إنشاء أداة توليد صور منتجات للتجارة الإلكترونية (Google Colab + Python)

الذكاء الاصطناعي تعلم الآلة بايثون برمجة تطوير البرمجيات برمجة قواعد البيانات الذكاء الاصطناعي تعلم الآلة بايثون برمجة تطوير البرمجيات برمجة قواعد البيانات

أبحث عن مطوّر ذكاء اصطناعي متمكّن في Python وGoogle Colab لتنفيذ مشروع يهدف إلى توليد صور منتجات مشابهة للتصميمات الأصلية (مثل علبة عطر، موبايل، سماعات...) بهدف استخدامها في تقييم تصميمات التجارة الإلكترونية. البيانات الأصلية موجودة على Google Drive، وهي منظّمة مسبقًا داخل مجلدات حسب القوالب التصميمية (class_1 إلى class_5). كل مجلد يحتوي على صور تم تصميمها يدويًا لمنتجات مختلفة، والمطلوب هو إنتاج نسخة جديدة مولّدة بالذكاء الاصطناعي من نفس الصور دون تكرار مباشر، مع الحفاظ على النمط والتخطيط الأساسي. المهام المطلوبة 1. قراءة البيانات من Google Drive قراءة الصور مباشرة من الرابط: Google Drive Dataset تحميل الصور تلقائيًا بدون تنزيل يدوي. التعامل مع كل مجلد (class_1 إلى class_5) بشكل منفصل، حيث كل مجلد يمثل قالب تصميم مختلف. 2. فهم الصورة وتحليلها (قدر الإمكان) تحديد نوع المنتج (مثلاً: هاتف ذكي، عطر، سماعات...). تحليل التخطيط الأساسي: أبعاد الصورة، موضع المنتج (وسط/جانبي)، وجود النص التوضيحي، نوع الخلفية (بيضاء/غير بيضاء)، وجود ظل أو عدمه. لا حاجة لاستخراج النص الحقيقي من الصورة، فقط تحديد وجود النص وموقعه تقريبًا. 3. توليد الصور الجديدة لكل صورة موجودة في أحد المجلدات (class_1 إلى class_5)، يجب توليد صورة جديدة مشابهة في النمط (وليس نسخة مكررة)، بحيث يتم تقليد التصميم نفسه آليًا باستخدام نموذج توليدي (مثل Stable Diffusion أو FLUX). التصنيفالخصائص المطلوبة class_1المنتج في وسط الصورة + خلفية بيضاء + نص توضيحي بسيط + ظل مناسب class_2المنتج في وسط الصورة + خلفية بيضاء + نص توضيحي بسيط + بدون ظل class_3المنتج في وسط الصورة + خلفية بيضاء + بدون نص + ظل مناسب class_4المنتج في وسط الصورة + خلفية بيضاء + بدون نص وبدون ظل class_5المنتج بزاوية جانبية + خلفية غير بيضاء + بدون نص وبدون ظل النص التوضيحي يمكن أن يكون ثابتًا مثل: "Product description". المطلوب هو تقليد الأسلوب البصري فقط وليس محتوى النص. اشتراطات التوليد الصور الجديدة يجب أن تكون مشابهة في النمط والتخطيط للصور الأصلية داخل كل مجلد، لكن غير مكررة. لا مانع من بقاء العلامة التجارية الأصلية (البيانات لأغراض تدريبية فقط). يجب التحكم بالظل، الخلفية، والنص وفق كل تصنيف كما في الجدول أعلاه. دقة الإخراج: PNG 1024×1024 أو نفس أبعاد الصورة الأصلية. بيئة العمل والتقنيات المطلوبة التنفيذ الكامل داخل Google Colab. لغة البرمجة: Python. يمكن استخدام أي مكتبات مفتوحة المصدر مثل: diffusers, Stable Diffusion, FLUX, أو أي نموذج توليدي مناسب. بالإضافة إلى: OpenCV, PIL, Torch, pytesseract (عند الحاجة للتحليل). هيكل المخرجات على Google Drive يُحفظ الناتج بنفس الهيكل الأصلي: /Generated/ /Train/ /class_1/ /class_2/ /class_3/ /class_4/ /class_5/ /Test/ /class_1/ /class_2/ /class_3/ /class_4/ /class_5/ /Valid/ /class_1/ /class_2/ /class_3/ /class_4/ /class_5/ بالإضافة إلى مجلد: /Samples/ يحتوي على أمثلة لمنتجين مختلفين (10 صور) كنموذج من النتائج. معايير القبول الكود يعمل بالكامل على Google Colab بدون أخطاء. يقرأ الصور تلقائيًا من Google Drive ويعيد توليدها وفق نفس توزيع المجلدات. ينتج صورًا جديدة مشابهة في النمط دون تكرار مباشر. الكود منظم ومشروح بالإنجليزية، مع إعدادات قابلة للتعديل (الدقة، عدد الصور، seed...). ⏱️ المدة والميزانية المدة: 10 أيام الميزانية: 100 دولار (قابلة للزيادة عند تنفيذ عينة عالية الجودة). ? المهارات المطلوبة خبرة قوية في Python وGoogle Colab. خبرة في نماذج توليد الصور (Diffusion Models). معرفة في تحليل الصور وOpenCV. فهم لتخطيطات صور التجارة الإلكترونية (خلفية بيضاء، ظل، نص، تموضع المنتج). ملاحظات إضافية أرحّب بأي اقتراحات تقنية بديلة طالما تحقق نفس الهدف. لا حاجة لإزالة الشعارات أو العلامات التجارية طالما الصور لأغراض تدريبية فقط. سيتم اختبار عينة صغيرة (منتج أو اثنين) قبل اعتماد التنفيذ الكامل.