تشخیص شیء با پایتون و OpenCV: پروژه‌شناسایی البسه، اشیا و چهره 👁️🤖

تصور کنید کامپیوتر شما بتواند ببیند، بفهمد و تصمیم بگیرد. بتواند در یک تصویر شلوغ، یک “پیراهن قرمز” را از یک “کیف دستی” تشخیص دهد یا چهره افراد را در کسری از ثانیه شناسایی کند. این جادوی بینایی ماشین (Computer Vision) است. تا چند سال پیش، این تکنولوژی تنها در اختیار سازمان‌های نظامی یا شرکت‌های غول‌پیکر بود، اما امروز به لطف زبان قدرتمند پایتون (Python) و کتابخانه افسانه‌ای OpenCV، هر برنامه‌نویسی می‌تواند سیستم‌های هوشمند تشخیص شیء (Object Detection) را روی لپ‌تاپ خود بسازد. در این مقاله، دروازه‌ای به سوی دنیای پردازش تصویر باز می‌کنیم و نحوه شناسایی اشیاء مختلف را بررسی خواهیم کرد.

---

تفاوت “تشخیص تصویر” و “تشخیص شیء” چیست؟ 🔍

بسیاری از مبتدیان این دو را اشتباه می‌گیرند:

• طبقه‌بندی تصویر (Image Classification): کامپیوتر به کل عکس نگاه می‌کند و می‌گوید “این عکس یک گربه است”. (فقط یک برچسب کلی).
• تشخیص شیء (Object Detection): کامپیوتر نه تنها می‌گوید “گربه”، بلکه دورِ گربه یک کادر (Bounding Box) می‌کشد و می‌گوید “گربه اینجاست”. اگر در عکس یک سگ و یک دوچرخه هم باشد، آن‌ها را نیز جداگانه پیدا و مشخص می‌کند. این همان چیزی است که ما برای شناسایی البسه یا اشیا در فروشگاه‌ها نیاز داریم.

---

ابزار کار: OpenCV و مدل‌های پیش‌ساخته 🛠️

برای انجام این کار در پایتون، ما از کتابخانه `opencv-python` استفاده می‌کنیم. اما OpenCV به تنهایی “هوش” ندارد؛ ما باید به آن یک “مغز” (مدل) بدهیم. دو روش اصلی وجود دارد:

---

پروژه عملی: کد تشخیص چهره با پایتون 💻

بیایید یک برنامه ساده بنویسیم که وب‌کم را روشن کند و دور چهره شما یک مربع سبز بکشد.

import cv2

# 1. Load the Cascade Classifier (The "Brain" for face detection)
# This XML file comes with OpenCV
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 2. Open the Webcam (0 is usually the default camera)
cap = cv2.VideoCapture(0)

while True:
    # 3. Read a frame from the camera
    ret, frame = cap.read()
    
    if not ret:
        break

    # 4. Convert to Grayscale (Detection works better on gray images)
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 5. Detect Faces
    # scaleFactor: How much the image size is reduced at each image scale
    # minNeighbors: How many neighbors each candidate rectangle should have to retain it
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

    # 6. Draw rectangles around faces
    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) # Green box
        cv2.putText(frame, 'Face', (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

    # 7. Display the Result
    cv2.imshow('Python Face Detection', frame)

    # Stop if 'q' is pressed
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()
    

با اجرای این کد، پایتون به چشمانی هوشمند مجهز می‌شود که چهره شما را تعقیب می‌کند!

---

چالش تشخیص البسه و مد (Fashion AI) 👗

تشخیص لباس بسیار سخت‌تر از چهره است، زیرا لباس‌ها شکل ثابتی ندارند (چین می‌خورند، تا می‌شوند). برای این کار، به جای Haar Cascade، از مدل‌های YOLO یا SSD که روی دیتاست‌هایی مثل COCO (که شامل کلاس‌های کیف، کراوات، چمدان و… است) آموزش دیده‌اند، استفاده می‌کنیم.
کاربردهای تجاری:

• جستجوی بصری: کاربر از یک کفش عکس می‌گیرد و فروشگاه آنلاین مدل‌های مشابه را پیدا می‌کند.
• آینه هوشمند: تشخیص لباس تن کاربر و پیشنهاد اکسسوری مناسب.
• مدیریت انبار: شمارش خودکار جعبه‌ها یا محصولات در قفسه با دوربین.

---

جمع‌بندی: آینده دیدنی است ✅

بینایی ماشین با پایتون مهارتی است که مرزهای بین دنیای فیزیکی و دیجیتال را از بین می‌برد. از ساخت یک سیستم امنیتی ساده خانگی با تشخیص چهره گرفته تا پیاده‌سازی سیستم‌های پیچیده تحلیل مد در فروشگاه‌های اینترنتی، همه با یادگیری پایتون و کتابخانه OpenCV آغاز می‌شود. این مهارت، یکی از پرتقاضاترین تخصص‌ها در بازار کار هوش مصنوعی است و در دوره‌های پیشرفته آموزش پایتون و هوش مصنوعی در آموزشگاه البرز به صورت کاملاً عملی و پروژه‌محور تدریس می‌شود.