Upload app.py with huggingface_hub

app.py

@@ -11,9 +11,7 @@ import cv2
 import math
 
 # --- استيراد من الملفات المنظمة في مشروعك ---
-# نفترض أن بنية النموذج موجودة في model/architecture.py
-from model import build_interfuser_model 
-# نفترض أن بقية المنطق موجود في logic.py
+from model.architecture import build_interfuser_model 
 from logic import (
     transform, lidar_transform, InterfuserController, ControllerConfig,
     Tracker, DisplayInterface, render, render_waypoints, render_self_car,
@@ -23,30 +21,23 @@ from logic import (
 # ==============================================================================
 #           1. إعدادات ومسارات النماذج
 # ==============================================================================
-WEIGHTS_DIR = "model"
+WEIGHTS_DIR = "model/weights"
 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
-# متغير عام لتخزين النموذج المحمّل حاليًا
-current_model = None
-
 # قاموس لتحديد الإعدادات الخاصة بكل نموذج.
-# اسم المفتاح يجب أن يطابق اسم ملف الأوزان (بدون .pth).
-# إذا لم يتم تحديد إعدادات لنموذج ما، سيتم استخدام الإعدادات الافتراضية في دالة البناء.
 MODELS_SPECIFIC_CONFIGS = {
     "interfuser_baseline": {
         "rgb_backbone_name": "r50",
         "embed_dim": 256,
-        "direct_concat": True, # هذا النموذج يتوقع دمج الصور
+        "direct_concat": True,
     },
     "interfuser_lightweight": {
         "rgb_backbone_name": "r26",
         "embed_dim": 128,
         "enc_depth": 4,
         "dec_depth": 4,
-        "direct_concat": True, # هذا النموذج يتوقع دمج الصور
+        "direct_concat": True,
     }
-    # أضف هنا أي إعدادات لنماذج أخرى لديك
-    # "my_other_model": { "direct_concat": False, ... }
 }
 
 def find_available_models():
@@ -56,53 +47,45 @@ def find_available_models():
     if not os.path.isdir(WEIGHTS_DIR):
         print(f"تحذير: مجلد الأوزان '{WEIGHTS_DIR}' غير موجود.")
         return []
-    
-    models = [f.replace(".pth", "") for f in os.listdir(WEIGHTS_DIR) if f.endswith(".pth")]
-    return models
+    return [f.replace(".pth", "") for f in os.listdir(WEIGHTS_DIR) if f.endswith(".pth")]
 
 # ==============================================================================
-#           2. دالة تحميل النموذج الديناميكية
+#           2. دالة تحميل النموذج (لا تستخدم متغيرات عامة)
 # ==============================================================================
 def load_model(model_name: str):
     """
-    تحمل النموذج المحدد من القائمة المنسدلة وتضعه في المتغير العام current_model.
+    تبني وتحمل النموذج المختار وتُرجعه ككائن.
     """
-    global current_model
-    
-    if not model_name:
-        return "الرجاء اختيار نموذج من القائمة."
+    if not model_name or "لم يتم" in model_name:
+        return None, "الرجاء اختيار نموذج صالح."
 
     weights_path = os.path.join(WEIGHTS_DIR, f"{model_name}.pth")
-    print(f"Attempting to load model: '{model_name}' from '{weights_path}'")
+    print(f"Building model: '{model_name}'")
     
-    # الحصول على الإعدادات المخصصة للنموذج، أو قاموس فارغ إذا لم توجد
     model_config = MODELS_SPECIFIC_CONFIGS.get(model_name, {})
-    
-    # بناء النموذج باستخدام الإعدادات المحددة
     model = build_interfuser_model(model_config)
     
     if not os.path.exists(weights_path):
-        gr.Warning(f"ملف الأوزان '{weights_path}' غير موجود. سيتم استخدام النموذج بأوزان عشوائية.")
+        gr.Warning(f"ملف الأوزان '{weights_path}' غير موجود. النموذج سيعمل بأوزان عشوائية.")
     else:
         try:
-            # استخدام weights_only=True للأمان
             state_dic = torch.load(weights_path, map_location=device, weights_only=True)
             model.load_state_dict(state_dic)
             print(f"تم تحميل أوزان النموذج '{model_name}' بنجاح.")
         except Exception as e:
-            gr.Warning(f"فشل تحميل الأوزان للنموذج '{model_name}': {e}. تأكد من تطابق الإعدادات في 'MODELS_SPECIFIC_CONFIGS' مع الملف المحفوظ. سيتم استخدام أوزان عشوائية.")
+            gr.Warning(f"فشل تحميل الأوزان للنموذج '{model_name}': {e}.")
             
     model.to(device)
     model.eval()
     
-    current_model = model # تحديث النموذج العام
-    
-    return f"تم تحميل نموذج: {model_name}"
+    # إرجاع كائن النموذج نفسه + ر��الة للمستخدم
+    return model, f"تم تحميل نموذج: {model_name}"
 
 # ==============================================================================
-#           3. دالة التشغيل الرئيسية لـ Gradio
+#           3. دالة التشغيل الرئيسية (تستقبل النموذج كمدخل)
 # ==============================================================================
 def run_single_frame(
+    model_from_state, # <-- مدخل جديد من gr.State
     rgb_image_path,
     rgb_left_image_path,
     rgb_right_image_path,
@@ -111,40 +94,36 @@ def run_single_frame(
     measurements_path,
     target_point_list
 ):
-    global current_model
-    
-    if current_model is None:
-        raise gr.Error("الرجاء اختيار وتحميل نموذج أولاً من القائمة المنسدلة.")
+    # لم نعد نستخدم المتغير العام، بل نستخدم النموذج الذي تم تمريره
+    if model_from_state is None:
+        raise gr.Error("الرجاء اختيار وتحميل نموذج صالح أولاً من القائمة المنسدلة.")
     
     try:
         # --- 1. قراءة ومعالجة المدخلات ---
-        if not rgb_image_path:
-          raise gr.Error("الرجاء توفير مسار الصورة الأمامية (RGB).")
+        if not (rgb_image_path and measurements_path):
+            raise gr.Error("الرجاء توفير الصورة الأمامية وملف القياسات على الأقل.")
         
         rgb_image_pil = Image.open(rgb_image_path.name).convert("RGB")
+        # بقية معالجة المدخلات
         rgb_left_pil = Image.open(rgb_left_image_path.name).convert("RGB") if rgb_left_image_path else rgb_image_pil
         rgb_right_pil = Image.open(rgb_right_image_path.name).convert("RGB") if rgb_right_image_path else rgb_image_pil
         rgb_center_pil = Image.open(rgb_center_image_path.name).convert("RGB") if rgb_center_image_path else rgb_image_pil
 
-        # تطبيق التحويلات لتحويل الصور إلى تنسورات
         front_tensor = transform(rgb_image_pil).unsqueeze(0).to(device)
         left_tensor = transform(rgb_left_pil).unsqueeze(0).to(device)
         right_tensor = transform(rgb_right_pil).unsqueeze(0).to(device)
         center_tensor = transform(rgb_center_pil).unsqueeze(0).to(device)
-        
+
         if lidar_image_path:
             lidar_array = np.load(lidar_image_path.name)
-            if lidar_array.max() > 0:
-                lidar_array = (lidar_array / lidar_array.max()) * 255.0
+            if lidar_array.max() > 0: lidar_array = (lidar_array / lidar_array.max()) * 255.0
             lidar_pil = Image.fromarray(lidar_array.astype(np.uint8)).convert('RGB')
         else:
             lidar_pil = Image.fromarray(np.zeros((112, 112, 3), dtype=np.uint8))
         lidar_tensor = lidar_transform(lidar_pil).unsqueeze(0).to(device)
 
-        with open(measurements_path.name, 'r') as f:
-            m_dict = json.load(f)
+        with open(measurements_path.name, 'r') as f: m_dict = json.load(f)
 
-        # إنشاء تنسور القياسات الصحيح (10 عناصر)
         measurements_tensor = torch.tensor([[
             m_dict.get('x', 0.0), m_dict.get('y', 0.0), m_dict.get('theta', 0.0),
             m_dict.get('speed', 5.0), m_dict.get('steer', 0.0), m_dict.get('throttle', 0.0),
@@ -154,20 +133,15 @@ def run_single_frame(
         
         target_point_tensor = torch.tensor([target_point_list], dtype=torch.float32).to(device)
         
-        # تجميع المدخلات للنموذج
         inputs = {
-            'rgb': front_tensor, # للنماذج التي لا تدمج
-            'rgb_left': left_tensor,
-            'rgb_right': right_tensor,
-            'rgb_center': center_tensor,
-            'lidar': lidar_tensor,
-            'measurements': measurements_tensor,
-            'target_point': target_point_tensor
+            'rgb': front_tensor, 'rgb_left': left_tensor, 'rgb_right': right_tensor,
+            'rgb_center': center_tensor, 'lidar': lidar_tensor,
+            'measurements': measurements_tensor, 'target_point': target_point_tensor
         }
 
         # --- 2. تشغيل النموذج ---
         with torch.no_grad():
-            outputs = current_model(inputs)
+            outputs = model_from_state(inputs)
             traffic, waypoints, is_junction, traffic_light, stop_sign, _ = outputs
 
         # --- 3. المعالجة اللاحقة والتصوّر ---
@@ -182,18 +156,16 @@ def run_single_frame(
         
         controller = InterfuserController(ControllerConfig())
         steer, throttle, brake, metadata = controller.run_step(
-            speed=speed, waypoints=waypoints_np, junction=is_junction.sigmoid()[0, 1].item(),
-            traffic_light_state=traffic_light.sigmoid()[0, 0].item(),
-            stop_sign=stop_sign.sigmoid()[0, 1].item(), meta_data=updated_traffic
+            speed, waypoints_np, is_junction.sigmoid()[0, 1].item(),
+            traffic_light.sigmoid()[0, 0].item(), stop_sign.sigmoid()[0, 1].item(), updated_traffic
         )
 
-        # إنشاء لوحة التحكم المرئية
         map_t0, counts_t0 = render(updated_traffic, t=0)
         map_t1, counts_t1 = render(updated_traffic, t=T1_FUTURE_TIME)
         map_t2, counts_t2 = render(updated_traffic, t=T2_FUTURE_TIME)
         
         wp_map = render_waypoints(waypoints_np)
-        self_car_map = render_self_car(loc=np.array([0,0]), ori=[math.cos(0), math.sin(0)], box=[4.0, 2.0])
+        self_car_map = render_self_car(np.array([0,0]), [math.cos(0), math.sin(0)], [4.0, 2.0])
         
         map_t0 = cv2.add(cv2.add(map_t0, wp_map), self_car_map)
         map_t0 = cv2.resize(map_t0, (400, 400))
@@ -201,15 +173,11 @@ def run_single_frame(
         map_t2 = cv2.add(ensure_rgb(map_t2), ensure_rgb(self_car_map)); map_t2 = cv2.resize(map_t2, (200, 200))
         
         display = DisplayInterface()
-        light_state = "Red" if traffic_light.sigmoid()[0,0].item() > 0.5 else "Green"
-        stop_sign_state = "Yes" if stop_sign.sigmoid()[0,1].item() > 0.5 else "No"
+        light_state, stop_sign_state = "Red" if traffic_light.sigmoid()[0,0].item() > 0.5 else "Green", "Yes" if stop_sign.sigmoid()[0,1].item() > 0.5 else "No"
         
         interface_data = {
             'camera_view': np.array(rgb_image_pil), 'map_t0': map_t0, 'map_t1': map_t1, 'map_t2': map_t2,
-            'text_info': { 
-                'Frame': 'API Frame', 'Control': f"S:{steer:.2f} T:{throttle:.2f} B:{int(brake)}", 
-                'Light': f"L: {light_state}", 'Stop': f"St: {stop_sign_state}" 
-            },
+            'text_info': { 'Control': f"S:{steer:.2f} T:{throttle:.2f} B:{int(brake)}", 'Light': f"L: {light_state}", 'Stop': f"St: {stop_sign_state}" },
             'object_counts': {'t0': counts_t0, 't1': counts_t1, 't2': counts_t2}
         }
         
@@ -233,12 +201,14 @@ def run_single_frame(
 #           4. تعريف واجهة Gradio
 # ==============================================================================
 
-# البحث عن النماذج المتاحة عند بدء تشغيل الواجهة
 available_models = find_available_models()
 
 with gr.Blocks(theme=gr.themes.Soft()) as demo:
     gr.Markdown("# 🚗 محاكاة القيادة الذاتية باستخدام Interfuser")
     
+    # مكون الحالة الخفي لتخزين النموذج الخاص بكل جلسة
+    model_state = gr.State(value=None)
+    
     with gr.Row():
         model_selector = gr.Dropdown(
             label="اختر النموذج من مجلد 'model/weights'",
@@ -249,14 +219,15 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
 
     # التحميل الأولي والتحميل عند التغيير
     if available_models:
-        demo.load(fn=load_model, inputs=model_selector, outputs=status_textbox)
-    model_selector.change(fn=load_model, inputs=model_selector, outputs=status_textbox)
+        demo.load(fn=load_model, inputs=model_selector, outputs=[model_state, status_textbox])
+    
+    model_selector.change(fn=load_model, inputs=model_selector, outputs=[model_state, status_textbox])
 
     gr.Markdown("---")
     
     with gr.Tabs():
         with gr.TabItem("نقطة نهاية API (إطار واحد)", id=1):
-            gr.Markdown("### اختبار النموذج بإدخال مباشر (Single Frame Inference)")
+            gr.Markdown("### اختبار النموذج بإدخال مباشر")
             
             with gr.Row():
                 with gr.Column(scale=1):
@@ -278,6 +249,7 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
             api_run_button.click(
                 fn=run_single_frame,
                 inputs=[
+                    model_state, # تمرير الحالة كأول مدخل
                     api_rgb_image_path, api_rgb_left_image_path, api_rgb_right_image_path, 
                     api_rgb_center_image_path, api_lidar_image_path,
                     api_measurements_path, api_target_point_list
@@ -293,4 +265,5 @@ if __name__ == "__main__":
     if not available_models:
         print("تحذير: لم يتم العثور على أي ملفات نماذج (.pth) في مجلد 'model/weights'.")
         print("سيتم تشغيل الواجهة ولكن لن تتمكن من تحميل أي نموذج.")
+    # .queue() ضروري للتعامل مع الجلسات المتعددة بشكل صحيح
     demo.queue().launch(debug=True)