Imagecaster يعلّم الشبكة العصبية ملامح وجهك من 10 إلى 100 صورة ويجرّب الملابس في المنزل
Imagecaster برنامج لتوليد الصور على بطاقة رسومات منزلية، وقد علّمه مؤلفه رسم شخص بعينه. لذلك تُدرَّب الشبكة العصبية بإضافة صغيرة تُسمّى LoRA على 10–100 صورة، فيظهر الشخص في الإطار الجديد ضمن المشهد والملابس المطلوبين. وتتولى نموذج Klein نقل الملابس من صورة المتجر الإلكتروني، بينما يُبدَّل الوجه في خطوة منفصلة حتى لا يضيع الشبه. ولهذا يُستبعَد الإطار الفاشل ببساطة بدلًا من دفع ثمنه كما في الخدمات السحابية.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
لم يعد توليد الصور على بطاقة رسومات منزلية أمرًا يثير الدهشة منذ زمن. الأصعب هو الحصول على شخص بعينه، لا «فتاة شبيهة من غلاف مجلة»: أنت أو زوجتك أو صديقك، بالملابس والمشهد المطلوبين. وهذا ما أضافه مؤلف التطبيق مفتوح المصدر Imagecaster. فالبرنامج يدرّب الآن الشبكة العصبية على 10–100 من صورك (باستخدام إضافة صغيرة تُسمّى LoRA)، ثم يبدّل الوجه لضمان دقة الشبه، وينقل الملابس من صورة في متجر إلكتروني أو من الهاتف الذكي إلى الشخصية باستخدام نموذج منفصل. كل شيء يُحسب محليًا، دون اشتراكات سحابية ودون دفع مقابل كل عملية توليد.
كيف تعمل السلسلة
LoRA مجموعة صغيرة من الأوزان الإضافية فوق النموذج الأساسي. تخيّل استوديو عامًا تحضر إليه «ملحقًا شخصيًا» يحمل ملامح شخص واحد. ولكل نموذج أساسي LoRA خاصة به: فإن دُرّبت على نموذج، لا تعمل على نموذج آخر. وعلى عكس استبدال الوجه البسيط في صورة جاهزة، يُنشأ هنا أولًا إطار جديد بالمشهد والوضعية والزاوية المطلوبة، ويكون الشخص مدمجًا فيه من البداية.
يتولى التدريب خادم قائم على ai-toolkit، وترسم الصور stable-diffusion.cpp. في الأمثلة يستخدم المؤلف النموذج السريع Z-Image: 8 خطوات توليد، وطريقة أخذ العينات Euler، وقيمة CFG تساوي 1، وأغلب الإطارات بدقة 1024×1536 بكسل. والتطبيق غير مرتبط بنموذج واحد، إذ يمكن الاختيار من النماذج التي يدعمها.
المراحل منفصلة، وهذا يسهّل تتبّع الأخطاء:
- LoRA تنشئ الشخص في مشهد جديد؛
- Klein، وهو نموذج منفصل، ينقل الملابس من صورة القطعة؛
- تبديل الوجه في النهاية يعيد الشبه.
الخطوة الأخيرة ضرورية لأن LoRA وحدها، بحسب المؤلف، تنتج أحيانًا شخصًا «شبيهًا قليلًا» فقط، وقد يتغير الوجه من إطار إلى آخر. وإذا لم يكن في الإطار وجه، تُتخطى هذه المرحلة.
ثلاث طرق لتدريب LoRA
الأولى: تحديد مجلد يضم صور شخص واحد. المطلوب من 10 إلى 100 صورة بصيغة JPEG أو PNG أو WebP. التنوع أهم من العدد: عشرة إطارات مختلفة بزوايا وإضاءة وملابس متباينة أنفع من عشرة إطارات متشابهة تقريبًا.
الثانية: تجميع المجموعة تدريجيًا عبر قسم «صوري». يمكن أن تضاف إليه صور جماعية أيضًا: يبحث التطبيق عن الوجوه ويقارنها بالشخص المحدد ويقتطع الوجه المطلوب. وإذا كان الاختيار ملتبسًا فسيقترح عليك تحديد الوجه يدويًا، وإذا كان الوجه صغيرًا أو ضبابيًا فسينبّهك. يمكن البدء بعشر صور وتدريب سريع، ثم مراجعة النتيجة، وبعدها الضغط على «متابعة التدريب»: تبقى الصور القديمة، وتُستخدم الجديدة بوتيرة أكبر. وهناك إعادة تدريب من الصفر، وتراجع إلى النسخة السابقة.
الثالثة: تكليف وكيل ذكاء اصطناعي بالتشغيل عبر MCP. هذا بروتوكول مفتوح تتحكم من خلاله عملاء مثل Claude وCodex وأشباههما في برامج خارجية. يكفي أن تكتب: «درّب LoRA لآدا على صور هذا المجلد باستخدام Z-Image». سيحصل الوكيل على قائمة النماذج وينشئ المهمة، ويمكنه، إن رغبت، تأجيل التشغيل كي لا يشغل بطاقة الرسومات فورًا.
المصمّم والخصوصية والأخطاء
كان «المصمّم» يعمل سابقًا عبر MCP فقط، وهو الآن مدمج في التطبيق. يُختار فيه الشخص والنموذج والأسلوب والملابس (اختيارية) وتسريحة الشعر والمكياج والخلفية والوضعيات، ثم تُعدّ خطة التصوير. وعبر MCP يستطيع الوكيل أن يقترح الإطلالات بنفسه ويرسل الإطارات إلى قائمة الانتظار.
وعالج المؤلف الخصوصية بشكل منفصل: الصور الأصلية لا تدخل في سجل الذكاء الاصطناعي «الذكي» السحابي. فهي توصَف بواسطة نموذج رؤية محلي، ولا يُخرج MCP إلى الخارج سوى النص وأرقام النتائج.
في الاختبار اقترح الوكيل ثلاث سلاسل: سلسلة استوديو ببدلة رمادية داكنة، وأمسية في المدينة بمعطف بوردو، وحديقة بثوب بلون المريمية. وفي سلسلة الاستوديو أغفل النموذج السترة. لاحظ الوكيل ذلك بنفسه، وأوضح وصف الملابس، وأعاد التصوير، فظهرت السترة.
وعرض المؤلف الإطارات الفاشلة بأمانة أيضًا. في أحدها جعل النموذج البطلة أكثر بدانة ولم يُظهر وجهها، وفي آخر ظهرت أربعة أصابع في القدم، وفي ثالث ثلاث أيادٍ. وتخرج آدا الافتراضية «مثالية» أكثر من اللازم، لكنّ النتيجة على الأشخاص الحقيقيين، بحسب انطباع المؤلف، أكثر إثارة للاهتمام، والتعرّف عليهم جيد.
المعادلة الاقتصادية بسيطة. التصوير لا يكون مجانيًا أبدًا: فهو يحتاج إلى عتاد وكهرباء ووقت. لكن المحاولة الفاشلة لا تستهلك رصيدًا مدفوعًا كما في الخدمات السحابية التي تحاسب على كل عملية توليد. يمكن إنتاج عشرات المتغيرات واستبعاد الرديء منها.
الخلاصة العملية للمطورين: سلسلة «LoRA + تبديل وجه منفصل + نقل ملابس منفصل» أكثر موثوقية من نموذج واحد لكل الحالات. أما الوكيل الذي ينظر إلى النتيجة ويصحح موجّهه بنفسه، فهو قادر بالفعل على إصلاح أخطائه. ويمكن تشغيل التطبيق والخادم على حاسوب واحد أو توزيعهما على الشبكة المنزلية، والشيفرة المصدرية والإصدارات الجاهزة منشورة.
- 22 نوفمبر 2026رياضي في Anthropic يعلن إثبات فرضية ريمان بمساعدة Claude دون نص مقروء
- 22 نوفمبر 2026مؤشر Nasdaq 100 يخسر 10.4% في أسبوع: أسوأ أداء منذ الجائحة
- 22 نوفمبر 2026الملف الشخصي للعمل في Android يسدّ تسرّب عنوان IP الحقيقي الذي لا يرصده Happ ولا v2rayNG
- 22 نوفمبر 2026Anthropic تدخل ناسداك: السهم من 83 إلى 111 دولارًا، لكن هل ستصمد معايير السلامة؟
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف تعمل السلسلة؟
LoRA مجموعة صغيرة من الأوزان الإضافية فوق النموذج الأساسي. تخيّل استوديو عامًا تحضر إليه «ملحقًا شخصيًا» يحمل ملامح شخص واحد. ولكل نموذج أساسي LoRA خاصة به: فإن دُرّبت على نموذج، لا تعمل على نموذج آخر. وعلى عكس استبدال الوجه البسيط في صورة جاهزة، يُنشأ هنا أولًا إطار جديد بالمشهد والوضعية والزاوية المطلوبة، ويكون الشخص مدمجًا فيه من البداية. يتولى التدريب خادم قائم على ai-toolkit، وترسم الصور stable-diffusion.cpp.
ما أبرز التفاصيل حول ثلاث طرق لتدريب LoRA؟
الأولى: تحديد مجلد يضم صور شخص واحد. المطلوب من 10 إلى 100 صورة بصيغة JPEG أو PNG أو WebP. التنوع أهم من العدد: عشرة إطارات مختلفة بزوايا وإضاءة وملابس متباينة أنفع من عشرة إطارات متشابهة تقريبًا. الثانية: تجميع المجموعة تدريجيًا عبر قسم «صوري». يمكن أن تضاف إليه صور جماعية أيضًا: يبحث التطبيق عن الوجوه ويقارنها بالشخص المحدد ويقتطع الوجه المطلوب. وإذا كان الاختيار ملتبسًا فسيقترح عليك تحديد الوجه يدويًا، وإذا كان الوجه صغيرًا أو ضبابيًا فسينبّهك.
ما أبرز التفاصيل حول المصمّم والخصوصية والأخطاء؟
كان «المصمّم» يعمل سابقًا عبر MCP فقط، وهو الآن مدمج في التطبيق. يُختار فيه الشخص والنموذج والأسلوب والملابس (اختيارية) وتسريحة الشعر والمكياج والخلفية والوضعيات، ثم تُعدّ خطة التصوير. وعبر MCP يستطيع الوكيل أن يقترح الإطلالات بنفسه ويرسل الإطارات إلى قائمة الانتظار. وعالج المؤلف الخصوصية بشكل منفصل: الصور الأصلية لا تدخل في سجل الذكاء الاصطناعي «الذكي» السحابي. فهي توصَف بواسطة نموذج رؤية محلي، ولا يُخرج MCP إلى الخارج سوى النص وأرقام النتائج.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.