- 🖼️ Image Trainer — إنشاء نماذج ذكاء اصطناعي مخصّصة في Scratch
- 🌟 ملخص
- ✨ الميزات الرئيسية
- 🚀 كيفية الاستخدام
- 🧱 الكتل والوظائف
- 🎓 الاستخدامات التعليمية
- 🎮 مشاريع نموذجية
- 🔧 نصائح وحلول للمشاكل
- 🔒 الخصوصية والأمان
- 🧪 معلومات فنية
- 🔗 الإضافات ذات الصلة
- 🖼️ مقارنة بين Image Trainer وإضافة Google Teachable Machine
- 📚 اعرف المزيد
🖼️ Image Trainer — إنشاء نماذج ذكاء اصطناعي مخصّصة في Scratch #
تجلب إضافة Image Trainer تعلّم الآلة الحقيقي إلى Scratch.
وتتيح لك تدريب نماذج الذكاء الاصطناعي الخاصة بك للتعرّف على الصور—مثل الألعاب والوجوه وإيماءات اليد والأشياء أو أي شيء يمكن للكاميرا رؤيته—كل ذلك في الوقت الفعلي، مباشرةً داخل متصفحك، من دون الحاجة إلى البرمجة أو أي إعداد.
سهلة بما يكفي للطلاب، وقوية بما يكفي للمشاريع الإبداعية داخل الصفوف الدراسية. ✨

🌟 ملخص #
- تدريب نماذج مخصّصة: علّم الذكاء الاصطناعي التعرّف على ما يصل إلى 20 تسمية مختلفة للصور باستخدام الكاميرا أو صور المنصة.
- لا حاجة إلى تدريب مسبق: ابدأ من الصفر—اعرض أمثلة، وسيتعلم الذكاء الاصطناعي فورًا.
- التصنيف في الوقت الفعلي: احصل على نتائج فورية بينما يحدد النموذج ما يراه.
- الحفظ والتحميل: نزّل بيانات النموذج الذي دربته، ثم حمّلها لاحقًا لمتابعة مشروعك.
- تغيير معاينة الكاميرا: اعرض صورة الكاميرا المباشرة أو أخفِها أو اعكسها لتناسب إعدادك.
- اختيار مصدر الإدخال: درّب النموذج وصنّف الصور باستخدام الكاميرا المباشرة أو صورة منصة Scratch مباشرةً.
✨ الميزات الرئيسية #
- ما يصل إلى 20 تسمية مخصّصة قابلة للتدريب، مرقمة من 1–20، وتكون أسماؤها الافتراضية هي أرقامها.
- Transfer learning (التعلّم بالنقل) باستخدام استخراج الميزات من MobileNet v2 لتدريب سريع.
- تصنيف K-Nearest Neighbors (KNN) للتعرّف السريع والفعّال.
- فواصل زمنية قابلة للتعديل لعملية classify للحصول على أداء سلس.
- التحكم في معاينة الكاميرا والشفافية واختيار جهاز الكاميرا.
- تنزيل بيانات التعلّم ورفعها لحفظ النماذج المدرّبة واستعادتها.
- تعمل بالكامل داخل المتصفح - فهي آمنة وتحافظ على الخصوصية..
🚀 كيفية الاستخدام #
- انتقل إلى: pishi.ai/play
- افتح قسم الإضافات.
- اختر إضافة Image Trainer.
- اسمح بالوصول إلى الكاميرا إذا طُلب منك ذلك، وتأكد من ظهور معاينة الفيديو.
- إذا لم يتم اكتشاف أي كاميرا، فسيتحوّل مصدر الإدخال تلقائيًا إلى صورة المنصة.
- مرحلة التدريب:
- أمسك جسمًا أو اتخذ وضعية أمام الكاميرا.
- انقر على الكتلة train label [1] عدة مرات (5–20 مرة) لتعليم الذكاء الاصطناعي شكل label 1 (التسمية 1).
- كرر ذلك باستخدام أجسام أو وضعيات مختلفة للتسميات 2 و3 و4 وغيرها.
- قد يستغرق التدريب الأول بعض الوقت—تحلَّ بالصبر! أما التدريبات التالية فتتم فورًا.
- مرحلة التصنيف: بعد التدريب، يحلل الذكاء الاصطناعي صورة الكاميرا باستمرار ويعرض التسمية التي يراها باستخدام الكتلة detected label.
- استخدم Hat Blocks (كتل القبعة) مثل when label [1] detected لتشغيل إجراءات الكائن عندما يتم التعرّف على تسميات محددة.
نصائح
- درّب كل تسمية من زوايا ومسافات مختلفة للحصول على دقة أفضل.
- استخدم إضاءة متسقة أثناء التدريب والاختبار.
- درّب ما لا يقل عن 5–10 أمثلة لكل تسمية للحصول على تعرّف موثوق.
- في الصفوف الدراسية أو على الأجهزة القديمة، ابدأ بفاصل زمني للتصنيف بين 100 و250 ms للحصول على أداء أكثر سلاسة.
🧱 الكتل والوظائف #
🎓 التدريب #
تلتقط صورة الكاميرا أو المنصة الحالية وتضيفها كمثال تدريبي للتسمية المحددة.
LABEL: اختر رقم تسمية من 1 إلى 20.
كيف يعمل؟
- انقر على هذه الكتلة عدة مرات (5–20 مرة) أثناء عرض الجسم أو الوضعية التي تريد من الذكاء الاصطناعي تعلّمها.
- كلما قدمت أمثلة أكثر، أصبح الذكاء الاصطناعي أفضل في التعرّف على تلك التسمية.
- تضيف كل نقرة عينة تدريب واحدة—وستلاحظ زيادة عدد مرات التدريب.
- قد تستغرق جلسة التدريب الأولى بعض الوقت أثناء تهيئة النموذج—أما التدريبات التالية فتتم فورًا.
تعرض عدد أمثلة التدريب التي تم التقاطها للتسمية المحددة.
استخدمها لمتابعة تقدم التدريب أو عرض العدد على الشاشة.
تعيّن اسمًا لتسمية رقمية. يكون الاسم الافتراضي هو رقم التسمية، ويمكن استعادته بتعيين اسم فارغ. وتستمر قوائم التسميات في عرض قيم التسميات الرقمية.
تعرض اسم التسمية. الاسم الافتراضي هو رقم التسمية.
🧮 الاكتشاف #
تعرض رقم التسمية (1–20) التي يتعرّف عليها الذكاء الاصطناعي حاليًا في صورة الكاميرا أو المنصة.
وتُرجع قيمة فارغة إذا لم يتم اكتشاف أي تسمية بدرجة ثقة كافية، أو إذا لم يتم إجراء أي تدريب بعد.
مثال: إذا رأى الذكاء الاصطناعي الجسم الذي دربته باعتباره label 3 (التسمية 3)، فستعرض هذه الكتلة 3.
تعرض اسم التسمية (كنص) التي يتعرّف عليها الذكاء الاصطناعي حاليًا في صورة الكاميرا أو المنصة.
وتُرجع قيمة فارغة إذا لم يتم اكتشاف أي تسمية بدرجة ثقة كافية، أو إذا لم يتم إجراء أي تدريب بعد.
مثال: إذا كانت label 3 (التسمية 3) تحمل الاسم red toy (لعبة حمراء)، وتعرّف عليها الذكاء الاصطناعي، فستعرض هذه الكتلة red toy.
Hat Block تعمل عند اكتشاف أي تسمية مدرّبة بدرجة ثقة أعلى من الحد الأدنى.
وهي مثالية لبدء استجابات عامة لأي صورة يتم التعرّف عليها.
Hat Block تعمل عندما يتم اكتشاف التسمية المحددة بدرجة ثقة أعلى من الحد الأدنى.
LABEL: اختر رقم تسمية من 1 إلى 20.
أمثلة على الاستخدام:
- درّب label 1 (التسمية 1) على red toy (لعبة حمراء) → عند تشغيل when label 1 detected، اجعل الكائن يقول: I see red!
- درّب label 2 (التسمية 2) على thumbs up (إشارة الإبهام للأعلى) → عند اكتشاف label 2، شغّل صوت الفوز.
- درّب label 3 (التسمية 3) على hand wave (التلويح باليد) → عند اكتشاف label 3، اجعل الكائن يلوّح بدوره.
ملاحظة: تحتوي Hat Blocks على مهلة قصيرة مقدارها 100ms لمنع تشغيلها عدة مرات بسرعة.
🎯 درجة الثقة #
تحدد الحد الأدنى لدرجة confidence (الثقة) من 0–1 المطلوب حتى يتم اعتبار التسمية مكتشفة.
إذا كانت درجة ثقة الذكاء الاصطناعي أقل من هذا الحد، فسيتم تجاهل الاكتشاف—وهذا يعني أن الكتلة detected label ستُرجع قيمة فارغة، ولن تعمل Hat Blocks.
0.7–0.9 — ارفعها إلى 0.7-0.9 للحصول على اكتشاف أكثر صرامة ودقة، مع عدد أقل من النتائج الإيجابية الخاطئة.
0.3–0.5 — اخفضها إلى 0.3-0.5 للحصول على اكتشاف أكثر مرونة، وقد يؤدي ذلك إلى زيادة النتائج الإيجابية الخاطئة، لكنه يساعد على اكتشاف المزيد من الحالات القريبة من الحد.
تعرض قيمة حد الثقة الحالية—وهي مفيدة لإظهارها على الشاشة أو تعديلها ديناميكيًا أثناء المشروع.
نصيحة: إذا كان مشروعك يعطي عددًا كبيرًا من الاكتشافات الخاطئة، فارفع درجة الثقة. وإذا كان يفوّت اكتشافات صحيحة، فاخفضها.
🗑️ إعادة الضبط والإدارة #
تمسح جميع بيانات التدريب الخاصة بالتسمية المحددة.
LABEL: اختر رقم تسمية من 1 إلى 20.
ستظهر رسالة تأكيد لمنع الحذف عن طريق الخطأ.
استخدم هذه الكتلة عندما تريد إعادة تدريب تسمية من الصفر.
تمسح جميع بيانات التدريب لجميع التسميات (1–20).
ستظهر رسالة تأكيد لمنع الحذف عن طريق الخطأ.
استخدمها لبدء جلسة تدريب جديدة تمامًا.
تحذير: سيؤدي ذلك إلى حذف كل أعمال التدريب! تأكد من تنزيل بيانات التعلّم أولًا إذا كنت تريد الاحتفاظ بها.
💾 الحفظ والتحميل #
تنزّل بيانات النموذج المدرّب إلى جهاز الكمبيوتر كملف JSON.
سيكون اسم الملف بهذا التنسيق: imagetrainer-[timestamp].json
استخدمها من أجل:
- حفظ عملك قبل إغلاق المشروع.
- مشاركة النماذج المدرّبة مع زملائك في الصف أو أصدقائك.
- إنشاء نسخة احتياطية من تقدمك في التدريب.
تفتح نافذة اختيار ملف لتحميل بيانات تعلّم تم حفظها سابقًا، بصيغة JSON.
بعد التحميل، سيتعرّف الذكاء الاصطناعي فورًا على التسميات التي تم تدريبه عليها، من دون الحاجة إلى إعادة التدريب.
استخدمها من أجل:
- متابعة مشروع من النقطة التي توقفت عندها.
- تحميل نموذج درّبه شخص آخر.
- التبديل بين نماذج مدرّبة مختلفة لمشاريع مختلفة.
ملاحظة: حمّل فقط ملفات JSON التي تم تنزيلها من إضافة Image Trainer.
⚙️ عناصر التحكم في التصنيف #
- 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 #
- 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 #
- تقديم مفاهيم تعلّم الآلة: يتعلم الطلاب كيف يتم تدريب نماذج الذكاء الاصطناعي باستخدام الأمثلة بدلًا من القواعد.
- تعليم التصنيف والتعرّف على الأنماط وأهمية جودة بيانات التدريب.
- استكشاف transfer learning (التعلّم بالنقل)—وكيف يمكن تكييف النماذج المدرّبة مسبقًا، مثل MobileNet، لمهام جديدة.
- مناقشة overfitting (فرط التخصيص) وunderfitting (نقص التخصيص) ودقة النموذج من خلال التجارب العملية.
- إنشاء ألعاب وأدوات تفاعلية تستجيب للأجسام أو الإيماءات أو الوجوه في العالم الحقيقي.
- إنشاء وسائل إدخال لتحسين إمكانية الوصول—تحكم في المشاريع باستخدام إشارات اليد أو تعبيرات الوجه أو الإيماءات المخصصة.
🎮 مشاريع نموذجية #
- ذكاء اصطناعي للعبة حجر، ورقة، مقص: درّب التسميات 1 و2 و3 على الحجر والورقة والمقص—ثم العب ضد الكمبيوتر!
- فارز الألوان: درّب تسميات لأجسام ذات ألوان مختلفة—ليتفاعل الكائن مع كل لون.
- أداة تحكم بإيماءات مخصصة: درّب وضعيات اليد، مثل الإبهام للأعلى وعلامة النصر والقبضة، للتحكم في حركة الكائن.
- التعرّف على الحيوانات الأليفة: درّب تسميات لحيوانات أليفة أو ألعاب مختلفة—واجعل الكائن يرحب بكل واحد منها بطريقة مختلفة.
- أداة ذكية للصف الدراسي: درّب تسميات مثل “يد مرفوعة” و“سؤال” و“جاهز”—لأتمتة الاستجابات داخل الصف.
- كاشف المشاعر: درّب تسميات لوجوه سعيدة وحزينة ومتفاجئة—وأنشئ شخصية تستجيب للمشاعر.
- لعبة العثور على الأشياء: درّب تسميات لأشياء مخفية—وأنشئ لعبة بحث وعثور يتحقق فيها الذكاء الاصطناعي من الإجابة.
✨ جرّب مشروعًا #
هل أنت مستعد لتطبيق ما تعلمته عمليًا؟
درّب ذكاءك الاصطناعي الخاص في Scratch باستخدام مدرب الصور
استخدم مدرب الصور لتعليم Pishi أوامرك المرئية الخاصة، ثم استخدمها للتحكم في اللعبة.
عرض المشروع
🧩 جرب بنفسك: pishi.ai/play
🔧 نصائح وحلول للمشاكل #
- 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 Image Trainer #
- هل الاكتشاف غير دقيق؟ درّب المزيد من الأمثلة، واهدف إلى 10–20 مثالًا لكل تسمية، ومن زوايا مختلفة.
- هل تظهر نتائج إيجابية خاطئة؟ ارفع الحد الأدنى للثقة، وجرّب 0.7–0.8.
- هل يفوّت بعض الاكتشافات؟ اخفض حد الثقة، وجرّب 0.4–0.5، أو درّب أمثلة أكثر تنوعًا.
- هل التدريب الأول بطيء؟ هذا طبيعي—يتم تحميل MobileNet عند أول تدريب. أما التدريبات التالية فتتم فورًا.
- هل تريد البدء من جديد؟ استخدم reset all labels—لكن نزّل بياناتك أولًا إذا كنت تريد الاحتفاظ بها!
- الإضاءة مهمة: درّب النموذج واختبره في ظروف إضاءة متشابهة للحصول على أفضل النتائج.
- هل الخلفية مزدحمة؟ استخدم خلفيات بسيطة أثناء التدريب للحصول على تعرّف أوضح.
🔒 الخصوصية والأمان #
- تعمل جميع الوظائف محليًا داخل متصفحك.
- لا يتم تحميل أي صور أو مقاطع فيديو إلى أي مكان.
- يتم تحميل ملفات النموذج مباشرةً من Pishi.ai عند بدء تشغيل الإضافة، لذلك لا يتم استخدام أي خوادم نماذج تابعة لجهات خارجية.
- استأذن دائمًا من معلم أو أحد الوالدين قبل استخدام الكاميرا.
- يمكنك إيقاف الفيديو بأمان في أي وقت اضبط الفيديو على [إيقاف].
ملاحظات الخصوصية الخاصة بـ Image Trainer:
- تبقى بيانات التدريب على جهاز الكمبيوتر الخاص بك—ولا يتم رفع أي شيء إلى الخوادم.
- يتم تخزين بيانات التعلّم التي تنزّلها محليًا كملف JSON—وأنت تتحكم في مكان حفظه واستخدامه.
- لا يتم إرسال أي صور شخصية إلى أي مكان—فجميع عمليات التدريب والتصنيف تتم داخل متصفحك.
🧪 معلومات فنية #
- Base Model (النموذج الأساسي): MobileNet v2
- Framework (إطار العمل): TensorFlow.js + KNN Classifier—يعمل بالكامل داخل المتصفح باستخدام تسريع WebGL2.
- Technique (التقنية): Transfer learning + K-Nearest Neighbors classification
- التسميات: 20 تسمية قابلة للتدريب (1–20) مع أسماء قابلة للتخصيص.
- Training (التدريب): فوري بعد التهيئة الأولى—ولا يحتاج إلى خادم.
- مصادر الإدخال: الكاميرا أو لوحة المنصّة
- Default confidence (درجة الثقة الافتراضية): 0.6 (adjustable 0–1)
- Model loading (تحميل النموذج): ملفات محلية أو مضمّنة مع الإضافة.
- Data format (تنسيق البيانات): JSON
- Requirements (المتطلبات): WebGL2 للحصول على أفضل أداء
🔗 الإضافات ذات الصلة #
- 🏫 أداة جوجل لتدريب نماذج الذكاء الاصطناعي — استيراد النماذج المدرّبة مسبقًا من Teachable Machine.
- 😎 شبكة الوجه — اكتشاف النقاط المميزة للوجه
- 🖐️ وضعية اليد – اكتشاف نقاط اليد
- 🕺 تتبع الوضعية – تتبّع وضعية الجسم
🖼️ مقارنة بين Image Trainer وإضافة Google Teachable Machine #
تتيح لك الإضافتان استخدام نماذج ذكاء اصطناعي مدرّبة خصيصًا في Scratch—لكن تختلفان في مكان تدريب النموذج وطريقة تدريبه.
| 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 | 20 تسمية (1–20) مع أسماء قابلة للتخصيص. | 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 Image Trainer؟ #
تُعد Image Trainer مثالية للتعلّم التفاعلي المباشر. يستطيع الطلاب التدريب والاختبار وتكرار التجربة فورًا—من دون التنقل بين علامات التبويب أو انتظار رفع الملفات.
- نتائج فورية تساعد على التجريب والتعلّم.
- تعمل بشكل مستقل بالكامل—من دون حسابات أو مواقع خارجية.
- تركّز على الخصوصية—تبقى جميع البيانات على جهازك.
- مثالية للنماذج الأولية السريعة والعروض التوضيحية داخل الصف.
💡 لماذا تختار Teachable Machine؟ #
تُعد Teachable Machine أفضل للنماذج المتقدمة أو المخطط لها مسبقًا.
- مثالية للنماذج الأولية السريعة والعروض التوضيحية داخل الصف.
- مشاركة النماذج باستخدام عناوين URL—مما يجعل التعاون أسهل.
- الوصول إلى بنية Google التحتية للتدريب من أجل النماذج الأكثر تعقيدًا.
باختصار:
مدرب الصور تعلّم آلة فوري ومتكامل ومناسب للمبتدئين داخل Scratch.
Teachable Machine سير عمل احترافي للنماذج المعقدة والمدرّبة مسبقًا.
