كشف الكائنات - اكتشاف الكائنات في سكراتش

🎯 كشف الكائنات - اكتشاف الكائنات في سكراتش #

تضيف إضافة كشف الكائنات إلى سكراتش إمكانية حقيقية للتعرّف على الكائنات باستخدام الذكاء الاصطناعي.
تتيح لمشروعك التعرّف على عدة كائنات من البث المباشر للكاميرا أو منصة سكراتش، وعدّها، وقراءة مواضعها وأحجامها، والاستجابة عند ظهورها.
وبما أن النماذج مدرَّبة مسبقًا، يمكن للطلاب البدء فورًا في تجربة الرؤية الحاسوبية، من دون الحاجة إلى تدريب نموذج أو إجراء إعدادات خارجية.
إنها بسيطة بما يكفي للمبتدئين، وقوية بما يكفي لمشاريع الذكاء الاصطناعي وSTEM الصفية والألعاب التفاعلية. 🤖

 

---

🌟 ملخص #

• اكتشاف عدة كائنات: تعرّف على عدة كائنات مدعومة في الصورة نفسها أو إطار الكاميرا نفسه.
• عدّ ما يراه الذكاء الاصطناعي: اعرض العدد الإجمالي لنتائج الكشف أو عدد كائن محدد فقط.
• تتبّع الموضع والحجم: احصل على إحداثيي مركز X وY وعرض الكائنات المكتشفة وارتفاعها بوحدات منصة سكراتش.
• تصفية ما يهمك: اكتشف كل ما يتعرّف عليه النموذج، أو أنشئ قائمتك الخاصة بأسماء الكائنات للتركيز عليها.
• حفظ نتائج الكشف وترتيبها: احفظ لقطة من نتائج الكشف المحددة ورتّبها حسب درجة الثقة أو الموضع أو الحجم.
• تشغيل الأحداث: استخدم لبنات القبعة للاستجابة عند ظهور كائن أو تغيّر عدد نتائج الكشف.
• اختيار النموذج المناسب: بدّل بين خيارات الكشف السريع والمتوازن والواسع وفقًا لجهازك وتفاصيل الصورة وتنوع الكائنات التي تحتاج إليها.
• اختيار مصدر الإدخال: اكتشف الكائنات من البث المباشر للكاميرا أو مباشرةً من صورة منصة سكراتش.

---

✨ الميزات الرئيسية #

• كشف الكائنات باستخدام نموذج مدرَّب مسبقًا ومن دون الحاجة إلى أوامر نصية؛ لا توجد أي خطوة تدريب.
• اكتشف عدة كائنات في صورة واحدة وتعامل مع كل كائن مكتشف على حدة.
• اقرأ أسماء الكائنات وأعدادها ودرجة الثقة في اكتشافها ومواضعها وعرضها وارتفاعها.
• عند إنشاء مشاريع أكثر تقدمًا، اختر بين نتائج الكشف المباشر الحالية ولقطة محفوظة.
• أنشئ قائمة كشف مخصصة لتجاهل الكائنات غير المهمة لمشروعك.
• احفظ نتائج الكشف ورتّبها من اليسار إلى اليمين، أو من الأعلى إلى الأسفل، أو من الأكبر إلى الأصغر، أو من أعلى درجة ثقة إلى أدناها؛ ويمكنك أيضًا عكس أي ترتيب منها.
• تسهّل لبنات القبعة إنشاء ألعاب تتحكم فيها الكائنات ومشاهد تفاعلية.
• تساعد فترات الكشف القابلة للتعديل على تحقيق التوازن بين السرعة وأداء الجهاز.
• تعمل بالكامل داخل المتصفح - فهي آمنة وتحافظ على الخصوصية..

---

🚀 كيفية الاستخدام #

1. انتقل إلى: pishi.ai/play
2. افتح قسم الإضافات.
3. اختر إضافة «كشف الكائنات».
4. اسمح بالوصول إلى الكاميرا عند مطالبتك بذلك، وتأكد من ظهور المعاينة.
5. إذا أردت، يمكنك استخدام منصة سكراتش كمصدر إدخال لاكتشاف الكائنات في صورة المنصة، بما في ذلك أي فيديو للكاميرا معروض عليها. للحصول على أفضل أداء في الوقت الفعلي، استخدم إدخال الكاميرا؛ لأن معالجة المنصة قد تكون أبطأ.
6. تبدأ الإضافة باستخدام نموذج الكشف «السريع». ويمكنك التبديل في أي وقت بين النماذج «السريع» و«المتوازن» و«الواسع» لتغيير التوازن بين السرعة والتفاصيل وتغطية الكائنات.
7. جرّب لبنة المراسل «قائمة اكتشافات [الحالية]» للاطلاع على أسماء الكائنات التي يتعرّف عليها الذكاء الاصطناعي.
8. بعد ذلك، استخدم لبنات العد والموضع ونتائج الكشف المحفوظة والتصفية والأحداث لبناء مشروعك.

نصائح

• استخدم إضاءة واضحة وأبقِ الكائن كبيرًا بما يكفي ليظهر بسهولة داخل الإطار.
• ابدأ بكائن واحد مدعوم قبل إنشاء مشروع يعتمد على عدة كائنات.
• عند كتابة اسم كائن في لبنة أخرى، استخدم تسمية الكائن نفسها تمامًا كما تعرضها لبنة المراسل «قائمة اكتشافات [SOURCE]».
• مفردات الكائنات وتسميات الكشف باللغة الإنجليزية؛ لذا استخدم التسميات الإنجليزية عند إدخال أسماء الكائنات.
• تعني «الحالية» أحدث نتائج الكشف المباشر. وتعني «المحفوظة» لقطة أنشأتها باستخدام لبنة الحفظ والترتيب.
• إذا ظهر أكثر من كائن من النوع نفسه، فاستخدم #1 و#2 و#3 وهكذا للتعامل مع كل نتيجة كشف على حدة.
• إذا كان الكشف بطيئًا على جهازك، فجرّب النموذج «السريع» أو زِد الفاصل الزمني للتصنيف.

---

🧱 الكتل والوظائف #

 

📊 قوائم الكشف والمصادر والأعداد #

Understanding SOURCE:

• current – the latest live detections from the camera or stage.
• saved – a snapshot stored by this block:
  save [OBJECT|text] from [SOURCE] detections, order by [ORDER_TYPE]

Using a saved snapshot is helpful when you want object order and positions to stay fixed while your project works with them.

 

Shared behavior: Reporter blocks that return a name, list, confidence, position, or size return an empty value when there is no matching detection, no saved snapshot is available, or the requested item number does not exist. Count reporters return 0, and Boolean blocks return false.

 

Reports the object labels in the selected detection source as comma-separated text.
Choose current to see what the AI recognizes right now, or saved to read the stored snapshot.
This is one of the best blocks for learning the exact object names the selected model uses in its detection results.

 

Reports the total number of objects in the selected source.
For example, it can count all live current detections or tell you how many objects are stored in saved detections.

 

Reports the special value all, which represents every detected object regardless of its label.
When you want a block to work with every detected object instead of one specific label, place it in an input of a block that asks for an object name (OBJECT).
You can also type all in English directly into the object-name input instead of using this reporter block.

 

Takes matching detections from the selected source, sorts them, and stores the result as the new saved snapshot.
This is especially useful when you need a predictable order such as leftmost first, largest first, or highest confidence first.

By default, the current detection list is already ordered from highest to lowest confidence.

OBJECT: enter an object label such as person, comma-separated text such as person, car, or use all.

• all: keeps all detections and saves them in the selected order. If you choose confidence high to low, the current detections are already in that order, so the block simply saves them as a snapshot.
• An object name, such as person: filters the detections to that object and then sorts the matching results.
• Multiple object names, such as person, car: combines detections matching any listed name and sorts them together.

SOURCE: choose current or saved.

• current: uses the latest live detection results.
• saved: uses the existing saved snapshot, allowing you to reorder it or filter it further.

ORDER_TYPE: order type can be:

• confidence high to low or confidence low to high
• left to right or right to left
• top to bottom or bottom to top
• large to small or small to large

After saving, choose saved in the SOURCE menu of other blocks to read the snapshot.
Saved detections stay unchanged until you save again, and switching the detection model clears the saved snapshot.

 

Reports the label of one detection by its position in the selected source.
INDEX: use 1 for the first item, 2 for the second, and so on.
If the item does not exist, the block returns empty.
For saved detections, item 1, item 2, and so on follow the order that was selected when the detections were saved.

 

Reports how many detections in the selected source match an object name.
OBJECT: enter an exact object label, comma-separated text, or use all to count every object in the source.
When multiple names are provided, the block returns their combined detection count. For example, person, car counts every detected person and car.
Use this for counting games, classroom experiments, or logic such as “continue when two people are visible.”

---

📍 الموضع والحجم ودرجة الثقة في الكشف #

Reports the confidence of a selected detection on a scale from 0 to 1.
For example, 0.87 means the model gave that detection a confidence score of about 87%.

OBJECT: enter an exact object label, or use all to select items from the whole source.

INDEX: selects the first, second, third, and so on matching item.

SOURCE: choose current or saved.

 

Reports the X position of the center of the selected detection box, mapped to Scratch stage coordinates.

Use it to move a sprite left or right with a real-world object.

ملاحظة: A detection box is the rectangular area around a detected object that shows where the object is located in the image.

 

Reports the Y position of the center of the selected detection box, mapped to Scratch stage coordinates.
Use it for vertical tracking, aiming, or object-controlled games.

 

Reports the width of the selected detection box in Scratch stage units.
A larger value means the detected object occupies more horizontal space in the image.

 

Reports the height of the selected detection box in Scratch stage units.

 

Returns true when the selected source contains at least one detection and false when it is empty.
With current, this checks the live scene. With saved, it checks the stored snapshot.

 

Checks whether a particular object and item number exists in the selected source.
For example, person #2 is true only when a second matching person detection exists.
You can also use all as the object value to test whether a particular item number exists in the whole source.

---

🎯 أوضاع الكشف والقوائم المخصصة #

Controls which detected objects are included in the results used by the extension’s other blocks and detection events.

MODE:

• all detections – keep every object recognized by the selected model.
• my detection list – keep only object names that you have added to your custom detection list.

هام: The my detection list is empty when the extension starts. You can switch to this mode at any time, but no detections will be reported until the list contains at least one object name.

 

Reports your custom object list as comma-separated text.
The list can also store a history of newly detected object names without duplicates. For example, when the detection count changes, add the list of current detections to my detection list. Adding a name that is already in the list, even with different capitalization, does not add it again.

 

Reports the object name at the selected position in your custom detection list.
INDEX: use 1 for the first item, 2 for the second, and so on.
If the item does not exist, the block returns empty.

 

Reports how many unique object names are in your custom detection list.
This counts configured names, not objects currently visible to the camera.

 

Adds an object label to the custom list.
Use the exact label returned by the model.
Comma-separated text adds each label separately.
Adding the same name again does not create a duplicate entry.

 

Removes the matching object name from your custom list.
Comma-separated text removes every matching label.

 

Removes every name from the custom detection list.

---

⚡ لبنات القبعة والاستجابات #

Runs the attached script when the stable number of any detected object increases.
It can trigger when the first object appears, when a new object label appears, or when an additional instance of an already visible object is detected.

 

Runs when the stable count of the named object increases.
For example, it can trigger when the first person appears and again if another person is newly detected.
Enter comma-separated text to run when the stable count of any listed object increases.
Using all here gives the same “when any object detected” behavior as the previous hat block.

 

Runs when the total stable number of currently detected objects changes, either up or down.
This is useful for counting games and scenes that react when objects enter or leave the camera view.

 

ملاحظة: detection hats wait for the same count to be seen in 2 consecutive frames before treating it as stable. This helps reduce one-frame flicker and accidental triggers.

---

🧠 عناصر التحكم في النموذج ودرجة الثقة #

Switches the active object detection model.
The extension starts with the Fast model. Students can switch between models depending on whether their project needs faster detection, more image detail, or support for a wider range of object types.

↔ مرر لليسار أو اليمين لعرض الجدول الكامل على الهاتف المحمول

 

نصيحة: Start with the default Fast model for responsive detection. Choose balanced for more image detail, or wide when you need many more object categories.

هام: switching models clears saved detections. The current minimum confidence setting is kept when switching models.

 

Sets the minimum confidence required before a model result is reported as a detection.

The setting uses a scale from 0 to 1:

• 0.35 – default.
• 0.5-0.7 – stricter; can reduce weak or false detections.
• 0.2-0.3 – more permissive; may help with difficult detections but can also increase mistakes.

This is a useful way to teach students that AI predictions are not simply “right” or “wrong” – each detection comes with a confidence score.

 

Reports the current minimum confidence setting on the 0-1 scale.

Remember: both “minimum confidence” and “confidence of [OBJECT] #[INDEX] in [SOURCE] detections” use the same 0-1 scale.

---

⚙️ 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).
  استخدم قيمة من 0 إلى 100 لضبط شفافية خلفية الكاميرا ومساعدة الكائنات على الظهور بوضوح فوق معاينة الكاميرا.
• 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.

• إظهار مربعات الكشف [تشغيل/إيقاف]
  شغّل أو أوقف عرض مربعات الكشف. عند تشغيله، تظهر مربعات حول كل كائن تم اكتشافه، حتى تتمكن من رؤية الكائنات التي يتتبعها النموذج. هذه الميزة مفيدة لاختبار الكاميرا، والتحقق من مدى جودة عمل النموذج، وتصحيح أخطاء المشروع في الوقت الفعلي.

تكون مربعات الكشف مفعّلة افتراضيًا في هذه الإضافة. استخدم لبنة التحكم في مربعات الكشف عندما تريد إظهار المربعات المرئية المحيطة بالكائنات التي تم التعرّف عليها أو إخفاءها.

---

🎓 الاستخدامات التعليمية #

• Introduce Computer Vision: Students can see how an AI model turns images into object labels and locations.
• Teach Confidence and Uncertainty: Compare predictions at different confidence thresholds and discuss why AI sometimes makes mistakes.
• Explore Coordinates: Connect detected X/Y positions to sprite movement and Scratch’s coordinate system.
• Explore Size: Use width and height to see how large an object appears in the image.
• Practice Lists and Indexing: Work with the first, second, or third matching object and compare multiple detections.
• Practice Sorting: Save detections and order them by position, size, or confidence.
• Teach Events: Use hat blocks to show how software can react to changes in the environment.
• Discuss AI Limitations: Compare what students see with what the model recognizes and investigate false positives, missed objects, lighting, angle, and object size.

---

🎮 مشاريع نموذجية #

• Object Greeter: Make a sprite say hello when a chosen supported object appears.
• Object Counter: Show the number of visible objects and trigger a celebration when the count reaches a target.
• Follow the Target: Use the X/Y center of a detected object to move a sprite toward it.
• Left or Right? Save matching detections from left to right and use item 1 to find the leftmost object.
• Biggest Object Challenge: Save detections from large to small and make Scratch react to the largest one.
• AI Confidence Lab: Display confidence values and test how lighting, distance, angle, and background affect predictions.
• Classroom Object Hunt: Give students a list of supported objects and score a point when the AI finds each one.
• What’s in Frame? Display the “list of [SOURCE] detections” reporter block so students can observe how the model describes a changing scene.

🧩 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 بكشف الكائنات #

• No objects detected? Make sure classification is running, improve the lighting, move the object closer, and check that the selected model supports that object label.
• The object has the wrong name? Each detection model uses its own learned object vocabulary. Check the “list of [current] detections” block to see the exact label it returns.
• Too many false detections? Increase minimum confidence gradually, for example from 0.35 to 0.5.
• A real object is often missed? Try better lighting, a clearer angle, the Balanced model, or a slightly lower confidence threshold.
• Need an object that Fast or Balanced does not recognize? Try the Wide model, which uses a much larger class vocabulary.
• Only interested in a few objects? Add those exact labels to my detection list, then switch “look for [MODE]” to my detection list.
• My detection list mode suddenly detects nothing? Check that my detection list is not empty and that its names match the model labels exactly.
• Item 2 or item 3 returns empty? That item number only works when enough matching detections currently exist.
• Saved positions seem old? Saved detections are intentionally a snapshot. Run “save [OBJECT] from [SOURCE] detections, order by [ORDER_TYPE]” again, usually with current as the source, to refresh them.
• Project is slow? Use the Fast model, increase the classification interval, close other heavy browser tabs, or reduce how often your Scratch scripts read detection data.
• Camera is not available? Switch the input to stage and test with a backdrop, sprite, or imported image.

---

🔒 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].

---

🧪 معلومات فنية #

• Model Type: Pre-trained ONNX object detection models.
• Framework: onnxruntime-web.
• Browser Execution: Desktop browsers prefer WebGPU when supported, with WebAssembly (WASM) fallback; Android uses WASM.
• Model Options: Fast (320×320, 365 classes), Balanced (640×640, 365 classes), and Wide (640×640, 4,585 classes).
• Starting Model: Fast (320×320) on every supported device.
• Default Minimum Confidence: 0.35.
• Detection: Multiple objects can be reported from the same frame.
• Confidence Reporter: Returns a value from 0-1.
• Coordinates: Detection-box centers are mapped to Scratch stage coordinates; width and height are reported in stage units.
• Sources: Reporter blocks can read either current live detections or saved snapshot detections.
• Filtering: Detection mode can keep all detections or only labels from the user’s custom detection list.
• Saved Detections: A snapshot can be filtered and ordered by confidence, horizontal position, vertical position, or size.
• Hat Stability: Detection count changes must remain the same for 2 consecutive frames before object-detection hats are treated as stable.
• Detection Boxes: Visual detection boxes are enabled by default and can be controlled from the extension.
• Inputs: Live camera or Scratch stage image.
• Processing: Detection runs locally in the browser after the required model files are loaded.

---

🔗 الإضافات ذات الصلة #

• 🖐️ تتبع اليد - اكتشف معالم اليد وإيماءاتها.
• 🕺 تتبع الوضعية - تتبّع وضعية الجسم بالكامل وحركته.
• 😎 شبکة الوجه - اكتشف معالم الوجه وتعبيراته.
• 🖼️ مدرب الصور - درّب مصنّف الصور المخصص الخاص بك مباشرةً في سكراتش.
• 🏫 آلة جوجل التعليمية - استورد نماذج تصنيف مخصصة ومدرَّبة مسبقًا.

---

🖼️ كشف الكائنات مقارنةً بمدرب الصور #

↔ مرر لليسار أو اليمين لعرض الجدول الكامل على الهاتف المحمول

 

💡 لماذا تختار كشف الكائنات؟ #

Choose Object Detection when your project needs to find real objects and know where they are.
It is especially useful when students want immediate results without training a model first.

• Recognize several objects in the same scene.
• Count objects and compare their positions or sizes.
• Build projects that react to changes in the real world.
• Explore confidence, filtering, sorting, and computer vision in a Scratch-friendly way.

💡 متى ينبغي استخدام مدرب الصور بدلاً منه؟ #

Use Image Trainer when you need categories that are specific to your own project – for example, your own hand gestures, classroom cards, custom commands, or objects that a pre-trained detector does not know.
Image Trainer lets students create the labels themselves and learn directly from their own examples.

In short:
Use Object Detection to find and locate objects the AI already knows.
Use Image Trainer when you want to teach the AI your own visual categories.

---

📚 يتعلم أكثر #

• مساعدة في إضافات الذكاء الاصطناعي على pishi.ai
• مستندات ONNX Runtime Web
• أفكار سكراتش

---