Entrenador de Imágenes - crea modelos de IA personalizados desde cero

🖼️ Entrenador de Imágenes – Crea Modelos de IA Personalizados en Scratch #

La extensión Entrenador de Imágenes trae aprendizaje automático real a Scratch.
Scratch. Te permite entrenar tus propios modelos de IA para reconocer imágenes —juguetes, rostros, gestos con las manos, objetos, o cualquier cosa visible para la cámara— todo en tiempo real, directamente en tu navegador, sin necesidad de programar ni configurar nada.
Lo suficientemente sencilla para estudiantes y lo bastante potente para aulas creativas. ✨

🌟 Descripción general #

• Entrena modelos personalizados: enseña a la IA a reconocer hasta 20 etiquetas de imagen diferentes usando tu cámara o imágenes del escenario.
• No se necesita preentrenamiento: empieza desde cero, muestra ejemplos y la IA aprende al instante.
• Clasificación en tiempo real: recibe retroalimentación instantánea mientras el modelo identifica lo que ve.
• Guardar y cargar: descarga los datos de tu modelo entrenado y súbelos más tarde para continuar tu proyecto.
• Cambiar la vista previa de la cámara: Muestra, oculta o invierte la vista de la cámara según tus necesidades.
• Elegir la entrada: Train and classify from the live camera or directly from the Scratch stage image.

✨ Características principales #

• Hasta 20 etiquetas personalizadas entrenables (numeradas del 1 al 20), cuyos nombres se establecen por defecto según su número.
• Aprendizaje por transferencia usando extracción de características de MobileNet v2 para un entrenamiento rápido.
• Clasificación por K-Vecinos Más Cercanos (KNN) para un reconocimiento rápido y eficiente.
• Intervalos de clasificación ajustables para un rendimiento fluido.
• Controles para la vista previa de la cámara, transparencia y dispositivos.
• Descarga y carga de datos de aprendizaje para guardar y restaurar tus modelos entrenados.
• Funciona completamente en el navegador – seguro y privado.

🚀 Cómo usar #

1. Ve a: pishi.ai/play
2. Abre la sección Extensiones.
3. Selecciona la extensión Entrenador de Imágenes.
4. Permite el acceso a la cámara cuando el navegador lo solicite y verifica que aparezca la vista previa del video.
5. Si no se detecta ninguna cámara, la entrada cambiará automáticamente a la imagen del escenario.
6. Fase de entrenamiento:
   • Sostén un objeto o haz una pose frente a la cámara.
   • Haz clic en el bloque "entrenar etiqueta [1]" repetidamente (de 5 a 20 veces) para enseñarle a la IA cómo es la etiqueta 1.
   • Repite con diferentes objetos o poses para las etiquetas 2, 3, 4, etc.
   • El primer entrenamiento puede tardar un momento — ¡ten paciencia! Los siguientes son instantáneos.
7. Fase de clasificación: Una vez entrenada, la IA analiza continuamente la cámara e informa qué etiqueta detecta usando el bloque "etiqueta detectada".
8. Usa los bloques de sombrero "cuando se detecte la etiqueta [1]" para activar acciones del sprite cuando se reconozcan etiquetas específicas.

Consejos

• Entrena cada etiqueta desde múltiples ángulos y distancias para mejor precisión.
• Usa iluminación consistente durante el entrenamiento y las pruebas.
• Entrena al menos de 5 a 10 ejemplos por etiqueta para un reconocimiento confiable.
• Para aulas o dispositivos antiguos, comienza con un intervalo de clasificación entre 100 y 250 ms para obtener un funcionamiento más fluido.

🧱 Bloques y funciones #

🎓 Entrenamiento #

Captura la imagen actual de la cámara o del escenario y la agrega como ejemplo de entrenamiento para la etiqueta.
LABEL: elige un número del 1 al 20.

Cómo funciona:

• Haz clic en este bloque varias veces (5–20) mientras muestras el objeto o la pose que quieres que la IA aprenda.
• Cuantos más ejemplos proporciones, mejor reconocerá la IA esa etiqueta.
• Cada clic agrega una muestra —verás cómo aumenta el contador de entrenamientos.
• La primera sesión puede tardar un momento mientras se inicializa el modelo; los siguientes entrenamientos son instantáneos.

Informa cuántos ejemplos de entrenamiento se han capturado para la etiqueta especificada.
Útil para seguir tu progreso o mostrarlo en pantalla.

Establece un nombre para una etiqueta numérica. Los nombres predeterminados son el número de la etiqueta y se pueden restaurar estableciendo un nombre vacío. Los menús de etiquetas continúan mostrando los valores numéricos de las etiquetas.

Informa el nombre de una etiqueta. El nombre predeterminado es el número de etiqueta.

🧮 Detección #

Informa el número de etiqueta (1–20) que la IA reconoce actualmente en la cámara o en la imagen del escenario.
Devuelve vacío si no se detecta ninguna etiqueta con suficiente confianza o si aún no se ha entrenado nada.

Ejemplo: si la IA ve el objeto entrenado como etiqueta 3, este bloque informará "3".

Informa el nombre de la etiqueta (texto) que la IA reconoce actualmente en la imagen de la cámara o del escenario.
Devuelve vacío si no se detecta ninguna etiqueta con suficiente confianza o si aún no se ha entrenado nada.

Ejemplo: Si la etiqueta 3 se ha denominado "juguete rojo" y la IA lo reconoce, este bloque informará "juguete rojo".

Bloque de sombrero que se activa cuando se detecta cualquier etiqueta entrenada con confianza superior al umbral mínimo.
Ideal para reacciones generales ante cualquier imagen reconocida.

loque de sombrero que se activa cuando se detecta la etiqueta específica con confianza superior al umbral mínimo.
LABEL: elige un número del 1 al 20.

Ejemplos de uso:

• Entrena la etiqueta 1 como "juguete rojo" → al detectarla, el sprite dice "¡Veo rojo!"
• Entrena la etiqueta 2 como "pulgar arriba" → al detectarla, reproduce un sonido de victoria.
• Entrena la etiqueta 3 como "saludo con la mano" → al detectarla, el sprite saluda de vuelta.

Nota: los bloques de sombrero tienen un breve tiempo de espera (100 ms) para evitar activaciones múltiples rápidas.

🎯 Confianza #

Establece la puntuación de confianza mínima (0–1) requerida para que una etiqueta se informe como detectada.
Por debajo del umbral, la detección se ignora: "etiqueta detectada" devuelve vacío y los bloques de sombrero no se activan.

Informa el valor actual del umbral de confianza - útil para mostrarlo en pantalla o ajustarlo dinámicamente durante un proyecto.

Consejo: Si tu proyecto tiene demasiadas detecciones falsas, aumenta la confianza. Si se están pasando por alto detecciones válidas, redúcela.

🗑️ Restablecer y administrar #

Borra todos los datos de entrenamiento de la etiqueta especificada.
LABEL: elige un número del 1 al 20.

Aparecerá un mensaje de confirmación para evitar eliminaciones accidentales.
Úsalo cuando quieras volver a entrenar una etiqueta desde cero.

Borra todos los datos de entrenamiento de todas las etiquetas (1–20).
Aparecerá un mensaje de confirmación para evitar eliminaciones accidentales.
Aparecerá un mensaje de confirmación para evitar eliminaciones accidentales.

Advertencia: esto elimina todo tu trabajo de entrenamiento. Descarga tus datos primero si quieres conservarlos.

💾 Guardar y cargar #

Descarga los datos de tu modelo entrenado como un archivo JSON en tu computadora.
El nombre del archivo tendrá el formato: imagetrainer-[timestamp].json

Úsalo para:

• Guardar tu trabajo antes de cerrar el proyecto.
• Compartir modelos entrenados con compañeros o amigos.
• Respaldar tu progreso de entrenamiento.

Abre un selector de archivos para cargar datos guardados previamente (JSON).
IA reconoce de inmediato las etiquetas entrenadas, sin necesidad de volver a entrenar.

Úsalo para:

• Continuar un proyecto donde lo dejaste.
• Cargar un modelo entrenado por otra persona.
• Cambiar entre distintos modelos para diferentes proyectos.

Nota: solo carga archivos JSON descargados desde esta misma extensión.

⚙️ Controles de Clasificación #

• clasificar [INTERVAL] - Elige con qué frecuencia se ejecuta la detección:
  • cada vez que se ejecuta este bloque
  • continuo, sin retraso
  • continuo, cada 50–2500 ms
• activar clasificación [on_off] - Inicia o detiene la detección continua.
• intervalo de clasificación - Devuelve el intervalo actual en milisegundos.
• clasificación continua - Indica si la detección continua está “on” u “off”.
• seleccionar imagen de entrada [camera/stage] - Elige cámara o escenario (stage).
• imagen de entrada - Devuelve la fuente de entrada activa.

🎥 Controles de Video #

• activar vídeo [off/on/on-flipped]
  • encendido: muestra la vista previa de la cámara en modo espejo (como una webcam típica).
  • encendido-invertido: muestra la vista previa sin espejo — las direcciones aparecen como en el mundo real.
  • apagado: apaga la vista previa de la cámara. En modo stage, la detección continúa funcionando.
• fijar transparencia de vídeo a [TRANSPARENCY|text] — Ajusta qué tan visible es la vista previa
  • 0: completamente visible
  • 100: completamente transparente (invisible pero activa)
  Usa un valor de 0–100 para ajustar la opacidad y ayudar a que los sprites se vean claramente sobre la cámara.
• seleccionar cámara [CAMERA] — permite elegir entre las cámaras disponibles en tu dispositivo. El menú desplegable muestra todas las cámaras detectadas y la extensión cambia automáticamente a la que selecciones.

🎓 Usos educativos #

• Introduce conceptos de aprendizaje automático: Students learn how AI models are trained using examples, not rules.
• Enseña clasificación, reconocimiento de patrones y la importancia de la calidad de los datos de entrenamiento.
• Explora el aprendizaje por transferencia - cómo modelos preentrenados (MobileNet) se adaptan a nuevas tareas.
• Discute sobreajuste, subajuste y precisión del modelo mediante experimentación práctica.
• Crea juegos y herramientas interactivas que respondan a objetos, gestos o expresiones reales.
• Construye métodos de entrada accesibles: controla proyectos con señas, expresiones faciales o gestos personalizados.

🎮 Proyectos de ejemplo #

• IA de Piedra, Papel o Tijera: entrena las etiquetas 1, 2, 3 y juega contra la computadora.
• Clasificador de colores: el sprite reacciona a cada color entrenado.
• Controlador de gestos personalizado entrena poses de manos (pulgar arriba, señal de paz, puño) para controlar el movimiento del sprite.
• Reconocimiento de mascotas: entrena etiquetas para diferentes mascotas o juguetes –haz que un sprite salude a cada una de manera diferente.
• Herramienta inteligente para el aula: entrena etiquetas para "mano levantada", "pregunta", "listo" –automatiza respuestas del aula.
• Detector de emociones: entrena etiquetas para rostros felices, tristes, sorprendidos –crea un personaje que responda a las emociones.
• Juego de búsqueda de objetos: entrena etiquetas para objetos escondidos –juego de búsqueda con validación por IA.

🧩 Pruébalo tú mismo: pishi.ai/play

🔧 Consejos y solución de problemas #

• ¿No hay cámara?
  • Asegúrate de que tu cámara esté conectada y que el navegador tenga permiso para usarla.
  • Si la cámara está bloqueada, actívala en la configuración de permisos del sitio del navegador y vuelve a cargar la página.
  • Durante la carga de la extensión, si no se detectan cámaras, la entrada cambiará automáticamente a la imagen del escenario para que puedas seguir probando las funciones de Malla Facial.
• ¿No hay detección?
  • clasificación continua: Usa este bloque informador para comprobar si la clasificación está activa.
  • Si está activa, mejora la iluminación y mira directamente a la cámara.
  • activar clasificación [encendido]: Usa este bloque si la clasificación no está activa. Después vuelve a comprobar el estado de clasificación con el reportero anterior.
  • En el modo de entrada de cámara, cuando la cámara se apaga, la clasificación también se detiene. Debes volver a activar el vídeo o cambiar la entrada al escenario.
  • En el modo de entrada de escenario, el sistema clasifica todo lo que sea visible en el escenario: fondos, sprites o imágenes. Puedes apagar completamente el vídeo y aun así procesar imágenes del escenario.
  El modo escenario es más lento que la entrada por cámara, así que reduce tu intervalo de clasificación (por ejemplo, 100–250 ms) para obtener resultados más fluidos usando este bloque: clasificar [INTERVAL]
  • En el modo escenario, los puntos de referencia de “izquierda” y “derecha” están intercambiados porque la imagen del escenario no está reflejada. El sistema de coordenadas representa una vista real (sin espejo).
  • La clasificación también puede reiniciarse automáticamente cuando usas bloques como:
  activar vídeo [encendido] / clasificar [INTERVAL] / seleccionar cámara [CAMERA] / seleccionar imagen de entrada [camera/stage].
• ¿Vista invertida?
  activar vídeo [encendido-invertido]: Usa esto para mostrar la cámara sin efecto espejo. “on” muestra la imagen reflejada como una selfie. “on-flipped” muestra la orientación real izquierda/derecha.
• ¿Va lento o tiene retraso?
  Usa intervalos de clasificación entre 100–250 ms o cierra otras pestañas del navegador para reducir la carga de procesamiento.
• ¿Advertencia de WebGL2?
  Prueba con Firefox o con un dispositivo más nuevo que sea compatible con aceleración gráfica WebGL2.
• ¿Analizar el escenario en lugar de la cámara?
  seleccionar imagen de entrada [stage]: Usa esto para analizar la imagen del escenario de Scratch en lugar de una cámara en vivo.

🖼️ Consejos específicos del Entrenador de Imágenes #

• ¿No detecta con precisión? Entrena más ejemplos (apunta a 10–20 por etiqueta) desde diferentes ángulos.
• ¿Falsos positivos? Aumenta el umbral de confianza mínima (prueba con 0.7–0.8).
• ¿Faltan detecciones? Reduce el umbral de confianza (prueba con 0.4–0.5) o entrena ejemplos más diversos.
• ¿El primer entrenamiento es lento? Esto es normal –MobileNet se carga en el primer entrenamiento. Los siguientes entrenamientos son instantáneos.
• ¿Quieres empezar de nuevo? Usa "restablecer todas las etiquetas" –¡pero descarga tus datos primero si quieres conservarlos!
• La iluminación importa: entrena y prueba en condiciones de iluminación similares para obtener mejores resultados.
• ¿Fondo desordenado? Usa fondos simples durante el entrenamiento para un reconocimiento más limpio.

🔒 Privacidad y seguridad #

• Todo se ejecuta localmente en tu navegador.
• Ninguna imagen o vídeo se sube a ningún servidor.
• Los archivos del modelo pueden descargarse una vez para uso sin conexión.
• Siempre pide permiso a un profesor o padre antes de usar la cámara.
• Puedes apagar el vídeo en cualquier momento activar vídeo [apagado].

Notas de privacidad del Entrenador de Imágenes:

• Tus datos de entrenamiento permanecen en tu computadora –nada se sube a servidores.
• Los datos de aprendizaje descargados se guardan localmente como un archivo JSON –tú controlas dónde va.
• No se envía ninguna imagen personal a ningún lugar –todo el entrenamiento y la clasificación ocurren en tu navegador.

🧪 Información técnica #

• Modelo base: MobileNet v2
• Framework: TensorFlow.js + Clasificador KNN –se ejecuta completamente en el navegador usando aceleración WebGL2
• Técnica: Aprendizaje por transferencia + clasificación por K-Vecinos Más Cercanos
• Etiquetas: 20 etiquetas entrenables (1–20) con nombres personalizables
• Entrenamiento: Instantáneo después de la primera inicialización –no requiere servidor
• Entradas: cámara o lienzo del escenario
• Confianza predeterminada: 0.6 (ajustable de 0 a 1)
• Carga del modelo: archivos locales o incluidos con la extensión
• Formato de datos: JSON
• Requiere: WebGL2 para mejor rendimiento.

🔗 Extensiones relacionadas #

• 🏫 Máquina de enseñanza de Google importa modelos preentrenados desde Teachable Machine
• 😎 Malla facial - detecta puntos de referencia faciales
• 🖐️ Posición de Mano - detecta puntos de referencia de la mano.
• 🕺 PoseNet - rastrea la postura corporal.

🖼️ Comparación: Entrenador de Imágenes vs. Extensión Máquina de Enseñanza de Google #

Ambas extensiones te permiten usar modelos de IA entrenados personalizados en Scratch –pero difieren en dónde y cómo entrenas el modelo.

↔ Desliza hacia la izquierda o hacia la derecha para ver la tabla completa en dispositivos móviles.

💡 ¿Por qué elegir Entrenador de Imágenes? #

Entrenador de Imágenes es perfecto para el aprendizaje interactivo en vivo. Los estudiantes entrenan, prueban e iteran instantáneamente –sin cambiar de pestaña ni esperar cargas.

• Bucle de retroalimentación inmediata para la experimentación.
• Totalmente autónomo –sin cuentas ni sitios web externos.
• Enfocado en la privacidad –todos los datos permanecen en tu dispositivo.
• Ideal para prototipado rápido y demostraciones en el aula.

💡 ¿Por qué elegir Teachable Machine? #

Teachable Machine es mejor para modelos avanzados o planificados de antemano.

• Más etiquetas y opciones de entrenamiento más potentes.
• Comparte modelos mediante URLs –colaboración más fácil.
• Acceso a la infraestructura de entrenamiento de Google para modelos más complejos.

En resumen:
Entrenador de Imágenes = ML instantáneo, integrado y amigable para principiantes dentro de Scratch.
Teachable Machine = flujo de trabajo profesional para modelos complejos y preentrenados.

📚 Más información #

• Ayuda con las extensiones de IA en pishi.ai
• TensorFlow.js Models
• Ideas para rascar