معرفی Qwen-Image-Edit-2509، مدلی برای ویرایش عکس از علی‌بابا

ویرایش چندتایی عکس؛ قابلیتی که منتظرش بودیم

مهم‌ترین و اصلی‌ترین ویژگی که توی Qwen-Image-Edit-2509 اضافه شده، قابلیت ویرایش چند تا عکسه. این یعنی دیگه محدود به کار کردن روی فقط یه عکس نیستی. این مدل الان میتونه تا سه تا عکس ورودی رو بگیره و اون‌ها رو با هم ترکیب کنه و یه خروجی یکپارچه و منطقی تحویل بده. این قابلیت بر اساس معماری قبلی مدل ساخته شده و با یه تکنیک اموزشی به اسم «image concatenation» یا همون چسبوندن عکس‌ها به هم، یاد گرفته که چطور چند تا عکس رو با هم ویرایش کنه.

این ویژگی درهای جدیدی رو باز میکنه. مثلا میتونی:

• دو تا عکس پرتره از دو نفر مختلف رو با هم ترکیب کنی و توی یه قاب قرار بدی.
• یه نفر رو از عکسش برداری و توی یه پس‌زمینه یا صحنه کاملا جدید بذاری.
• یه عکس از یه محصول رو با عکس یه مدل ترکیب کنی تا یه پوستر تبلیغاتی بسازی.

این مدل میتونه ترکیب‌های مختلفی مثل «شخص + شخص»، «شخص + محصول» و «شخص + صحنه» رو به خوبی مدیریت کنه. البته یه نکته‌ای وجود داره؛ در حال حاضر بهترین عملکرد مدل وقتیه که بین یک تا سه تا عکس بهش بدی. اگه تعداد عکس‌ها بیشتر از این بشه، ممکنه کیفیت خروجی یکم افت کنه. این تکنیک به مدل اجازه میده که بتونه بین چند تا زمینه بصری مختلف ارتباط برقرار کنه و یه چیز منطقی ازشون بسازه.

بیاین چند تا مثال رو ببینیم تا بهتر متوجه بشیم. مثلا توی یه مثال از ترکیب «شخص + شخص»، دو تا عکس جدا از دو تا خرس عروسکی داده شده و از مدل خواسته شده که «خرس شعبده‌باز سمت چپ باشه، خرس کیمیاگر سمت راست، و توی میدان پارک مرکزی روبروی هم باشن.» خروجی عکسی میشه که دقیقا همین صحنه رو ساخته.

یا توی یه مثال دیگه از ترکیب «شخص + صحنه»، یه عکس از یه نفر و یه عکس از یه منظره به مدل داده میشه و خروجی یه تصویر کاملا طبیعی از اون شخص توی اون منظره جدیده. همینطور برای ترکیب «شخص + محصول» هم مثال‌هایی وجود داره که نشون میده مدل چقدر خوب میتونه این دو تا رو با هم ترکیب کنه.

جالب اینجاست که ورودی چندتایی عکس حتی از قابلیت‌های ControlNet هم پشتیبانی میکنه. مثلا میشه با استفاده از نقشه‌های نقاط کلیدی (keypoint maps) که از ControlNet میاد، ژست یه نفر رو توی عکس کاملا عوض کرد. حتی برای سه تا عکس ورودی هم مثال‌هایی وجود داره که نشون میده مدل میتونه صحنه‌های پیچیده‌تری رو هم با ترکیب چند عنصر مختلف بسازه. این قابلیت واقعا درک مدل از تصاویر رو به سطح جدیدی برده.

ثبات و یکپارچگی؛ مشکلی که حل شد

یکی دیگه از آپدیت‌های بزرگ توی Qwen-Image-Edit-2509، بهتر شدن فوق‌العاده ثبات و یکپارچگی توی ویرایش‌هاست. این مشکل توی نسخه ماه اگوست خیلی به چشم میومد و باعث میشد نتایج همیشه قابل اعتماد نباشن. اما توی نسخه سپتامبر، این موضوع به شدت بهبود پیدا کرده. بیاین ببینیم این بهبود توی چه بخش‌هایی بوده.

بهبود ثبات در ویرایش چهره اشخاص

این یکی از مهم‌ترین پیشرفت‌هاست. توی نسخه قبلی، وقتی میخواستی ژست یه نفر رو عوض کنی یا یه سبک هنری جدید به عکسش بدی، خیلی وقت‌ها چهره‌اش هم تغییر میکرد و هویتش از بین میرفت. این مشکل که بهش «face swapping» یا جابجایی چهره هم میگن، تقریبا حل شده. الان مدل خیلی بهتر میتونه هویت چهره رو حفظ کنه.

این یعنی شما میتونید:

• عکس‌های پرتره با سبک‌های مختلف بسازید (مثلا سبک کارتونی، نقاشی یا فرهنگی) در حالی که چهره شخص اصلی کاملا قابل تشخیصه.
• ژست یه نفر رو تغییر بدید بدون اینکه نگران باشید صورتش شبیه یه ادم دیگه بشه. این ثبات در حفظ هویت واقعا عالیه.
• عکس‌های قدیمی و اسیب‌دیده رو بازسازی کنید. مدل میتونه جزئیات رو بهتر کنه و رنگ‌ها رو برگردونه، در حالی که هویت چهره افراد توی عکس قدیمی حفظ میشه.
• میم (Meme) بسازید. این مدل به خاطر توانایی خوبش توی پردازش متن، وقتی با قابلیت حفظ چهره ترکیب میشه، برای ساختن میم‌های تصویری خیلی عالی عمل میکنه. میتونی یه متن خنده‌دار روی عکس یه نفر بذاری بدون اینکه به چهره‌اش اسیبی برسه. حتی اگه متن طولانی باشه، باز هم مدل میتونه اون رو به خوبی روی عکس قرار بده.
• شخصیت‌های کارتونی و محصولات فرهنگی بسازید. علاوه بر ادم‌های واقعی، این قابلیت برای طراحی شخصیت‌های غیرواقعی هم کاربرد داره.

برای اینکه بهتر متوجه بشیم، یه جدول مقایسه بین نسخه قدیمی و نسخه ۲۵۰۹ میتونه مفید باشه:

جنبه	نسخه قدیمی	نسخه ۲۵۰۹
ثبات چهره	۶۰٪	۹۵٪
سازگاری با سبک‌های مختلف	محدود	متنوع
حفظ جزئیات	متوسط	عالی

این اعداد نشون میدن که پیشرفت چقدر چشمگیر بوده.

بهبود ثبات در ویرایش محصولات

این قابلیت به خصوص برای کسب‌وکارها و طراحان خیلی مهمه. Qwen-Image-Edit-2509 به طور ویژه روی بهتر کردن ثبات در ویرایش محصولات کار کرده. قبلا وقتی میخواستی یه محصول رو توی یه صحنه جدید قرار بدی، ممکن بود جزئیاتش تغییر کنه یا شکل و شمایلش غیرطبیعی به نظر برسه.

الان مدل خیلی بهتر میتونه هویت محصول رو حفظ کنه. مثلا:

• میشه یه عکس ساده از یه محصول با پس‌زمینه سفید رو به مدل داد و ازش خواست یه پوستر تبلیغاتی حرفه‌ای ازش بسازه. مدل میتونه محصول رو به شکل طبیعی توی یه صحنه جدید قرار بده و پوستر رو طراحی کنه.
• میشه لوگوی یه برند رو به طور طبیعی روی محصولات یا توی صحنه‌ها قرار داد.
• جزئیات و بافت محصول خیلی بهتر حفظ میشه. این یعنی اگه محصول شما یه بافت خاص مثل چوب یا پارچه داره، این بافت توی عکس خروجی هم به خوبی دیده میشه.

این ویژگی‌ها باعث میشن این ابزار برای کارهای بازاریابی و تجارت الکترونیک خیلی کاربردی‌تر بشه.

بهبود ثبات در ویرایش متن

ویرایش متن توی عکس‌ها همیشه یکی از چالش‌های بزرگ مدل‌های هوش مصنوعی بوده. توی نسخه جدید Qwen، این بخش هم پیشرفت زیادی کرده. قبلا شاید میتونستی یه متن رو جایگزین کنی، اما کنترل زیادی روی ظاهرش نداشتی.

اما حالا Qwen-Image-Edit-2509 نه تنها میتونه محتوای متن رو تغییر بده، بلکه اجازه میده موارد زیر رو هم ویرایش کنی:

• نوع فونت: میتونی سبک فونت رو تغییر بدی.
• رنگ فونت: میتونی رنگ متن رو به دلخواه عوض کنی.
• جنس فونت: میتونی به متن حالت‌های مختلفی مثل فلزی، چوبی یا هر جنس دیگه‌ای بدی.

علاوه بر این، قابلیت «ویرایش نقطه‌ای» متن هم خیلی بهتر شده. یعنی میتونی به طور دقیق یه کلمه یا عبارت خاص رو توی یه جای مشخص از عکس تغییر بدی، بدون اینکه بقیه طرح به هم بریزه. این قابلیت مخصوصا موقع ویرایش پوسترها یا طرح‌هایی که متن بخش مهمی از اون‌هاست، خیلی به کار میاد. مثلا میتونی متن روی یه پوستر رو آپدیت کنی در حالی که طراحی اصلی پوستر دست‌نخورده باقی میمونه.

پشتیبانی داخلی از ControlNet؛ کنترل دقیق در دستان شما

اخرین قطعه بزرگ این پازل، پشتیبانی داخلی و بومی از ControlNet هست. قبلا شاید میتونستی با یه سری ترفندها و به صورت غیرمستقیم از ControlNet استفاده کنی، اما خیلی قابل اعتماد نبود. حالا این قابلیت به صورت مستقیم توی خود مدل تعبیه شده.

این یعنی چی؟ یعنی شما میتونید به مدل راهنماهای ساختاری بدید تا خروجی رو بر اساس اون‌ها بسازه. این راهنماها میتونن شامل موارد زیر باشن:

• نقشه‌های عمق (Depth maps): برای کنترل عمق میدان و فاصله اجسام.
• نقشه‌های لبه (Edge maps): برای اینکه مدل از خطوط و لبه‌های مشخصی پیروی کنه.
• نقشه‌های نقاط کلیدی (Keypoint maps): برای کنترل دقیق ژست و حالت بدن یه شخص (بر اساس تکنولوژی مثل OpenPose).
• طرح‌های اولیه (Sketches): میتونی یه طرح ساده و اولیه بکشی و از مدل بخوای اون رو به یه کار هنری کامل و با جزئیات تبدیل کنه.

این قابلیت باعث میشه ابزار برای کارهای حرفه‌ای و ساختاریافته خیلی مفیدتر بشه. اگه میخوای یه شخص حتما یه ژست خاص داشته باشه یا یه صحنه از یه طرح کلی که کشیدی پیروی کنه، مدل به این راهنمایی‌ها احترام میذاره و خروجی دقیقا همونی میشه که میخوای. این سطح از کنترل، Qwen رو از یه ابزار سرگرمی به یه ابزار حرفه‌ای برای طراحان و هنرمندان تبدیل میکنه.

نگاهی به کد؛ چطور ازش استفاده کنیم؟

برای کسایی که دوست دارن به صورت فنی‌تر با مدل کار کنن، تیم Qwen یه قطعه کد پایتون هم منتشر کرده که نشون میده چطور میشه از این مدل استفاده کرد. قبل از هر کاری باید اخرین نسخه کتابخانه diffusers رو نصب کنید. برای این کار از دستور زیر توی ترمینال استفاده میشه:

pip install git+https://github.com/huggingface/diffusers

بعد از نصب، میتونید از کدی شبیه به این استفاده کنید. بیاین خط به خط کد رو بررسی کنیم تا ببینیم چی کار میکنه:

import os
import torch
from PIL import Image
from diffusers import QwenImageEditPlusPipeline
# این خطوط اول، ابزارهای لازم رو وارد برنامه میکنن.
# os برای کار با فایل‌ها، torch کتابخانه اصلی یادگیری ماشین،
# و Image از PIL برای باز کردن و کار با عکس‌هاست.
# QwenImageEditPlusPipeline هم کلاس اصلی مدل ماست.
pipeline = QwenImageEditPlusPipeline.from_pretrained("Qwen/Qwen-Image-Edit-2509", torch_dtype=torch.bfloat16)
print("pipeline loaded")
# اینجا مدل اصلی رو از مخزن Hugging Face با اسم "Qwen/Qwen-Image-Edit-2509" دانلود و بارگذاری میکنیم.
# torch_dtype هم نوع داده‌ای رو برای محاسبات مشخص میکنه که به بهینه‌تر شدن کمک میکنه.
pipeline.to('cuda')
# این خط به برنامه میگه که برای پردازش از کارت گرافیک (GPU) استفاده کنه که خیلی سریع‌تره.
pipeline.set_progress_bar_config(disable=None)
# اینم یه تنظیم ساده برای نوار پیشرفته.
image1 = Image.open("input1.png")
image2 = Image.open("input2.png")
# اینجا دو تا عکس ورودی رو از روی فایل باز میکنیم.
prompt = "The magician bear is on the left, the alchemist bear is on the right, facing each other in the central park square."
# این متنیه که بهش میگیم چی میخوایم. به این میگن "پرامپت".
inputs = {
    "image": [image1, image2],
    "prompt": prompt,
    "generator": torch.manual_seed(0),
    "true_cfg_scale": 4.0,
    "negative_prompt": " ",
    "num_inference_steps": 40,
    "guidance_scale": 1.0,
    "num_images_per_prompt": 1,
}
# اینجا همه ورودی‌ها و تنظیمات رو توی یه دیکشنری جمع میکنیم.
# image: لیست عکس‌های ورودی.
# prompt: دستوری که دادیم.
# generator: برای اینکه نتایج قابل تکرار باشن.
# بقیه پارامترها هم تنظیمات پیشرفته‌تری برای کنترل کیفیت خروجی هستن.
with torch.inference_mode():
    output = pipeline(**inputs)
# اینجا مدل رو با ورودی‌هایی که مشخص کردیم اجرا میکنیم.
output_image = output.images[0]
output_image.save("output_image_edit_plus.png")
print("image saved at", os.path.abspath("output_image_edit_plus.png"))

همونطور که میبینید، کار کردن با مدل از طریق کد خیلی پیچیده نیست و به شما کنترل کاملی روی همه پارامترها میده.

مقایسه با رقبا؛ Qwen کجا ایستاده؟

حالا که با قابلیت‌های Qwen-Image-Edit-2509 اشنا شدیم، خوبه که یه مقایسه با بقیه مدل‌های معروف ویرایش عکس داشته باشیم تا ببینیم جایگاهش کجاست.

ویژگی	Qwen-Image-Edit-2509	DALL-E 3	Midjourney	Stable Diffusion
ویرایش چندتایی عکس	✅ پشتیبانی داخلی	❌ پشتیبانی نمیکنه	❌ پشتیبانی نمیکنه	⚠️ نیاز به پلاگین داره
ثبات چهره شخصیت	✅ عالی	⚠️ متوسط	⚠️ متوسط	❌ ضعیف
ویرایش محصول	✅ به طور ویژه بهینه شده	⚠️ پشتیبانی اولیه	❌ پشتیبانی نمیکنه	⚠️ نیاز به اموزش داره
پردازش متن	✅ پشتیبانی داخلی	⚠️ پشتیبانی محدود	❌ ضعیف	❌ ضعیف
استفاده رایگان	✅ کاملا رایگان	❌ پولی	❌ پولی	✅ متن‌باز
نصب روی سیستم شخصی	✅ پشتیبانی میشه	❌ پشتیبانی نمیکنه	❌ پشتیبانی نمیکنه	✅ پشتیبانی میشه

این جدول به وضوح نشون میده که Qwen توی چند تا زمینه کلیدی، به خصوص ویرایش چندتایی عکس و ثبات چهره، از رقبای معروفش جلوتره یا حداقل یه راه حل خیلی خوب و در دسترس ارائه میده. رایگان و متن‌باز بودن هم یه مزیت خیلی بزرگه که به هر کسی اجازه میده ازش استفاده کنه و حتی اون رو برای نیازهای خودش تغییر بده.

چطور نصب و راه‌اندازی کنیم؟

اگه دوست دارید این مدل رو روی کامپیوتر شخصی خودتون اجرا کنید، چند تا راه وجود داره. اول از همه باید بدونید که این مدل متن‌بازه و میتونید فایل‌هاش رو دانلود کنید. اما برای اجرا به سخت‌افزار مناسبی نیاز دارید.

نیازمندی‌های سخت‌افزاری:

قطعه	حداقل	توصیه شده
حافظه کارت گرافیک (VRAM)	۸ گیگابایت	۱۶ گیگابایت یا بیشتر
حافظه رم سیستم	۱۶ گیگابایت	۳۲ گیگابایت یا بیشتر
فضای ذخیره‌سازی	۲۰ گیگابایت	۵۰ گیگابایت یا بیشتر

مدل اصلی حجم زیادی داره و برای اجرا به یه کارت گرافیک قوی با حداقل ۱۶ گیگابایت حافظه نیاز داره. اما جامعه کاربری نسخه‌های سبک‌تری از این مدل رو به اسم نسخه‌های کوانتایز شده GGUF منتشر کرده. این نسخه‌ها (مثل q4_0 یا q8_0) حجم کمتری دارن و حتی روی سیستم‌هایی با ۸ گیگابایت حافظه کارت گرافیک هم اجرا میشن. یکی از کاربرهای جامعه به اسم Finanzamt_Endgegner یه نسخه بهینه GGUF ارائه کرده که نیاز به سخت‌افزار رو به شکل قابل توجهی کم میکنه.

راه‌اندازی با ComfyUI:

یکی از بهترین راه‌ها برای کار با این مدل به صورت محلی، استفاده از ابزاری به اسم ComfyUI هست. این ابزار به شما اجازه میده که با یه رابط کاربری گرافیکی، گردش‌کارهای (workflows) پیچیده‌ای رو برای تولید و ویرایش عکس بسازید. برای راه‌اندازی باید مراحل زیر رو طی کنید:

1. نصب ComfyUI:

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt

2. دانلود فایل‌های مدل:
   شما به فایل‌های مدل Qwen نیاز دارید. میتونید نسخه اصلی رو از کانال‌های رسمی یا نسخه کوانتایز شده GGUF رو از مخزن QuantStack/Qwen-Image-Edit-2509-GGUF در هاگینگ فیس دانلود کنید.
3. پیکربندی گردش‌کار:
   بعد از دانلود مدل، باید فایل‌های گردش‌کار مخصوص ComfyUI که با این مدل سازگار هستن رو وارد برنامه کنید و پارامترها رو بر اساس سخت‌افزار خودتون تنظیم کنید.

اگه سخت‌افزار لازم رو ندارید، نگران نباشید. همیشه میتونید از سرویس‌های GPU ابری مثل Vast.ai یا RunPod استفاده کنید یا خیلی ساده‌تر، از همون نسخه انلاین روی وبسایت Qwen Chat به صورت رایگان استفاده کنید.

بازخورد جامعه و کاربران

این آپدیت سر و صدای زیادی توی جامعه هوش مصنوعی ایجاد کرده. توی کامیونیتی ComfyUI، خیلی‌ها اون رو یه «اپدیت واقعا بزرگ» توصیف کردن. توی کامیونیتی LocalLLaMA هم ازش به عنوان یه «تغییردهنده بازی» یا «game changer» یاد شده. کاربرهای حرفه‌ای به خصوص از قابلیت ویرایش چندتایی عکس و بهبود ثبات خیلی استقبال کردن چون این‌ها مشکلات واقعی بودن که توی کارهای روزمره‌شون باهاشون درگیر بودن.

البته سوال‌هایی هم برای کاربران پیش اومده. مثلا اینکه ایا گردش‌کارهای قبلی‌شون که برای نسخه قدیمی Qwen ساخته بودن هنوز کار میکنه؟ (جواب اینه که عمدتا سازگارن، ولی برای استفاده از قابلیت‌های جدید بهتره از گردش‌کارهای جدید استفاده بشه). یا اینکه ایا روی مک‌بوک‌های جدید با چیپ M4 هم اجرا میشه؟ (که جوابش اینه که به صورت تئوری نسخه‌های کوانتایز شده اجرا میشن ولی عملکرد ممکنه محدود باشه).

این مدل به درد چه کسایی میخوره؟

با توجه به قابلیت‌هایی که بررسی کردیم، Qwen-Image-Edit-2509 برای گروه‌های مختلفی از افراد میتونه مفید باشه:

• تولیدکنندگان محتوا: برای ساختن میم، محتوای شبکه‌های اجتماعی و تصاویر خلاقانه.
• فعالان تجارت الکترونیک: برای ساختن پوسترهای حرفه‌ای محصولات و تصاویر جذاب برای فروشگاه‌های انلاین.
• طراحان: برای نمونه‌سازی سریع ایده‌ها و ازمایش طرح‌های خلاقانه.
• کاربران عادی: برای بازسازی عکس‌های خانوادگی قدیمی، ساختن عکس‌های ترکیبی جالب و سرگرمی.

نسخه ماه اگوست بیشتر شبیه یه زمین بازی بود؛ برای تست و سرگرمی خوب بود اما برای استفاده جدی خیلی نمیشد روش حساب کرد. اما Qwen-Image-Edit-2509 این تصور رو کاملا تغییر داده. این مدل دیگه فقط یه دموی تکنولوژی نیست، بلکه یه ابزار کاربردی، خلاقانه و حرفه‌ایه که میتونه توی گردش‌کارهای واقعی به کار گرفته بشه. هنوز اول راهه و محدودیت‌هایی مثل حداکثر سه عکس ورودی وجود داره، اما برای اولین بار، به نظر میرسه که خط تولید ویرایش عکس Qwen میتونه از پروژه‌های خلاقانه واقعی پشتیبانی کنه.