- 🏫 إضافة Google Teachable Machine—استيراد نماذج ذكاء اصطناعي مدرّبة مسبقًا إلى Scratch
- 🌟 ملخص
- ✨ الميزات الرئيسية
- 🚀 كيفية الاستخدام
- 🧱 الكتل والوظائف
- 🎓 الاستخدامات التعليمية
- 🎮 مشاريع نموذجية
- 🔧 النصائح وحل المشكلات—الكتل المشتركة
- 🔒 الخصوصية والأمان
- 🧪 معلومات فنية
- 🔗 الإضافات ذات الصلة
- 🧩 مقارنة بين Image Trainer وإضافة Google Teachable Machine
- 📚 اعرف المزيد
🏫 إضافة Google Teachable Machine—استيراد نماذج ذكاء اصطناعي مدرّبة مسبقًا إلى Scratch #
تتيح لك إضافة Google Teachable Machine جلب نماذج ذكاء اصطناعي متقدمة من موقع Google Teachable Machine مباشرةً إلى Scratch.
درّب عبر الإنترنت نماذج قوية للتعرّف على الصور أو الأصوات أو وضعيات الجسم—ثم استوردها إلى مشاريع Scratch باستخدام عنوان URL واحد فقط.
أصبحت خطوات العمل الاحترافية في تعلّم الآلة بسيطة وسهلة الوصول للطلاب والمعلمين والمبدعين. ✨

🌟 ملخص #
- ثلاثة أنواع من النماذج: استورد نماذج تصنيف الصور أو الأصوات أو وضعيات الجسم التي درّبتها في Teachable Machine.
- عدد غير محدود من التسميات: استخدم أي عدد من الفئات المخصصة—من دون حد أقصى قدره 10 تسميات.
- التدريب السحابي: استفد من بنية Google التحتية لتدريب نماذج عالية الدقة.
- استيراد سهل: الصق عنوان URL القابل للمشاركة الخاص بنموذجك في Scratch لاستخدامه مباشرةً.
- التصنيف في الوقت الفعلي: احصل على تنبؤات مباشرة بينما يتعرّف النموذج على الصور أو الأصوات أو وضعيات الجسم.
- عناصر التحكم في الكاميرا والفيديو: أظهر المعاينة المباشرة أو أخفها أو اقلبها بما يناسب إعدادك.
✨ الميزات الرئيسية #
- يدعم الأنواع الثلاثة من نماذج Teachable Machine: الصور والصوت ووضعيات الجسم.
- عدد غير محدود من التسميات لكل نموذج.
- الاستيراد باستخدام عنوان URL قابل للمشاركة أو برفع الملفات.
- درجات ثقة لكل تسمية.
- إمكانية ضبط الفاصل الزمني للتصنيف وحدّ الثقة.
- يعمل بالكامل داخل متصفحك بعد تحميله— بسرعة وكفاءة.
🚀 كيفية الاستخدام #
الخطوة 1—درّب نموذجك باستخدام Teachable Machine #
- انتقل إلى teachablemachine.withgoogle.com.
- اختر نوع المشروع: Image (صورة) أو Audio (صوت) أو Pose (وضعية جسم)..
- أنشئ الفئات (التسميات) الخاصة بك، مثل Cat (قطة) وDog (كلب) وBird (طائر).
- أضف عينات تدريب لكل فئة:
- أضف عينات تدريب لكل فئة: الصور: ارفع صورًا أو التقطها باستخدام كاميرا الويب.
- الأصوات: سجّل مقاطع صوتية قصيرة.
- وضعيات الجسم: التقط وضعيات الجسم باستخدام كاميرا الويب.
- انقر على Train Model وانتظر حتى يكتمل التدريب (1–5 دقائق).
- اختبر نموذجك في قسم Preview للتأكد من دقته.
- اختر خيارات التصدير المتوافقة مع Scratch:
- بالنسبة إلى مشروع الصور، اختر Standard image model (224×224 color images).
- في نافذة التصدير، اختر تبويب Tensorflow.js. هذا هو تنسيق الويب الذي تستخدمه إضافة Scratch؛ لا تختر Tensorflow أو Tensorflow Lite.
- انقر على Export Model، واختر Upload (shareable link)، ثم انقر على Upload my model أو Update my cloud model (إذا كان النموذج موجودًا بالفعل).
- انسخ عنوان URL القابل للمشاركة، مثل: https://teachablemachine.withgoogle.com/models/abc123/.
الخطوة 2—استورد نموذجك إلى Scratch #
- افتح pishi.ai/play.
- اختر إضافة Google Teachable Machine.
- اسمح بالوصول إلى الكاميرا أو الميكروفون إذا طُلب منك ذلك، بحسب نوع النموذج.
- استخدم إحدى كتل الإعداد التالية:
-
عيِّن رابط نموذج الصور: [URL|text]
-
عيِّن رابط نموذج الصوت: [URL|text]
-
عيِّن رابط نموذج وضعيات الجسم: [URL|text]
-
- انتظر ظهور مؤشر التحميل—يبدأ التصنيف تلقائيًا بعد اكتمال تحميل النموذج.
- استخدم كتل الكشف لجعل الكائنات تتفاعل مع التسميات التي يتعرّف عليها النموذج.
نصائح
- درّب كل تسمية باستخدام 20–50 مثالًا متنوعًا للحصول على نتائج موثوقة.
- حافظ قدر الإمكان على ظروف الإضاءة والصوت نفسها التي استخدمتها أثناء التدريب.
- اختبر نموذجك جيدًا في Teachable Machine قبل استيراده.
- اضبط الفاصل الزمني للتصنيف على 100–250 ms لتحسين الأداء على الأجهزة الأقدم.
🧱 الكتل والوظائف #
🖼️ تصنيف الصور #
يحمّل نموذجًا لتصنيف الصور من عنوان URL الخاص بـ Teachable Machine الذي تقدمه.
URL: الصق عنوان URL الخاص بنموذج Teachable Machine، مثل: https://teachablemachine.withgoogle.com/models/u87itobc/
ما الذي تفعله هذه الكتلة؟
- تنزّل النموذج وتحمّله في Scratch.
- تبدأ تصنيف الصور بشكل مستمر باستخدام الكاميرا أو Stage (المنصة).
- يبقى النموذج محمّلًا حتى تحدد عنوان URL مختلفًا أو تعيد تحميل المشروع.
تعرض اسم تسمية فئة الصورة التي اكتُشفت بأعلى درجة ثقة.
تعرض قيمة فارغة إذا لم تصل أي تسمية إلى الحد الأدنى المطلوب للثقة.
مثال: إذا اكتشف نموذجك التسمية Cat (قطة) بدرجة ثقة عالية، فستعرض هذه الكتلة Cat.
كتلة حدث تعمل عندما تُكتشف تسمية الصورة المحددة بدرجة أعلى من الحد الأدنى للثقة.
LABEL: اختر تسمية من نموذجك، أو اختر any (أي) لتعمل الكتلة عند أي اكتشاف.
استخدم any للتفاعل عندما يكتشف النموذج أي شيء بدرجة ثقة كافية.
كتلة منطقية تُرجع true عندما تكون تسمية الصورة المحددة مكتشفة حاليًا.
LABEL: اختر تسمية من نموذجك أو any.
تعرض درجة الثقة من 0 إلى 1 لتسمية الصورة المحددة.
كلما ارتفعت القيمة، كان النموذج أكثر ثقة في الاكتشاف.
مثال: : قد تعرض confidence of image [Dog] القيمة 0.95، أي درجة ثقة تبلغ 95%.
🔊 تصنيف الأصوات #
يحمّل نموذجًا لتصنيف الأصوات من عنوان URL الخاص بـ Teachable Machine.
URL: الصق عنوان URL الخاص بنموذج الصوت في Teachable Machine.
ما الذي تفعله هذه الكتلة؟
- تنزّل نموذج الصوت وتحمّله في Scratch.
- تبدأ تصنيف الأصوات بشكل مستمر باستخدام الميكروفون.
- تستمع إلى الصوت وتصنّفه في الوقت الفعلي.
تعرض اسم تسمية فئة الصوت التي اكتُشفت بأعلى درجة ثقة.
تعرض قيمة فارغة إذا لم يصل أي صوت إلى الحد الأدنى المطلوب للثقة.
مثال: : إذا تعرّف نموذجك على Clap (تصفيق)، فستعرض هذه الكتلة Clap.
ملاحظة: : تُستبعد ضوضاء الخلفية تلقائيًا من نتائج الكشف.
كتلة حدث تعمل عندما تُكتشف تسمية الصوت المحددة بدرجة أعلى من الحد الأدنى للثقة.
LABEL: اختر تسمية من نموذجك، أو اختر any.
ملاحظة: : لا تدخل تسميات ضوضاء الخلفية ضمن حالات تشغيل any.
كتلة منطقية تُرجع true عندما تكون تسمية الصوت المحددة مكتشفة حاليًا.
LABEL: اختر تسمية من نموذجك أو any.
تعرض درجة الثقة من 0 إلى 1 لتسمية الصوت المحددة.
🕺 تصنيف وضعيات الجسم #
يحمّل نموذجًا لتصنيف وضعيات الجسم من عنوان URL الخاص بـ Teachable Machine.
URL: الصق عنوان URL الخاص بنموذج وضعيات الجسم في Teachable Machine.
ما الذي تفعله هذه الكتلة؟
- تنزّل نموذج وضعيات الجسم وتحمّله في Scratch.
- تبدأ تصنيف وضعيات الجسم بشكل مستمر باستخدام الكاميرا أو Stage (المنصة).
- تكتشف وضع الجسم وتصنّفه بناءً على الوضعيات التي درّبت نموذجك عليها.
تعرض اسم تسمية وضعية الجسم التي اكتُشفت بأعلى درجة ثقة.
تعرض قيمة فارغة إذا لم تصل أي وضعية إلى الحد الأدنى المطلوب للثقة.
مثال: : إذا اكتشف نموذجك Arms Up (الذراعان لأعلى)، فستعرض هذه الكتلة Arms Up.
كتلة حدث تعمل عندما تُكتشف تسمية وضعية الجسم المحددة بدرجة أعلى من الحد الأدنى للثقة.
LABEL: اختر تسمية من نموذجك، أو اختر any.
كتلة منطقية تُرجع true عندما تكون تسمية وضعية الجسم المحددة مكتشفة حاليًا.
LABEL: اختر تسمية من نموذجك أو any.
تعرض درجة الثقة من 0 إلى 1 لتسمية وضعية الجسم المحددة.
🎯 درجة الثقة—الكتل المشتركة #
ملاحظة مهمة (TYPE)—تحتوي هذه الكتل على قائمة منسدلة [TYPE] تتيح لك تحديد فئة الذكاء الاصطناعي: image (صورة) أو sound (صوت) أو pose (وضعية جسم)يحدد هذا الاختيار النموذج الذي تتحكم فيه الكتلة أو تعرض بياناته.
تضبط الحد الأدنى لدرجة الثقة من 0 إلى 1 لعمليات الكشف في الفئة المحددة.
- TYPE: يحدد أداة كشف الذكاء الاصطناعي التي سيُطبَّق عليها حد الثقة. اختر من القائمة المنسدلة: image (صورة) أو sound (صوت) أو pose (وضعية جسم).
- CONFIDENCE: يحدد قيمة الحد بين 0 و1.
استخدم هذه الكتلة للتحكم في مقدار الثقة المطلوب من الذكاء الاصطناعي قبل الإبلاغ عن اكتشاف:
- القيمة الافتراضية: 0.5—أداء متوازن.
- ارفعها إلى 0.6–0.8 للحصول على كشف أكثر صرامة ودقة مع عدد أقل من النتائج الإيجابية الخاطئة.
- اخفضها إلى 0.3–0.4 للحصول على حساسية أعلى، مع احتمال زيادة النتائج الإيجابية الخاطئة.
تعرض قيمة حد الثقة الحالية لأداة الكشف المحددة:image (صورة) أو sound (صوت) أو pose (وضعية جسم)).
⚙️ عناصر التحكم في التصنيف—الكتل المشتركة #
ملاحظة مهمة (TYPE)—تحتوي هذه الكتل على قائمة منسدلة [TYPE] تتيح لك تحديد فئة الذكاء الاصطناعي: image (صورة) أو sound (صوت) أو pose (وضعية جسم)يحدد هذا الاختيار النموذج الذي تتحكم فيه الكتلة أو تعرض بياناته.
تتوفر كتل صورة الإدخال لنماذج الصور ووضعيات الجسم؛ أما نماذج الصوت فتستخدم الميكروفون ولا تحتاج إلى صورة إدخال.
- صنّف [INTERVAL] - اختر عدد مرات تشغيل عملية الكشف:
- في كل مرة تعمل فيها هذه اللبنة
- بشكل مستمر، من دون تأخير
- بشكل مستمر، كل 50–2500 مللي ثانية
- اضبط التصنيف [تشغيل/إيقاف] - ابدأ عملية الكشف المستمر أو أوقفها.
- classification interval - يعرض الفاصل الزمني الحالي بالمللي ثانية.
- تصنيف مستمر - يعرض «تشغيل» أو «إيقاف» للإشارة إلى حالة الكشف المستمر.
- اختر صورة الإدخال [الكاميرا / المنصّة] - اختر الكاميرا أو المنصّة.
- input image - يعرض مصدر الإدخال النشط.
🎥 عناصر التحكم في الفيديو—الكتل المشتركة #
ملاحظة مهمة (TYPE)—تحتوي هذه الكتل على قائمة منسدلة [TYPE] تتيح لك تحديد فئة الذكاء الاصطناعي: image (صورة) أو sound (صوت) أو pose (وضعية جسم)يحدد هذا الاختيار النموذج الذي تتحكم فيه الكتلة أو تعرض بياناته.
- اضبط الفيديو على [إيقاف/تشغيل/تشغيل مع قلب]
- on: يعرض معاينة الكاميرا بصورة معكوسة، مثل كاميرا الويب أو المرآة المعتادة.
- on-flipped: يعرض معاينة الكاميرا بصورة غير معكوسة؛ فتظهر الاتجاهات كما هي في العالم الحقيقي.
- off: يوقف عرض معاينة الكاميرا. في وضع إدخال المنصة، تستمر عملية الكشف.
- اجعل شفافية الفيديو مساويةً [TRANSPARENCY|text] - يتحكم في مدى وضوح معاينة الكاميرا:
- 0: ظاهرة بالكامل (صورة معتمة).
- 100: شفافة بالكامل (غير مرئية، لكنها تظل نشطة).
- اختر الكاميرا [CAMERA] - يتيح لك الاختيار من بين الكاميرات المتاحة على جهازك. تعرض القائمة المنسدلة جميع الكاميرات المكتشفة، وتنتقل الإضافة تلقائيًا إلى الكاميرا التي تختارها.
🎓 الاستخدامات التعليمية #
- تعلّم خطوات العمل الاحترافية في تعلّم الآلة: جرّب العملية كاملةً—جمع البيانات، والتدريب، والاختبار، والنشر.
- علّم مفاهيم التعلّم العميق ونقل التعلّم باستخدام أدوات Google.
- استكشف تقييم النماذج—الدقة، ودرجة الثقة، والنتائج الإيجابية والسلبية الخاطئة.
- أنشئ مشاريع صفية تعاونية باستخدام عناوين URL قابلة للمشاركة للنماذج.
- عرّف الطلاب إلى أدوات ذكاء اصطناعي واقعية تُستخدم في المجال المهني.
🎮 مشاريع نموذجية #
- التعرّف على الحيوانات: تعرّف على الحيوانات وأنشئ لعبة اختبار تعليمية.
- كاشف الموسيقى: ميّز البيانو أو الغيتار أو الطبول من خلال الصوت.
- مدرب اليوغا: درّب نماذج وضعيات الجسم على حركات اليوغا واحصل على ملاحظات مباشرة.
- مساعد لغة الإشارة: تعرّف على إشارات اليد في ASL للتدريب على إمكانية الوصول.
- مصنّف المشاعر: اكتشف تعبيرات الوجه مثل السعادة أو المفاجأة.
- لعبة الأوامر الصوتية: استخدم أوامر مثل Jump (اقفز) وDuck (انخفض) وLeft (يسار) وRight (يمين)—والعب من دون استخدام يديك!
- فارز مواد إعادة التدوير: صنّف مواد مثل البلاستيك والورق والمعادن والزجاج.
🧩 جرب بنفسك: pishi.ai/play
🔧 النصائح وحل المشكلات—الكتل المشتركة #
ملاحظة مهمة (TYPE)—تحتوي هذه الكتل على قائمة منسدلة [TYPE] تتيح لك تحديد فئة الذكاء الاصطناعي: image (صورة) أو sound (صوت) أو pose (وضعية جسم)يحدد هذا الاختيار النموذج الذي تتحكم فيه الكتلة أو تعرض بياناته.
- لا توجد كاميرا؟
• تأكد من توصيل الكاميرا والسماح للمتصفح باستخدامها.
• إذا كانت الكاميرا محظورة، فاسمح باستخدامها من إعدادات الموقع في متصفحك، ثم أعد تحميل الصفحة.
• عند تحميل الإضافة، إذا لم يتم اكتشاف أي كاميرا، تتحول صورة الإدخال تلقائيًا إلى منصة Scratch (Stage)، وهي مساحة العرض التي تظهر فيها الخلفيات والكائنات، بحيث يمكنك الاستمرار في استخدام ميزات الإضافة واختبارها. - لا توجد نتائج كشف؟
• تصنيف مستمر: استخدم لبنة المراسل هذه للتحقق مما إذا كان التصنيف نشطًا.
• إذا كان التصنيف نشطًا، فحسّن الإضاءة وواجه الكاميرا مباشرةً.
• اضبط التصنيف [تشغيل]: استخدم هذه اللبنة إذا لم يكن التصنيف نشطًا، ثم تحقق من حالة التصنيف مرة أخرى باستخدام لبنة المراسل السابقة.
• في وضع إدخال الكاميرا، يتوقف التصنيف أيضًا عند إيقاف تشغيل الكاميرا؛ يجب إعادة تشغيل الفيديو أو تحويل مصدر الإدخال إلى المنصة.
• في وضع إدخال المنصة، يصنّف النظام كل ما يظهر على المنصة، بما في ذلك الخلفيات والكائنات والصور. يمكنك إيقاف الفيديو تمامًا مع الاستمرار في معالجة صور المنصة.
• وضع المنصة أبطأ من إدخال الكاميرا؛ لذلك قلّل الفاصل الزمني للتصنيف، مثل 100–250 مللي ثانية، للحصول على نتائج أكثر سلاسة باستخدام هذه اللبنة: صنّف [INTERVAL]
• في وضع المنصة، يتم تبديل معالم «اليسار» و«اليمين» لأن صورة المنصة غير معكوسة؛ إذ تمثل مساحة الإحداثيات عرضًا حقيقيًا غير معكوس.
• يمكن أيضًا إعادة تشغيل التصنيف تلقائيًا عند استخدام لبنات مثل:
اضبط الفيديو على [تشغيل] / صنّف [INTERVAL] / اختر الكاميرا [CAMERA] / اختر صورة الإدخال [الكاميرا / المنصّة]. - هل تظهر الصورة معكوسة؟
اضبط الفيديو على [تشغيل مع قلب]: استخدم هذه اللبنة لعرض صورة الكاميرا من دون انعكاس مرآتي. يعرض خيار «تشغيل» الصورة مثل صورة السيلفي، بينما يعرض خيار «تشغيل مع قلب» الاتجاه الحقيقي لليمين واليسار. - هل الأداء بطيء أو متقطع؟
استخدم فاصلًا زمنيًا للتصنيف يتراوح بين 100 و250 مللي ثانية، أو أغلق علامات تبويب المتصفح الأخرى لتقليل حمل المعالجة. - هل يظهر تحذير WebGL2؟
جرّب استخدام Firefox أو جهاز أحدث يدعم تسريع الرسومات باستخدام WebGL2. - هل تريد تحليل المنصة بدلاً من الكاميرا؟
اختر صورة الإدخال [المنصّة]: استخدم هذا لتحليل صورة منصة Scratch بدلاً من بث مباشر من الكاميرا. يمكن أن تتضمن منصة Scratch صورة الكاميرا، بالإضافة إلى أي كائنات وخلفيات ظاهرة حاليًا على المنصة.ملاحظة: قد تكون معالجة منصة Scratch أبطأ من استخدام الكاميرا مباشرةً.
🏫 نصائح خاصة بـ Teachable Machine #
- هل لا يتم تحميل النموذج؟ تأكد من أنك نقرت على Upload my model في Teachable Machine ونسخت عنوان URL الكامل القابل للمشاركة.
- هل يوجد خطأ في تنسيق URL؟ يجب أن يبدأ الرابط بـ https://teachablemachine.withgoogle.com/models/ وينتهي بشرطة مائلة (/).
- هل الدقة منخفضة في Scratch؟ تحقّق أولًا من أداء نموذجك في Teachable Machine—وتأكد من أن ظروف الإضاءة والصوت تطابق ظروف التدريب.
- هل لا يتم تحديث النموذج؟ عيّن عنوان URL للنموذج مرة أخرى أو أعد تحميل صفحة Scratch لتحديثه.
- هل نموذج الصوت لا يكتشف شيئًا؟ تحقّق من أذونات الميكروفون واستخدم أصواتًا مشابهة لعينات التدريب.
- هل يخلط نموذج وضعيات الجسم بين الوضعيات؟ تأكد من ظهور الجزء العلوي من جسمك بالكامل—وفي الظروف نفسها المستخدمة أثناء التدريب.
- هل تسميات وضعيات اليسار واليمين معكوسة؟ قد يظهر اليسار واليمين بشكل مختلف بين Teachable Machine وScratch، خاصةً عند استخدام عرض كاميرا معكوس. اختبر التسميات في Scratch، ودرّب الفئات أو سمِّها بما يتوافق مع العرض الذي يستخدمه مشروعك.
- هل تظهر نتائج إيجابية خاطئة كثيرة؟ ارفع الحد الأدنى للثقة إلى 0.7–0.8 أو أعد التدريب باستخدام أمثلة أكثر تنوعًا.
- هل تختبر عدة نماذج؟ استخدم كتلة set model url المناسبة للتبديل بينها—تُطبَّق التغييرات فورًا.
- هل تريد مشاركة النماذج؟ شارك عنوان URL الخاص بـ Teachable Machine ليتمكن الآخرون من استيراد النموذج واستخدامه في مشاريعهم.
- هل النموذج كبير جدًا؟ قلّل دقة الصور أو عدد عينات التدريب قبل تصدير النموذج من Teachable Machine.
🔒 الخصوصية والأمان #
- تُستضاف النماذج على خوادم Google عند رفعها.
- بعد تحميل النموذج إلى Scratch، تُنفَّذ جميع عمليات التصنيف محليًا داخل متصفحك.
- تتم معالجة بيانات الكاميرا والميكروفون محليًا—ولا تُرسل إلى الخوادم أثناء الاستخدام.
- تخضع بيانات تدريبك في Teachable Machine لسياسة خصوصية Google.
- عناوين URL القابلة للمشاركة عامة—لذلك تجنّب نشر روابط النماذج الحساسة.
🧪 معلومات فنية #
- مصدر النموذج: Google Teachable Machine (teachablemachine.withgoogle.com)
- Framework (إطار العمل): TensorFlow.js—يعمل بالكامل داخل المتصفح مع تسريع WebGL.
- أنواع النماذج: تصنيف الصور والصوت ووضعيات الجسم.
- التسميات: غير محدودة، بحسب النموذج.
- مصادر الإدخال: Microphone (الميكروفون) للصوت، وCamera (الكاميرا) أو Stage canvas (لوحة المنصة) للصور ووضعيات الجسم.
- درجة الثقة الافتراضية: 0.5، ويمكن ضبطها من 0 إلى 1.
- تنسيق النموذج: نموذج رسم بياني TensorFlow.js + بيانات وصفية.
- Requirements (المتطلبات): WebGL2 للحصول على أفضل أداء
🔗 الإضافات ذات الصلة #
- 🖼️ مدرب الصور —درّب نماذج مخصصة مباشرةً داخل Scratch.
- 😎 شبكة الوجه — اكتشاف النقاط المميزة للوجه
- 🖐️ HandPose – اكتشاف نقاط اليد
- 🕺 تتبع الوضعية —تتبّع وضعية الجسم بالكامل.
🧩 مقارنة بين Image Trainer وإضافة Google Teachable Machine #
تتيح لك كلتا الإضافتين استخدام نماذج ذكاء اصطناعي مخصصة ومدرّبة في Scratch، لكنهما تختلفان في مكان إجراء التدريب وطريقته.
| الميزة | مدرب الصور | أداة جوجل لتدريب نماذج الذكاء الاصطناعي |
|---|---|---|
| مكان التدريب | التدريب مباشرةً داخل Scratch—فوري ومتكامل. | التدريب في Teachable Machine، ثم تصدير النموذج والحصول على رابط قابل للمشاركة لاستخدامه مع إضافة Scratch. |
| أنواع النماذج | تصنيف الصور فقط. | تصنيف الصور والصوت ووضعيات الجسم. |
| سهولة الاستخدام | كل شيء في مكان واحد—لا حاجة إلى أدوات خارجية. | يتطلب الانتقال بين موقع Teachable Machine وPishi.ai Scratch. |
| عدد التسميات المدعومة | 10 تسميات (1–10) | عدد غير محدود من التسميات، بحسب نموذج Teachable Machine الخاص بك. |
| سرعة التدريب | فوري بعد التحميل الأول—أضف أمثلة بنقرة واحدة. | أبطأ—يجب التدريب في موقع Teachable Machine، وانتظار المعالجة، ثم التصدير والاستيراد. |
| إمكانية نقل النموذج | تنزيل ملفات JSON ورفعها لحفظ النماذج ومشاركتها. | استيراد نماذج Teachable Machine المدرّبة مسبقًا باستخدام URL. |
| الأنسب لـ | التدريب السريع والمتكرر أثناء العمل على المشاريع—مناسب جدًا للفصول والمبتدئين. | المشاريع المتقدمة التي تحتاج إلى نماذج أكثر تعقيدًا أو عدد كبير من التسميات. |
| Privacy (الخصوصية) | محلي بنسبة 100%—تبقى جميع عمليات التدريب داخل متصفحك. | يتم التدريب على موقع Teachable Machine التابع لـ Google—ثم تُنزّل ملفات النموذج وتُعالج محليًا. |
| Educational Focus (التركيز التعليمي) | مقدمة عملية إلى تعلّم الآلة—شاهد التدريب وهو يحدث في الوقت الفعلي. | تعلّم خطوات العمل الاحترافية في تعلّم الآلة—التدريب والتصدير والنشر. |
↔ مرر لليسار أو اليمين لعرض الجدول الكامل على الهاتف المحمول
💡 لماذا تختار Teachable Machine؟ #
يُعد Teachable Machine مناسبًا لمشاريع الذكاء الاصطناعي الأكثر تقدمًا والقابلة للمشاركة.
- درّب نماذج الصور والصوت ووضعيات الجسم—ثلاثة أنواع في أداة واحدة.
- استخدم عددًا غير محدود من التسميات مع تدريب سحابي قوي.
- شارك النماذج بسهولة باستخدام عناوين URL عامة.
- مناسب جدًا للدروس المتقدمة والعمل التعاوني.
- يعرّف المتعلمين إلى خطوات العمل والأدوات المستخدمة فعليًا في تعلّم الآلة.
💡 لماذا تختار Image Trainer؟ #
يُعد Image Trainer مناسبًا للتجارب السريعة داخل Scratch.
- دورة تجريب ونتائج فورية—من دون مواقع أو حسابات خارجية.
- يعمل محليًا بالكامل ويحافظ على الخصوصية—تبقى جميع البيانات على جهازك.
- مناسب جدًا للفصول وورش العمل ومشاريع تعلّم الآلة للمبتدئين.
باختصار:
Teachable Machine = خطوات عمل احترافية للنماذج المعقدة والقابلة للمشاركة، وتشمل الصور والصوت ووضعيات الجسم.
مدرب الصور = تعلّم آلة فوري ومتكامل ومناسب للمبتدئين داخل Scratch، للصور فقط.
📚 اعرف المزيد #
- مساعدة إضافات الذكاء الاصطناعي—Pishi.ai
- أداة جوجل لتدريب نماذج الذكاء الاصطناعي
- الأسئلة الشائعة حول Teachable Machine
- توثيق TensorFlow.js
- أفكار Scratch
