light_threshold': 0.5, 'stop_threshold': 0.6,
+#         'stop_sign_duration': 20, 'max_stop_time': 250,
+#         'forced_move_duration': 20, 'forced_throttle': 0.5,
+#         'max_red_light_time': 150, 'red_light_block_duration': 80,
+#         'accel_rate': 0.1, 'decel_rate': 0.2, 'critical_distance': 4.0,
+#         'follow_distance': 10.0, 'speed_match_factor': 0.9,
+#         'tracker_match_thresh': 2.5, 'tracker_prune_age': 5,
+#         'follow_grace_period': 20
+#     }
+
+#     master_config = {
+#         'model_params': model_params,
+#         'grid_conf': grid_conf,
+#         'controller_params': controller_params,
+#         'paths': {'pretrained_weights': model_path},
+#         'simulation': {'frequency': 10.0}
+#     }
+    
+#     return master_config
+
+
+# def load_and_prepare_model(device: torch.device) -> InterfuserModel:
+#     """
+#     [النسخة النهائية الصحيحة - تستقبل مدخلاً واحدًا فقط]
+#     تستخدم دالة الإعدادات الرئيسية لإنشاء وتحميل النموذج.
+#     """
+#     try:
+#         logging.info("Attempting to load model using master config...")
+#         # 1. الحصول على كل الإعدادات من المصدر الوحيد للحقيقة
+#         config = get_master_config()
+        
+#         # 2. إنشاء النموذج باستخدام إعدادات النموذج فقط
+#         model = InterfuserModel(**config['model_params']).to(device)
+#         logging.info(f"Model instantiated on device: {device}")
+        
+#         # 3. تحميل الأوزان باستخدام الدالة الداخلية للنموذج
+#         checkpoint_path = config['paths']['pretrained_weights']
+#         model.load_pretrained(checkpoint_path, strict=False)
+        
+#         # 4. وضع النموذج في وضع التقييم
+#         model.eval()
+#         logging.info("✅ Model prepared and set to evaluation mode.")
+        
+#         return model
+        
+#     except Exception as e:
+#         logging.error(f"❌ CRITICAL ERROR in load_and_prepare_model: {e}", exc_info=True)
+#         raise
+
+
+
+# ==============================================================================
+#                 الدالة الأولى: get_master_config
+# ==============================================================================
+
+def get_master_config():
     """
-    [النسخة الكاملة والنهائية]
-    ينشئ ويدمج كل الإعدادات المطلوبة للتطبيق (النموذج، المتتبع، المتحكم).
+    [النسخة الاحترافية]
+    يعيد قاموسًا شاملاً يحتوي على جميع إعدادات التطبيق الثابتة.
+    هذه الدالة هي المصدر الوحيد للحقيقة للإعدادات.
     """
+    
+    # --- القسم 1: معلومات مستودع النموذج على Hugging Face Hub ---
+    huggingface_repo = {
+        'repo_id': "Adam-IT/Interfuser-Baseer-v1",  # استبدله باسم مستودع النموذج الخاص بك
+        'filename': "best_model.pth"              # اسم ملف الأوزان داخل المستودع
+    }
+
+    # --- القسم 2: إعدادات بنية نموذج Interfuser ---
     model_params = {
         "img_size": 224, "embed_dim": 256, "enc_depth": 6, "dec_depth": 6,
         "rgb_backbone_name": 'r50', "lidar_backbone_name": 'r18',
@@ -1213,11 +1302,13 @@ def get_master_config(model_path="model/best_model.pth"):
         "use_view_embed": False, "use_mmad_pretrain": None,
     }
 
+    # --- القسم 3: إعدادات الشبكة ومنظور عين الطائر (BEV) ---
     grid_conf = {
         'h': 20, 'w': 20, 'x_res': 1.0, 'y_res': 1.0,
         'y_min': 0.0, 'y_max': 20.0, 'x_min': -10.0, 'x_max': 10.0,
     }
 
+    # --- القسم 4: إعدادات وحدة التحكم (Controller) والمتتبع (Tracker) ---
     controller_params = {
         'turn_KP': 0.75, 'turn_KI': 0.05, 'turn_KD': 0.25, 'turn_n': 20,
         'speed_KP': 0.55, 'speed_KI': 0.05, 'speed_KD': 0.15, 'speed_n': 20,
@@ -1232,192 +1323,72 @@ def get_master_config(model_path="model/best_model.pth"):
         'follow_grace_period': 20
     }
 
+    # --- القسم 5: تجميع كل شيء في قاموس رئيسي واحد ---
     master_config = {
+        'huggingface_repo': huggingface_repo,
         'model_params': model_params,
         'grid_conf': grid_conf,
         'controller_params': controller_params,
-        'paths': {'pretrained_weights': model_path},
-        'simulation': {'frequency': 10.0}
+        'simulation': {
+            'frequency': 10.0
+        }
     }
     
     return master_config
 
 
+# ==============================================================================
+#                 الدالة الثانية: load_and_prepare_model
+# ==============================================================================
+
 def load_and_prepare_model(device: torch.device) -> InterfuserModel:
     """
-    [النسخة النهائية الصحيحة - تستقبل مدخلاً واحدًا فقط]
-    تستخدم دالة الإعدادات الرئيسية لإنشاء وتحميل النموذج.
+    [النسخة الاحترافية]
+    تستخدم الإعدادات الرئيسية من `get_master_config` لإنشاء وتحميل النموذج.
+    تقوم بتحويل معرّف النموذج من Hugging Face Hub إلى مسار ملف حقيقي.
+    
+    Args:
+        device (torch.device): الجهاز المستهدف (CPU/GPU)
+    
+    Returns:
+        Interfuser: النموذج المحمل وجاهز للاستدلال.
     """
     try:
-        logging.info("Attempting to load model using master config...")
-        # 1. الحصول على كل الإعدادات من المصدر الوحيد للحقيقة
+        logging.info("Initializing model loading process...")
+        
+        # 1. الحصول على جميع الإعدادات من المصدر الوحيد للحقيقة
         config = get_master_config()
         
-        # 2. إنشاء النموذج باستخدام إعدادات النموذج فقط
+        # 2. تحميل ملف الأوزان من Hugging Face Hub
+        repo_info = config['huggingface_repo']
+        logging.info(f"Downloading model weights from repo: '{repo_info['repo_id']}'")
+        
+        # استخدام token إذا كان المستودع خاصًا
+        # token = HfFolder.get_token() # أو يمكن تمريره مباشرة
+        actual_model_path = hf_hub_download(
+            repo_id=repo_info['repo_id'],
+            filename=repo_info['filename'],
+            # token=token, # قم بإلغاء التعليق إذا كان المستودع خاصًا
+        )
+        logging.info(f"Model weights are available at local path: {actual_model_path}")
+        
+        # 3. إنشاء نسخة من النموذج باستخدام الإعدادات الصحيحة
+        logging.info("Instantiating model with specified parameters...")
         model = InterfuserModel(**config['model_params']).to(device)
-        logging.info(f"Model instantiated on device: {device}")
         
-        # 3. تحميل الأوزان باستخدام الدالة الداخلية للنموذج
-        checkpoint_path = config['paths']['pretrained_weights']
-        model.load_pretrained(checkpoint_path, strict=False)
+        # 4. تحميل الأوزان التي تم تنزيلها إلى النموذج
+        # نستخدم الدالة المساعدة الموجودة داخل كلاس النموذج نفسه
+        success = model.load_pretrained(actual_model_path, strict=False)
+        if not success:
+            logging.warning("⚠️ Model weights were not loaded successfully. The model will use random weights.")
         
-        # 4. وضع النم��ذج في وضع التقييم
+        # 5. وضع النموذج في وضع التقييم (خطوة حاسمة)
         model.eval()
-        logging.info("✅ Model prepared and set to evaluation mode.")
+        logging.info("✅ Model prepared and set to evaluation mode. Ready for inference.")
         
         return model
         
     except Exception as e:
-        logging.error(f"❌ CRITICAL ERROR in load_and_prepare_model: {e}", exc_info=True)
+        # تسجيل الخطأ بالتفصيل ثم إطلاقه مرة أخرى ليتم التعامل معه في مستوى أعلى
+        logging.error(f"❌ CRITICAL ERROR during model initialization: {e}", exc_info=True)
         raise
-
-
-
-# def load_and_prepare_model(config, device):
-#     """
-#     يقوم بإنشاء النموذج وتحميل الأوزان المدربة مسبقًا.
-    
-#     Args:
-#         config (dict): إعدادات النموذج والمسارات
-#         device (torch.device): الجهاز المستهدف (CPU/GPU)
-    
-#     Returns:
-#         InterfuserModel: النموذج المحمل
-#     """
-#     try:
-#         # إنشاء النموذج
-#         model = InterfuserModel(**config.get('model_params', {})).to(device)
-#         logging.info(f"تم إنشاء النموذج على الجهاز: {device}")
-        
-#         # تحميل الأوزان إذا كان المسار محدد
-#         checkpoint_path = config.get('paths', {}).get('pretrained_weights')
-#         if checkpoint_path:
-#             success = model.load_pretrained(checkpoint_path, strict=False)
-#             if success:
-#                 logging.info("✅ تم تحميل النموذج والأوزان بنجاح")
-#             else:
-#                 logging.warning("⚠️ تم إنشاء النموذج بأوزان عشوائية")
-#         else:
-#             logging.info("لم يتم تحديد مسار الأوزان، سيتم استخدام أوزان عشوائية")
-        
-#         # وضع النموذج في وضع التقييم
-#         model.eval()
-        
-#         return model
-        
-#     except Exception as e:
-#         logging.error(f"خطأ في إنشاء النموذج: {str(e)}")
-#         raise
-
-
-# def create_model_config(model_path="model/best_model.pth", **model_params):
-#     """
-#     إنشاء إعدادات النموذج باستخدام الإعدادات الصحيحة من التدريب
-    
-#     Args:
-#         model_path (str): مسار ملف الأوزان
-#         **model_params: معاملات النموذج الإضافية
-    
-#     Returns:
-#         dict: إعدادات النموذج
-#     """
-#     # الإعدادات الصحيحة من كونفيج التدريب الأصلي
-#     training_config_params = {
-#         "img_size": 224,
-#         "embed_dim": 256,  # مهم: هذه القيمة من التدريب الأصلي
-#         "enc_depth": 6,
-#         "dec_depth": 6,
-#         "rgb_backbone_name": 'r50',
-#         "lidar_backbone_name": 'r18',
-#         "waypoints_pred_head": 'gru',
-#         "use_different_backbone": True,
-#         "with_lidar": False,
-#         "with_right_left_sensors": False,
-#         "with_center_sensor": False,
-        
-#         # إعدادات إضافية من الكونفيج الأصلي
-#         "multi_view_img_size": 112,
-#         "patch_size": 8,
-#         "in_chans": 3,
-#         "dim_feedforward": 2048,
-#         "normalize_before": False,
-#         "num_heads": 8,
-#         "dropout": 0.1,
-#         "end2end": False,
-#         "direct_concat": False,
-#         "separate_view_attention": False,
-#         "separate_all_attention": False,
-#         "freeze_num": -1,
-#         "traffic_pred_head_type": "det",
-#         "reverse_pos": True,
-#         "use_view_embed": False,
-#         "use_mmad_pretrain": None,
-#     }
-    
-#     # دمج المعاملات المخصصة مع الإعدادات من التدريب
-#     training_config_params.update(model_params)
-    
-#     config = {
-#         'model_params': training_config_params,
-#         'paths': {
-#             'pretrained_weights': model_path
-#         },
-        
-#         # إضافة إعدادات الشبكة من التدريب
-#         'grid_conf': {
-#             'h': 20, 'w': 20,
-#             'x_res': 1.0, 'y_res': 1.0,
-#             'y_min': 0.0, 'y_max': 20.0,
-#             'x_min': -10.0, 'x_max': 10.0,
-#         },
-        
-#         # معلومات إضافية عن التدريب
-#         'training_info': {
-#             'original_project': 'Interfuser_Finetuning',
-#             'run_name': 'Finetune_Focus_on_Detection_v5',
-#             'focus': 'traffic_detection_and_iou',
-#             'backbone': 'ResNet50 + ResNet18',
-#             'trained_on': 'PDM_Lite_Carla'
-#         }
-#     }
-    
-#     return config
-
-
-# def get_training_config():
-#     """
-#     إرجاع إعدادات التدريب الأصلية للمرجع
-#     هذه الإعدادات توضح كيف تم تدريب النموذج
-#     """
-#     return {
-#         'project_info': {
-#             'project': 'Interfuser_Finetuning',
-#             'entity': None,
-#             'run_name': 'Finetune_Focus_on_Detection_v5'
-#         },
-#         'training': {
-#             'epochs': 50,
-#             'batch_size': 8,
-#             'num_workers': 2,
-#             'learning_rate': 1e-4,  # معدل تعلم منخفض للـ Fine-tuning
-#             'weight_decay': 1e-2,
-#             'patience': 15,
-#             'clip_grad_norm': 1.0,
-#         },
-#         'loss_weights': {
-#             'iou': 2.0,              # أولوية قصوى لدقة الصناديق
-#             'traffic_map': 25.0,     # تركيز عالي على اكتشاف الكائنات
-#             'waypoints': 1.0,        # مرجع أساسي
-#             'junction': 0.25,        # مهام متقنة بالفعل
-#             'traffic_light': 0.5,
-#             'stop_sign': 0.25,
-#         },
-#         'data_split': {
-#             'strategy': 'interleaved',
-#             'segment_length': 100,
-#             'validation_frequency': 10,
-#         },
-#         'transforms': {
-#             'use_data_augmentation': False,  # معطل للتركيز على البيانات الأصلية
-#         }
-#     }