add font file and edit databaces and update hugingFace_persianModelList.py

hugingFace_persianModelList.py

@@ -1,173 +0,0 @@
-from huggingface_hub import HfApi
-import json
-import datetime
-
-
-
-# تعریف تسک‌های رایج NLP
-nlp_task_list = [
-    "text-classification",
-    "token-classification",
-    "question-answering",
-    "summarization",
-    "translation",
-    "text-generation",
-    "fill-mask",
-    "zero-shot-classification",
-    "feature-extraction",
-    "sentence-similarity",
-    "text2text-generation",
-    "conversational"
-]
-
-def persian_model_finder(nlp_tasks,json_file_name):
-    
-    api = HfApi()
-    all_persian_nlp_models_data = []
-    seen_model_ids = set() # برای جلوگیری از اضافه شدن مدل‌های تکراری
-
-    print("در حال جستجو و استخراج اطلاعات مدل‌های NLP فارسی...")
-
-    #  فیلتر کردن و پیمایش روی مدل‌ها
-    # برای هر تسک NLP، مدل‌های فارسی را جستجو می‌کنیم.
-    # محدودیت 500 مدل برای هر تسک در نظر گرفته شده است تا از دانلود بیش از حد جلوگیری شود.
-    # اگر می‌خواهید همه مدل‌ها را استخراج کنید، ممکن است نیاز به پیجینیشن (pagination) باشد.
-    for task in nlp_tasks:
-        print(f"  جستجو برای تسک: {task} (زبان: فارسی)...")
-        try:
-            models_for_task = api.list_models(
-                language="fa",
-                task=task,
-                sort="downloads",
-                direction=-1, # نزولی (از بیشترین دانلود به کمترین)
-                limit=None # می‌توانید این عدد را تغییر دهید
-            )
-
-            for model_info in models_for_task:
-                if model_info.id not in seen_model_ids:
-                    try : # اگر از کارت مدل توانست اطلاعات بیشتری به دست بیاورد :
-                        model_ = api.model_info(model_info.id) # به دست آوردن شناسه مدل
-                        card_data_dict = model_.card_data.to_dict() # از روی کارت مدل که شامل اطلاعات مدل میباشد یک دیکشنری میسازیم
-                        model_data = {
-                            "model_id": model_info.id,
-                            "url": f"https://huggingface.co/{model_info.id}",
-                            "downloads": model_info.downloads,
-                            "private": model_info.private,
-                            "author": model_info.author,
-                            "tags": model_info.tags, # شامل زبان‌ها، تسک‌ها، لایبرری‌ها و...
-                            "tag_dataset":"-",
-                            "tag_base_model":"-",
-                            "tag_license":"-",
-                            "tag_region":"-",
-                            "pipeline_tag": model_info.pipeline_tag, # تسک اصلی مدل که توسط هاب تعیین شده
-                            "Likes":model_info.likes,
-                            # چهار مورد پایینی از روی دیکشنری کارت مدل خوانده میشود
-                            "languages":card_data_dict.get('language', 'N/A'), # زبان هایی که پشتیبانی میشود
-                            "library":card_data_dict.get('library', 'N/A'), # کتابخانه های  مورد استفاده
-                            "datasets":card_data_dict.get('datasets', 'N/A'), # دیتابیس های مورد استفاده
-                            "license":card_data_dict.get('license', 'N/A'),
-                            "just_persian" : False
-                            
-                        }
-                        
-                        if model_data["library"] == 'N/A': # در بعضی موارد کتابخانه به این نام ('library_name') در دیکشنری کارت مدل ذخیره شده
-                            model_data["library"] = card_data_dict.get('library_name', 'N/A')
-                        # شرط پایینی ، مواردی که فقط مختص زبان فارسی هستند را در دیکشنری مشخص میکند
-                        if len(model_data["languages"]) == 2 and "multilingual" in model_data["languages"] or\
-                            len(model_data["languages"]) == 2 and "persian" in model_data["languages"] or\
-                            len(model_data["languages"]) == 2 and "farsi" in model_data["languages"] or\
-                            len(model_data["languages"]) == 2 and "fas" in model_data["languages"] or\
-                            len(model_data["languages"]) == 2 and model_data["languages"]=="fa" or\
-                            model_data["languages"] == "persian"  or\
-                            model_data["languages"] == "farsi"  or\
-                            model_data["languages"] == "fas"  or\
-                            model_data["languages"] == "pes"  or\
-                            len(model_data["languages"]) == 1 :
-                            model_data["just_persian"] = True
-                        
-                        for value in model_data["tags"]:
-                            
-                            if "dataset:" in value :
-                                if type(model_data["tag_dataset"]) == type(""):
-                                    model_data["tag_dataset"] = list(model_data["tag_dataset"])
-                                    model_data["tag_dataset"].pop(0)
-                                model_data["tag_dataset"].append(f"{str(value).replace("dataset:","")}")
-                            
-                            if "base_model:" in value :
-                                if type(model_data["tag_base_model"]) == type(""):
-                                    model_data["tag_base_model"] = list(model_data["tag_base_model"])
-                                    model_data["tag_base_model"].pop(0)
-                                model_data["tag_base_model"].append(f"{str(value).replace("base_model:","")}")
-                            
-                            if "region:" in value :
-                                model_data["tag_region"]=f"{str(value).replace("region:","")}"
-                                
-                            if "license:" in value :
-                                model_data["tag_license"]=f"{str(value).replace("license:","")}"
-                            
-                                
-                        all_persian_nlp_models_data.append(model_data)
-                        seen_model_ids.add(model_info.id)
-                        
-                    except : # اگر استفاده از کارت مدل با مشکل مواجه شد :
-                        model_data = {
-                            "model_id": model_info.id,
-                            "url": f"https://huggingface.co/{model_info.id}",
-                            "downloads": model_info.downloads,
-                            "private": model_info.private,
-                            "author": model_info.author,
-                            "tags": model_info.tags, # شامل زبان‌ها، تسک‌ها، لایبرری‌ها و...
-                            "pipeline_tag": model_info.pipeline_tag, # تسک اصلی مدل که توسط هاب تعیین شده
-                            "Likes":model_info.likes,
-                            "library":model_info.library_name,
-                            # افزودن لایسنس اگر موجود باشد
-                            "license": model_info.card_data.license if model_info.card_data and model_info.card_data.license else "N/A"
-                        }
-                        
-                        for value in model_data["tags"]:
-                            
-                            if "dataset:" in value :
-                                if type(model_data["tag_dataset"]) == type(""):
-                                    model_data["tag_dataset"] = list(model_data["tag_dataset"])
-                                    model_data["tag_dataset"].pop(0)
-                                model_data["tag_dataset"].append(f"{str(value).replace("dataset:","")}")
-                            
-                            if "base_model:" in value :
-                                if type(model_data["tag_base_model"]) == type(""):
-                                    model_data["tag_base_model"] = list(model_data["tag_base_model"])
-                                    model_data["tag_base_model"].pop(0)
-                                model_data["tag_base_model"].append(f"{str(value).replace("base_model:","")}")
-                            
-                            if "region:" in value :
-                                model_data["tag_region"]=f"{str(value).replace("region:","")}"
-                                
-                            if "license:" in value :
-                                model_data["tag_license"]=f"{str(value).replace("license:","")}"
-                                
-                        all_persian_nlp_models_data.append(model_data)
-                        seen_model_ids.add(model_info.id)
-                        
-            print(f"    تعداد مدل‌های یافت شده برای تسک '{task}': {len(models_for_task)}")
-
-        except Exception as e:
-            print(f"  خطا در جستجو برای تسک {task}: {e}")
-
-    # مرتب‌سازی نهایی مدل‌ها بر اساس تعداد دانلود (کل لیست)
-    # این مرحله اطمینان می‌دهد که حتی اگر مدل‌ها از تسک‌های مختلف جمع‌آوری شده باشند،
-    # در نهایت بر اساس دانلود مرتب شده باشند.
-    all_persian_nlp_models_data_sorted = sorted(all_persian_nlp_models_data, key=lambda x: x['downloads'], reverse=True)
-
-    print(f"\nتعداد کل مدل‌های NLP فارسی منحصربه‌فرد یافت شده: {len(all_persian_nlp_models_data_sorted)}")
-
-    #  ذخیره اطلاعات در یک فایل JSON
-    output_json_file = f"{json_file_name}"
-    with open(output_json_file, "w", encoding="utf-8") as f:
-        json.dump(all_persian_nlp_models_data_sorted, f, ensure_ascii=False, indent=4)
-
-    print(f"اطلاعات {len(all_persian_nlp_models_data_sorted)} مدل در فایل '{output_json_file}' ذخیره شد.")
-    
-    
-    
-persian_model_finder(nlp_task_list,"persian_nlp_models_info.json")
-
-

persian_nlp_model_sqlite.py

@@ -1,18 +1,24 @@
 #بسم الله 
+
+from transformers import AutoTokenizer
+from bidi.algorithm import get_display
 from huggingface_hub import HfApi
+import matplotlib.pyplot as plt
 from datetime import date
+import arabic_reshaper
 from fpdf import FPDF
 import random
 import sqlite3
 import string
+import os
 
 
 
-
+text = 'جمهوری موافقت‌نامه معاملات قانون بودجه اساسی قضائی بین‌المللی تأسیس منطقه‌ای لازم‌الاجراء دامپروری راه‌آهن کمیسیون‌های جدیدالاحداث مسئول فرآورده زائد اسقاط پنجساله'
 list1 = ["ID","model_id","url","downloads","private","author","tags","tag_dataset",\
         "tag_base_model","tag_license","tag_region","pipeline_tag","Likes","languages",\
-            "library","datasets","license","just_persian","deleted","date_added"]
+            "library","datasets","license","just_persian","deleted","date_added","last_modified"]
-cnt = sqlite3.connect("persian_nlp_model.db")
+cnt = sqlite3.connect(".\\db\\persian_nlp_model.db")
 c = cnt.cursor()
 today = date.today()
 d1 = today.strftime("%d-%m-%Y")
@@ -41,7 +47,8 @@ d1 = today.strftime("%d-%m-%Y")
 #    license         TEXT,
 #    just_persian         TEXT,
 #    deleted         TEXT,
-#    date_added         TEXT
+#    date_added         TEXT,
+#    last_modified         TEXT
 # );""")
 
 
@@ -89,6 +96,60 @@ def generate_random_id(length=10, chars=string.ascii_letters + string.digits):
 
 
 
+# 3. تعریف تابع کمکی برای پردازش متن فارسی
+def process_text_for_fpdf(text):
+    # مرحله 1: تغییر شکل حروف (اتصال و شکل صحیح)
+    reshaped_text = arabic_reshaper.reshape(text)
+    # مرحله 2: بازآرایی برای نمایش راست به چپ
+    bidi_text = get_display(reshaped_text)
+    return bidi_text
+
+
+
+
+
+def find_growth_slope(number_list):
+    
+    try:
+            n = -1
+            index = 0
+        # if n == -1:
+            last_num = number_list[-1]
+            first_num = number_list[-1]
+
+            if number_list[-1] <= number_list[-2]:
+                for num in range(len(number_list)-1):
+                    if number_list[n-num] <= number_list[n-num-1]:
+                        last_num = number_list[n-num-1]
+                        index = n-num-1 
+                    else:
+                        break
+            
+
+            if number_list[-1] >= number_list[-2] and last_num >= first_num:
+                for num in range(len(number_list)-1):
+                    if number_list[n-num] >= number_list[n-num-1]:
+                        last_num = number_list[n-num-1]
+                        index = n-num-1 
+                    else:
+                        break
+            percentage_growth = ((first_num - last_num) / last_num) * 100
+        
+    except:
+        percentage_growth = 0
+    
+
+    return percentage_growth ,abs(index)
+
+# find_growth_slope([15,16,17,16,10,8])
+# x = find_growth_slope([1,2,3,4,5,6,7,8,10])
+# c = find_growth_slope([8,8,9,10,8,8,7])
+# v = find_growth_slope([8,8,7,5,4,6,7,7])
+# print("finish!")
+
+
+
+
 def persian_model_finder(nlp_tasks,idx):
     today = date.today()
     download_date = today.strftime("%d/%m/%Y") 
@@ -96,6 +157,23 @@ def persian_model_finder(nlp_tasks,idx):
     api = HfApi()
     all_persian_nlp_models_data = []
     seen_model_ids = set() # برای جلوگیری از اضافه شدن مدل‌های تکراری
+    new_seen_ids = set()
+    
+    
+    for task in nlp_tasks:
+        
+            models_for_task = api.list_models(
+                language="fa",
+                task=task,
+                sort="downloads",
+                direction=-1, # نزولی (از بیشترین دانلود به کمترین)
+                limit=None # می‌توانید این عدد را تغییر دهید
+            )
+
+            for model_info in models_for_task:
+                new_seen_ids.add(model_info.id)
+    
+    
     
     print("در حال جستجو و استخراج اطلاعات مدل‌های NLP فارسی...")
 
@@ -107,8 +185,12 @@ def persian_model_finder(nlp_tasks,idx):
     try:
         allModel = c.execute(f'''SELECT *
 FROM PersianNlp''')
+        
+        idX+=1        
+
         for model in allModel:
             seen_model_ids.add(model[1])
+            idX+=1
     except:
         print("database not find!")
         
@@ -129,6 +211,7 @@ FROM PersianNlp''')
                         idX+=1
                     # try : # اگر از کارت مدل توانست اطلاعات بیشتری به دست بیاورد :
                         model_ = api.model_info(model_info.id) # به دست آوردن شناسه مدل
+                        lastModified = api.model_info(repo_id=model_info.id).last_modified
                         card_data_dict = model_.card_data.to_dict() # از روی کارت مدل که شامل اطلاعات مدل میباشد یک دیکشنری میسازیم
                         model_data = {
                             "model_id": model_info.id,
@@ -150,7 +233,8 @@ FROM PersianNlp''')
                             "license":card_data_dict.get('license', 'N/A'),
                             "just_persian" : "False",
                             "deleted" : "False",
-                            "date_added" : f"{download_date}"
+                            "date_added" : f"{download_date}",
+                            "last_modified" : f"{str(lastModified.strftime("%d-%m-%Y"))}"
                             
                         }
                         
@@ -191,16 +275,25 @@ FROM PersianNlp''')
                             
                                 
                         # all_persian_nlp_models_data.append(model_data)
-                        c.execute(f"""INSERT INTO PersianNlp (ID,model_id,url,downloads,private,author,tags,tag_dataset,tag_base_model,tag_license,tag_region,pipeline_tag,Likes,languages,library,datasets,license,just_persian,deleted,date_added)  
+                        c.execute(f"""INSERT INTO PersianNlp (ID,model_id,url,downloads,private,author,tags,tag_dataset,tag_base_model,tag_license,tag_region,pipeline_tag,Likes,languages,library,datasets,license,just_persian,deleted,date_added,last_modified)  
-VALUES ({idX},"{model_data["model_id"]}","{model_data["url"]}",{model_data["downloads"]},"{model_data["private"]}","{model_data["author"]}","{model_data["tags"]}","{model_data["tag_dataset"]}","{model_data["tag_base_model"]}","{model_data["tag_license"]}","{model_data["tag_region"]}","{model_data["pipeline_tag"]}",{model_data["Likes"]},"{model_data["languages"]}","{model_data["library"]}","{model_data["datasets"]}","{model_data["license"]}","{model_data["just_persian"]}","{model_data["deleted"]}","{model_data["date_added"]}");""")
+VALUES ({idX},"{model_data["model_id"]}","{model_data["url"]}",{model_data["downloads"]},"{model_data["private"]}","{model_data["author"]}","{model_data["tags"]}","{model_data["tag_dataset"]}","{model_data["tag_base_model"]}","{model_data["tag_license"]}","{model_data["tag_region"]}","{model_data["pipeline_tag"]}",{model_data["Likes"]},"{model_data["languages"]}","{model_data["library"]}","{model_data["datasets"]}","{model_data["license"]}","{model_data["just_persian"]}","{model_data["deleted"]}","{model_data["date_added"]}","{model_data['last_modified']}");""")
                         cnt.commit()
                         seen_model_ids.add(model_info.id)
 
+    
     print(f"\nتعداد کل مدل‌های NLP فارسی منحصربه‌فرد یافت شده: {len(seen_model_ids)}")
 
-#اول لیست تسک ها را میدهیم برای جست و جو ، و بعد آخرین آیدی که در تیبل مدلها در دیتابیس موجود است
+    for modelID in seen_model_ids:
-# persian_model_finder(nlp_task_list,8288)
+        if modelID not in new_seen_ids:
             
+            c.execute(f'''UPDATE PersianNlp
+SET deleted = 'True'
+WHERE model_id = '{modelID}';''')
+
+            cnt.commit()
+            
+#اول لیست تسک ها را میدهیم برای جست و جو ، و بعد اولین آیدی که در تیبل مدلها در دیتابیس موجود است
+# persian_model_finder(nlp_task_list,6600)
     
     
     
@@ -317,6 +410,8 @@ FROM PersianNlp''')
                 model_details = api.model_info(repo_id=id_[1])
                 c.execute(f"""INSERT INTO downloadCountHistory(ID,key_id,downloads,date)
     VALUES ({id_12_digits},"{int(id_[0])}","{int(model_details.downloads)}","{str(d1)}");""")
+    #             c.execute(f"""INSERT INTO downloadCountHistory(ID,key_id,downloads,date)
+    # VALUES ({id_12_digits},"{int(id_[0])}","{int(model_details.downloads)+1}","22-08-2025");""")
                 cnt.commit()
             # except:
             #     print("Error!!")
@@ -324,3 +419,363 @@ FROM PersianNlp''')
 # add_download_count()
 
 
+
+
+def singleModelInfo( model_id_ ,month_later = 6 , year_later = 0 ):
+    
+    
+    today = date.today()
+    date_year = today.strftime("%Y")
+    date_month = today.strftime("%m")
+    month = int(date_month)
+    year = int(date_year)
+    model_info = c.execute(f'''SELECT *
+FROM PersianNlp
+WHERE model_id = "{model_id_}"''')
+    
+    for model in model_info:
+        m = model
+    model_id = m[0]
+    last_modyfied = m[20]
+    Likes = m[12]
+    task = m[11]
+    
+    
+    downloadCountHistory = c.execute(f'''SELECT *
+FROM downloadCountHistory
+WHERE key_id = {model_id}''')
+
+    
+    n=0
+    downloads_list = []
+    download_count_list = []
+    download_date_list = []
+    for model in downloadCountHistory :
+        if int(model[3].split("-")[1]) >= month-month_later and int(model[3].split("-")[2]) >= year-year_later :
+
+            download_count_list.append(model[2])
+            download_date_list.append(model[3])
+            downloads_list.append([model[3],model[2]])
+
+    growth_slope  ,  lenM =  find_growth_slope(download_count_list)
+
+    plt.plot(download_date_list,download_count_list, marker='o', linestyle='-')
+    plt.savefig('Download_rate_chart.png', dpi=300)
+    
+    pdf = FPDF()
+    pdf.add_page()
+    pdf.add_font('B Nazanin', '', '.\\fonts\\B Nazanin.ttf', uni=True)
+    pdf.set_font("Arial", size=12)
+
+    # اضافه کردن متن
+    pdf.multi_cell(0, 10, f"Model  -<< https://huggingface.co/{model_id_} >>-  Information :")
+
+    pdf.ln()
+    pdf.multi_cell(0, 5, f"Download rate chart : ")
+    pdf.ln()
+    # اضافه کردن عکس
+    pdf.image("Download_rate_chart.png", x=10, y=pdf.get_y() + 5, w=70)
+    pdf.ln(20) # یک خط فاصله بعد از عکس
+    # pdf.cell(0, 10, " Download history chart ", ln=True, align='C')
+
+    # اضافه کردن جدول
+    pdf.ln(50)
+    
+    pdf.ln()
+    pdf.multi_cell(0, 5, f"Download rate table : ")
+    pdf.ln()
+    # سربرگ جدول
+    for header in ['Date', 'Download-rate']:
+        pdf.cell(40, 10, header, 1, 0, 'C')
+    pdf.ln()
+    pdf.set_font("Arial", size=10)
+    # ردیف‌های داده
+    for row in downloads_list:
+        for item in row:
+            pdf.cell(40, 10, str(item), 1, 0, 'C')
+        pdf.ln()
+        
+    pdf.ln()
+
+    tokenizer = AutoTokenizer.from_pretrained(model_id_)
+    tokens = tokenizer.tokenize(text)
+    print(tokens)
+    print(f'len(tokens): {len(tokens)}')
+    results = {'model': model_id_, 'len': len(tokens), 'tokens': tokens }
+    # results = str(results).encode('latin-1', 'replace').decode('latin-1')
+    # results = str(results).replace("▁","")
+    pdf.multi_cell(0, 3, f"Likes : {str(Likes)}")
+    pdf.ln()
+    pdf.multi_cell(0, 3, f"last_modyfied : {str(last_modyfied)}")
+    pdf.ln()
+    pdf.multi_cell(0, 3, f"Growth slope : {round(growth_slope, 2)} in {lenM} month .")
+    pdf.ln()
+    pdf.multi_cell(0, 7, f"task : {task}")
+    pdf.ln()
+    pdf.set_font("Arial", size=16)
+    pdf.multi_cell(0, 5, f"Tokenize info : ")
+    pdf.ln()
+    pdf.set_font("Arial", size=10)
+    pdf.multi_cell(0, 3, f"len : {str(results['len'])}")
+    pdf.ln()
+    pdf.multi_cell(0, 3, "tokenized list : ")
+    pdf.ln()
+    txt = ''
+    for token in results["tokens"]:
+        txt += f' [ {token} ] '
+    pdf.set_font("B Nazanin", size=10)
+    pdf.multi_cell(0, 5, f"{process_text_for_fpdf(txt)}",align='R')
+    pdf.output("singleModelInfo.pdf")
+    print("فایل PDF با FPDF ایجاد شد.")
+    os.remove("Download_rate_chart.png")
+    
+# singleModelInfo("amberoad/bert-multilingual-passage-reranking-msmarco")
+
+
+
+
+
+def MultiModelInfo(limit_number=10):
+    
+    
+    today = date.today()
+    date_year = today.strftime("%Y")
+    date_month = today.strftime("%m")
+    month = int(date_month)
+    year = int(date_year)
+    Models_added_this_month=[]
+    Models_deleted=[]
+    all_id_download = []
+    all_download = []
+    growth_slope_list_info = []
+    growth_slope_list = []
+    model_info = c.execute(f'''SELECT *
+FROM PersianNlp''')
+    
+    for model in model_info:
+        
+        if int(model[19].split("/")[1]) == month and int(model[19].split("/")[2]) == year :
+            Models_added_this_month.append(model[1])
+        if str(model[18]) == "True":
+            Models_deleted.append(model[1])
+            
+        all_id_download.append([model[0],model[1],model[3],model[11],model[20]])
+        
+
+
+
+    listX=[]
+    for model in all_id_download:
+        
+        downloadCountHistory = c.execute(f'''SELECT *
+FROM downloadCountHistory
+WHERE key_id = {model[0]}''')
+        
+        for models in downloadCountHistory :
+            if int(models[3].split("-")[1]) == month and int(models[3].split("-")[2]) == year :
+                model[2]=models[2]
+        listX.append(model)
+    all_id_download = listX
+
+
+    for model in all_id_download:
+        all_download.append(model[2])
+
+    all_download.sort(reverse=True)
+    maximum_download_list = all_download[0:limit_number]
+    maximum_download_info_list = []
+    n=0
+    for DCount in maximum_download_list:
+
+            for  model in all_id_download:
+                if DCount == model[2]:
+                    if n < limit_number :
+                        maximum_download_info_list.append(model)
+                        n+=1
+     
+     
+     
+# پیدا کردن بیشترین شیب دانلود ها در چند ماه :
+
+    for model in all_id_download:
+        growth_slope = []
+        DHList =c.execute(f'''SELECT *
+FROM "downloadCountHistory"
+WHERE key_id = {model[0]}''')
+        
+        for data in DHList:
+            growth_slope.append(data[2])
+        
+        growth_slopee , lenM = find_growth_slope(growth_slope) # به دست آوردن درصد رشد هر مدل
+        growth_slope_list.append(growth_slopee)
+        growth_slope_list_info.append([model[1],growth_slopee,lenM])
+        
+
+
+    growth_slope_list.sort(reverse=True)
+    maximum_growth_slope_list = growth_slope_list[0:limit_number]
+    maximum_growth_slope_info_list = []
+    n=0
+    for DCount in maximum_growth_slope_list:
+        
+            for  model in growth_slope_list_info:
+                if DCount == model[1]:
+                    if n < limit_number :
+                        maximum_growth_slope_info_list.append(model)
+                        n+=1
+
+# پایان پیدا کردن شیب
+     
+
+
+    model_id_list = []
+    model_download_count_list = []
+    for info in maximum_download_info_list:
+
+        model_download_count_list.append(info[2])
+        model_id_list.append(str(info[1]))
+
+    listA = []
+    for x in model_download_count_list:
+        listA.append(int(x)/1000000)
+    model_download_count_list = listA
+    
+    plt.plot(model_id_list,model_download_count_list,marker='o', linestyle='-')
+    plt.xticks(rotation=30, ha='right', fontsize=10)
+    plt.xlabel("Model Name", color='blue')
+    plt.ylabel("Download Count (milion)" ,color='red')
+    plt.tight_layout()
+    plt.savefig(f'Top_{limit_number}_download_rate.png', dpi=300)
+    pdf = FPDF()
+    pdf.add_page()
+    pdf.add_font('B Nazanin', '', '.\\fonts\\B Nazanin.ttf', uni=True)
+    pdf.set_font("Arial", size=16)
+    # اضافه کردن متن
+    pdf.multi_cell(0, 10, f"Top {limit_number}  Model  Information : \n ----------------------------------------------------------------")
+    pdf.set_font("Arial", size=12)
+    
+    pdf.ln()
+    pdf.multi_cell(0, 5, f" Download Rate Chart :")
+    pdf.ln()
+    
+    # اضافه کردن عکس
+    pdf.image(f'Top_{limit_number}_download_rate.png', x=10, y=pdf.get_y() + 5, w=70)
+    pdf.ln(20) # یک خط فاصله بعد از عکس
+    # اضافه کردن جدول
+    pdf.ln(50)
+    pdf.ln()
+    pdf.multi_cell(0, 5, f" Download Rate Table :")
+    pdf.ln()
+    # سربرگ جدول
+    for header in ['Count', 'Model_name','Download-rate','Task','Last_modified']:
+        if header == 'Model_name':
+            pdf.cell(80, 10, header, 1, 0, 'C')
+        else:
+            pdf.cell(40, 10, header, 1, 0, 'C')
+    pdf.ln()
+    
+    # ردیف‌های داده
+    x=1
+    for row in maximum_download_info_list:
+        n=0
+        row[0] = x
+        x+=1
+        for item in row:
+            if n == 1 :
+                pdf.set_font("Arial", size=6)
+                pdf.cell(80, 10, str(item), 1, 0, 'C')
+                n+=1
+            else:
+                pdf.set_font("Arial", size=10)
+                pdf.cell(40, 10, str(item), 1, 0, 'C')
+                n+=1
+        pdf.ln()
+        
+        
+        
+        
+
+    model_name_list = []
+    model_growth  = []
+    for info in maximum_growth_slope_info_list:
+
+        model_name_list.append(info[0])
+        model_growth.append(round(info[1], 2) )
+
+    pdf.ln()
+    pdf.multi_cell(0, 5, f" Download Growth Chart :")
+    pdf.ln()
+    plt.figure(figsize=(8, 6)) # تنظیم اندازه کلی نمودار (عرض و ارتفاع بر حسب اینچ)
+    plt.bar(model_name_list,model_growth,color='lightgreen', width=0.4)
+    plt.xticks(rotation=30, ha='right', fontsize=10)
+    plt.xlabel("Model Name", color='blue')
+    plt.ylabel("Model Growth (%)" ,color='red')
+    plt.tight_layout()
+    plt.savefig(f'Top_{limit_number}_growth_rate.png', dpi=300)
+    pdf.image(f'Top_{limit_number}_growth_rate.png', x=10, y=pdf.get_y() + 5, w=70)
+    pdf.ln(80) # یک خط فاصله بعد از عکس
+        
+    pdf.ln()
+    pdf.multi_cell(0, 5, f" Download Growth Table :")
+    pdf.ln()
+    # سربرگ جدول
+    for header in [ 'Model_name','Growth-rate','Length-month']:
+        if header == 'Model_name':
+            pdf.cell(80, 10, header, 1, 0, 'C')
+        else:
+            pdf.cell(40, 10, header, 1, 0, 'C')
+    pdf.ln()
+    
+    # ردیف‌های داده
+    x=1
+    for row in maximum_growth_slope_info_list:
+        n=0
+        x+=1
+        for item in row:
+            if n == 0 :
+                pdf.set_font("Arial", size=6)
+                pdf.cell(80, 10, str(item), 1, 0, 'C')
+                n+=1
+            else:
+                pdf.set_font("Arial", size=10)
+                pdf.cell(40, 10, str(item), 1, 0, 'C')
+                n+=1
+        pdf.ln()
+        
+        
+        
+        
+    pdf.ln()
+    pdf.set_font("Arial", size=14)
+    pdf.multi_cell(0, 5, f"Models added this month :")
+    pdf.set_font("Arial", size=6)
+    pdf.ln()
+    
+    txt=''
+    n=1
+    for model_name in Models_added_this_month:
+        txt +=f"{n} -->  {model_name}\n"
+        n+=1
+    pdf.multi_cell(0, 5, f"{txt}")
+    
+    pdf.ln()
+    pdf.set_font("Arial", size=14)
+    pdf.multi_cell(0, 5, f"Models deleted :")
+    pdf.set_font("Arial", size=6)
+    pdf.ln()
+    txt=''
+    n=1
+    for model_name in Models_deleted:
+        txt +=f"{n} -->  {model_name}\n"
+        n+=1
+    pdf.multi_cell(0, 5, f"{txt}")
+    
+    pdf.output("MultiModelInfo.pdf")
+    os.remove(f'Top_{limit_number}_download_rate.png')
+    os.remove(f'Top_{limit_number}_growth_rate.png')
+    
+# MultiModelInfo(5)
+
+
+
+