هوش مصنوعی

تحلیل عکس در ChatGPT و Claude و ساخت تصویر با ChatGPT

تصویر مفهومی کار با عکس در ChatGPT و Claude؛ تحلیل تصویر با ساخت تصویر فرق دارد با طراحی بنفش طاووس وب

عکس یک محصول را دارید و دو کار متفاوت از هوش مصنوعی می‌خواهید: اول بگوید چه چیزهایی در عکس دیده می‌شود، بعد یک تصویر تازه برای معرفی محصول بسازد. ChatGPT می‌تواند، در صورت فعال‌بودن قابلیت‌های مربوط در حساب، هر دو کار را انجام دهد. Claude عکس را تحلیل می‌کند، اما تولید بومی عکس و تصویرسازی شبیه یک مولد تصویر را ارائه نمی‌دهد. ساخت نمودار یا تصویر کدنویسی‌شده در Claude، قابلیت دیگری است.

این تفاوت جلوی یک انتظار اشتباه را می‌گیرد. در درس هشتم، تحلیل عکس را در هر دو ابزار تمرین می‌کنیم و مسیر ساخت عکس با ChatGPT را جدا پیش می‌بریم. مثال ما یک ماگ سرامیکی خیالی برای فروشگاه «نارون» است؛ هیچ ادعایی درباره عملکرد محصول واقعی یا نتیجه آزمایش عملی این سرویس‌ها مطرح نمی‌کنیم. سایر آموزش‌ها را در دستهٔ آموزش هوش مصنوعی طاووس وب ببینید.

سه نوع درخواست تصویری را از هم تشخیص دهید

در «فهم تصویر»، مدل درباره تصویری که می‌بیند پاسخ می‌دهد: اجزای صحنه، متن خوانا یا مشکل ظاهری یک چیدمان. در «تولید تصویر»، از توصیف شما پیکسل‌های یک تصویر تازه ساخته می‌شود. در «نمودار و تصویر کدنویسی‌شده»، ابزار با داده، شکل هندسی یا کد، خروجی بصری ایجاد می‌کند. نتیجه هر سه دیدنی است، اما ورودی، روش و کاربردشان فرق دارد.

مثلاً از Claude می‌توانید بخواهید چیدمان عکس ماگ را بررسی کند یا برای عکاس یک شرح تصویری بنویسد. همچنین ممکن است با قابلیت‌های مناسب نمودار، SVG یا نمای HTML بسازد. این موارد نباید با عبارت «کلود هم مثل ChatGPT عکس تبلیغاتی تولید می‌کند» معرفی شوند. برای ساخت عکس واقعی‌نما، قابلیت تصویرسازی اختصاصی لازم است.

چه کاری را در کدام ابزار انجام دهیم؟
درخواست ChatGPT Claude
توصیف و تحلیل عکس بارگذاری‌شده پشتیبانی از ورودی تصویر، با محدودیت‌های فهم تصویر پشتیبانی از تحلیل تصاویر بارگذاری‌شده
خواندن نوشته داخل تصویر ممکن است؛ کیفیت و خط فارسی روی دقت اثر دارد ممکن است؛ نتیجه باید با تصویر کنترل شود
ساخت عکس یا تصویرسازی از متن با قابلیت تولید تصویر و در حدود دسترسی حساب تولید بومی عکس و تصویرسازی ارائه نمی‌کند
ویرایش تصویری با مرجع در ابزار تصویرسازی پشتیبانی می‌شود؛ جزئیات را بررسی کنید می‌تواند راهنمای ویرایش بدهد؛ معادل ابزار ویرایش مولد عکس نیست
نمودار، SVG یا نمای HTML بسته به ابزارهای فعال قابل انجام است قابل انجام با قابلیت‌های مربوط؛ متفاوت از مولد عکس

تمرین اول: از عکس فقط آنچه دیده می‌شود بخواهید

یک عکس روشن و غیرحساس انتخاب کنید. بهتر است شیء اصلی بزرگ باشد و جزئیاتش زیر سایه یا بازتاب پنهان نماند. در ChatGPT می‌توانید از مسیر پیوست تصویر، چسباندن تصویر یا کشیدن آن داخل گفتگو استفاده کنید؛ گزینه‌های موجود به محیط شما بستگی دارد. در Claude از افزودن فایل یا عکس استفاده کنید. اگر چند عکس می‌فرستید، برای آن‌ها نام یا شماره مشخص کنید.

دستور آماده: «این عکس یک محصول نمونه است. ابتدا فقط ویژگی‌های قابل مشاهده را توصیف کن: رنگ، شکل، موقعیت دسته، پس‌زمینه و نور. درباره جنس دقیق، حجم، قیمت یا محل ساخت حدس نزن. مواردی را که در عکس واضح نیستند جدا بنویس. بعد سه پیشنهاد برای بهترشدن عکاسی ارائه بده.»

در عکس ماگ، مدل ممکن است رنگ کرم و دسته سمت راست را ببیند. از همین تصویر نمی‌شود ظرفیت دقیق، قابلیت استفاده در ماشین ظرف‌شویی یا سرب‌نداشتن لعاب را نتیجه گرفت. برای نوشتن توضیح محصول، این اطلاعات باید از مشخصات معتبر بیایند. پیشنهاد «نور را از کنار بتابانید» هم نظر درباره عکاسی است و با مشاهده مستقیم فرق دارد.

وقتی می‌خواهید نوشته یا نمودار را بخوانید

عکس رسید، برچسب و نمودار به کنترل بیشتری نیاز دارد. از مدل بخواهید متن را خط‌به‌خط بنویسد و بخش ناخوانا را با علامت مشخص کند. اگر یک عدد مبهم است، از درخواست «حدس بزن» پرهیز کنید. در رسید فارسی، صفرهای مبلغ، ریال یا تومان و تاریخ می‌توانند نتیجه را عوض کنند. شماره کارت و اطلاعات شخصی را پیش از بارگذاری حذف کنید.

برای نمودار بپرسید عنوان و واحد محور چیست، سپس روند را توضیح بدهد. عددی که از ارتفاع تقریبی یک میله برداشت شده با داده واقعی جدول یکسان نیست. اگر تصمیم شما به رقم دقیق وابسته است، فایل داده یا جدول اصلی را تهیه کنید. همچنین مدل ممکن است موقعیت مکانی، تعداد اشیای کوچک یا نوشته ریز را اشتباه تشخیص دهد.

درخواست اصلاح: «در پاسخ قبلی عددی را قطعی نوشته‌ای که در تصویر واضح نیست. دوباره فقط همان ناحیه را بررسی کن. متن خوانا را رونویسی کن و برای بخش مبهم بنویس “خوانا نیست”. هیچ رقم جایگزینی نساز.»

تمرین دوم: یک شرح تصویری قابل استفاده بسازید

قبل از تولید عکس، هدف و محدودیت تصویر را مشخص کنید. تصویر اصلی فروشگاه باید محصول را دقیق نشان بدهد؛ یک پوستر خیالی می‌تواند آزادی بیشتری داشته باشد. اگر ماگ واقعی می‌فروشید، دستکاری شکل دسته، نسبت ابعاد یا رنگ لعاب ممکن است مشتری را درباره کالا گمراه کند. برای تصویر اصلی محصول، عکاسی دقیق معمولاً مبنای مطمئن‌تری است.

شرح تصویری خوب معمولاً موضوع، محیط، نور، ترکیب‌بندی، نسبت قاب و موارد ممنوع را دارد. تعداد صفت‌های جذاب دقت را تضمین نمی‌کند. «ماگ کرم روی میز روشن، نور نرم از چپ، فضای خالی سمت راست برای عنوان» از «فوق‌العاده حرفه‌ای و بسیار شگفت‌انگیز» اطلاعات بیشتری به ابزار می‌دهد.

دستور تولید در ChatGPT: «یک تصویر مفهومی برای معرفی ماگ خیالی بساز: ماگ سرامیکی کرم با دسته گرد روی میز چوبی روشن، نور نرم صبح از سمت چپ، پس‌زمینه ساده و فضای خالی در سمت راست برای اضافه‌کردن عنوان. قاب افقی باشد. هیچ نوشته، لوگو یا نشان برند در تصویر قرار نده. این تصویر برای تمرین است و قرار نیست مشخصات یک کالای واقعی را نمایش دهد.»

در Claude می‌توانید همین توضیح را برای نقد یا تکمیل شرح تصویر استفاده کنید: «این شرح را از نظر ابهام بررسی کن و نسخه‌ای روشن برای یک ابزار تصویرسازی بنویس.» خروجی مورد انتظار در این مرحله متن است. اگر Claude نمودار یا فایل بصری کدنویسی‌شده ساخت، آن را جدا از عکس مولد ارزیابی کنید.

راهنمای تحلیل تصویر با ساخت تصویر فرق دارد؛ تحلیل تصویر، ساخت تصویر، تصویر با کد، بازبینی
راهنمای مفهومی: تحلیل تصویر با ساخت تصویر فرق دارد. جزئیات ابزارها ممکن است متفاوت باشد.

ویرایش تصویر را با یک تغییر مشخص شروع کنید

در ChatGPT، اگر امکان ویرایش تصویر در حساب شما فعال است، عکس مرجع را اضافه کنید و دقیق بگویید چه چیزی تغییر کند. مثلاً «فقط پس‌زمینه را روشن‌تر کن و شکل ماگ و دسته را حفظ کن.» این دستور درخواست شما را روشن می‌کند، اما تضمین حفظ بی‌نقص همه جزئیات نیست. خروجی را کنار اصل بگذارید و لبه‌ها، نوشته‌ها، بافت و تناسب را بررسی کنید.

اگر هم‌زمان رنگ، زاویه دوربین، تعداد اشیا، نور و پس‌زمینه را عوض کنید، تشخیص علت مشکل سخت می‌شود. برای شروع یک تغییر انجام دهید. وقتی مشکل پیدا شد، نام همان بخش را بگویید: «دسته نسبت به عکس مرجع ضخیم‌تر شده؛ آن را به شکل مرجع نزدیک کن.» جمله «بهترش کن» به مدل نمی‌گوید کدام معیار را رعایت نکرده است.

نوشته فارسی و هویت برند را جدا کنترل کنید

وجود یک متن فارسی در تصویر به معنی درست‌بودن املای آن نیست. پیوستگی حروف، نیم‌فاصله، ترتیب واژه‌ها و عددها را در اندازه واقعی انتشار بررسی کنید. برای عنوان حساس، قیمت یا شماره تماس، می‌توانید تصویر را بدون نوشته تولید کنید و متن را بعداً در ابزار طراحی معتبر اضافه کنید. این مسیر کنترل بیشتری روی خوانایی و نسخه نهایی می‌دهد.

استفاده از رنگ برند با بازسازی دقیق لوگو فرق دارد. اگر لوگو دارید، فایل اصلی را به‌عنوان مرجع معتبر نگه دارید و خروجی مولد را جایگزین خودکار آن نکنید. همچنین پیش از انتشار، حق استفاده از عکس مرجع و اجازه افراد حاضر در تصویر را بررسی کنید. حذف واترمارک یا ساخت تصویر گمراه‌کننده از یک فرد، تمرین مناسبی برای این درس نیست.

حریم خصوصی و محدودیت تشخیص

پیش از ارسال اسکرین‌شات، اعلان‌ها، نشانی ایمیل، نام افراد و اطلاعات حساب را مرور کنید. گاهی اطلاعات حساس در گوشه تصویر است و ارتباطی با سؤال ندارد. فقط بخش لازم را در نسخه‌ای جدا برش بزنید. تحلیل عکس پزشکی، تشخیص هویت افراد یا تصمیم حساس بر پایه ظاهر، به این تمرین عمومی تعلق ندارد؛ برای موضوع پزشکی از متخصص واجد صلاحیت کمک بگیرید.

اگر سرویس می‌گوید تصویر را نمی‌بیند یا سهمیه تمام شده، از آن نخواهید درباره محتوای ندیده قضاوت کند. می‌توانید فعلاً شرح تصویر بنویسید، معیار کنترل بسازید یا با عکس کوچک‌تر و خواناتر در زمان و حساب مجاز ادامه دهید. نبود دسترسی را در مقایسه دو ابزار با ضعف تحلیلی اشتباه نگیرید.

تمرین پایانی: یک عکس، دو نوع خروجی

از یک شیء ساده عکس بگیرید که اطلاعات شخصی در آن نباشد. از هر دو ابزار در دسترس، پنج مشاهده قابل بررسی و دو مورد نامطمئن بخواهید. سپس با ChatGPT یک تصویر مفهومی تازه بسازید یا، اگر ابزار تولید تصویر ندارید، شرح دقیق آن را آماده کنید. نتیجه موفق باید مشاهده را از حدس جدا کند و در تصویر تازه، هدف، ترکیب‌بندی و محدودیت‌های شما قابل تشخیص باشد. برای مقایسه، سه معیار ثابت مثل شکل شیء، خوانایی و فضای عنوان را ثبت کنید.

منابع رسمی و تاریخ بررسی

منابع این درس در ۸ اکتبر ۲۰۲۶ بررسی شده‌اند. نام گزینه‌ها، سهمیه‌ها و دسترسی قابلیت‌ها ممکن است با تغییر محصول، حساب، منطقه یا برنامه انتشار متفاوت باشد.

author-avatar

درباره مهدی حبیبی

مهدی حبیبی، بنیان‌گذار طاووس وب و برنامه‌نویس فرانت‌اند با بیش از ۵ سال تجربه در طراحی سایت و بیش از ۵۰ پروژهٔ انجام‌شده. تخصصش وردپرس، المنتور، ووکامرس، سئو و بهینه‌سازی سرعت است و تجربهٔ پروژه‌های واقعی را در طاووس وب به زبان ساده آموزش می‌دهد. و البته مجنون قهوه!

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *