مشاهده دسته‌بندی‌ها

ماشین آموزش‌پذیر گوگل - مدل‌های هوش مصنوعی از پیش آموزش‌دیده را به اسکرچ وارد کنید

فهرست مطالب

🏫 ماشین آموزش‌پذیر گوگل - مدل‌های هوش مصنوعی از پیش آموزش‌دیده را به اسکرچ وارد کنید #

The Google Teachable Machine extension brings advanced AI models from Google’s Teachable Machine website directly into Scratch.
Train powerful image, sound, or pose recognition models online – then import them into your Scratch projects with a single URL.
Professional-grade machine-learning workflows made simple and accessible for students, teachers, and creators. ✨

🌟 مرور کلی #

  • Three Model Types: Import image, sound, or pose classification models trained in Teachable Machine.
  • Unlimited Labels: Use any number of custom classes – no 10-label limit.
  • Cloud Training: Take advantage of Google’s infrastructure for high-accuracy models.
  • Easy Import: Paste your model’s shareable URL into Scratch for instant use.
  • Real-Time Classification: Get live predictions as the model recognizes images, sounds, or poses.
  • Camera & Video Controls: Show, hide, or flip the live preview to fit your setup.

✨ ویژگی‌های کلیدی #

  • Supports all three Teachable Machine model types (Image, Sound, Pose).
  • Unlimited labels per model.
  • Import via shareable URL or upload files.
  • Confidence scores for every label.
  • Adjustable classification interval and confidence threshold.
  • Runs entirely in your browser after loading – fast and efficient.

🚀 نحوه استفاده #

مرحله ۱ – آموزش مدل خود در ماشین آموزش‌پذیر #

  1. بروید به منوی teachablemachine.withgoogle.com.
  2. Choose a project type: Image, Audio, or Pose.
  3. Create your classes (labels), e.g., “Cat”, “Dog”, “Bird”.
  4. Add training samples for each class:
    • Images: Upload photos or capture via webcam.
    • Sounds: Record short audio clips.
    • Poses: Capture body positions using your webcam.
  5. Click Train Model and wait for training to complete (1–5 minutes).
  6. Test your model in the Preview section to ensure accuracy.
  7. Click Export Model → Upload my model → Upload.
  8. Copy the shareable URL (for example: https://teachablemachine.withgoogle.com/models/abc123/).

مرحله ۲ – وارد کردن مدل خود به اسکرچ #

  1. Open pishi.ai/play.
  2. Select the Google Teachable Machine extension.
  3. Allow camera or microphone access if prompted (depending on model type).
  4. Use one of these setup blocks:
    • set image model url: [YOUR_URL]
    • set sound model url: [YOUR_URL]
    • set pose model url: [YOUR_URL]
  5. Wait for the loading indicator – classification starts automatically once loaded.
  6. Use the detection blocks to make your sprites react to recognized labels.

نکات

  • Train each label with 20–50 diverse examples for reliable results.
  • Keep lighting and sound conditions consistent with training.
  • Test your model thoroughly on Teachable Machine before importing.
  • Adjust classification intervals (100–250 ms) for performance on older devices.

🧱 بلوک‌ها و توابع #

 

🖼️ Image Classification #

set image model url: [URL]

Loads an image classification model from the provided Teachable Machine URL.
[URL]: paste your Teachable Machine model URL (e.g., https://teachablemachine.withgoogle.com/models/u87itobc/)

What it does:

  • Downloads and loads the model into Scratch.
  • Starts continuous image classification from the camera or stage.
  • Model stays loaded until you set a different URL or reload the project.

 

image label
Reports the label name of the most confidently detected image class.
Returns empty if no label meets the minimum confidence threshold.

مثال: If your model detects “Cat” with high confidence, this block reports “Cat”.

 

when [LABEL] image detected
Hat block that triggers when the specified image label is detected above the minimum confidence threshold.
[LABEL]: select a label from your model or choose “any” to trigger on any detection.

Use “any” to react when anything is detected with confidence.

 

[LABEL] image detected
Boolean block that returns true when the specified image label is currently detected.
[LABEL]: select a label from your model or “any”.

 

confidence of image [LABEL]
Reports the confidence score (0–1) for the specified image label.
Higher values = more certain detection.

مثال: confidence of image “Dog” might return 0.95 (95% confident).

 

🔊 Sound Classification #

set sound model url: [URL]

Loads a sound classification model from the provided Teachable Machine URL.
[URL]: paste your Teachable Machine audio model URL.

What it does:

  • Downloads and loads the audio model into Scratch.
  • Starts continuous sound classification from your microphone.
  • Listens and classifies audio in real time.

 

sound label
Reports the label name of the most confidently detected sound class.
Returns empty if no sound meets the minimum confidence threshold.

مثال: If your model hears “Clap”, this block reports “Clap”.

توجه: Background noise is automatically filtered from detection results.

 

when [LABEL] sound detected
Hat block that triggers when the specified sound label is detected above the minimum confidence threshold.
[LABEL]: select a label from your model or choose “any”.

توجه: Background noise labels are excluded from “any” triggers.

 

[LABEL] sound detected
Boolean block that returns true when the specified sound label is currently detected.
[LABEL]: select a label from your model or “any”.

 

confidence of sound [LABEL]
Reports the confidence score (0–1) for the specified sound label.

 

🕺 Pose Classification #

set pose model url: [URL]

Loads a pose classification model from the provided Teachable Machine URL.
[URL]: paste your Teachable Machine pose model URL.

What it does:

  • Downloads and loads the pose model into Scratch.
  • Starts continuous pose classification from the camera.
  • Detects body position and classifies based on your trained poses.

 

pose label
Reports the label name of the most confidently detected pose class.
Returns empty if no pose meets the minimum confidence threshold.

مثال: If your model detects “Arms Up”, this block reports “Arms Up”.

 

when [LABEL] pose detected
Hat block that triggers when the specified pose label is detected above the minimum confidence threshold.
[LABEL]: select a label from your model or choose “any”.

 

[LABEL] pose detected
Boolean block that returns true when the specified pose label is currently detected.
[LABEL]: select a label from your model or “any”.

 

confidence of pose [LABEL]
Reports the confidence score (0–1) for the specified pose label.

 

🎯 Confidence (shared blocks) #

Important Note ([TYPE]) – These blocks include a [TYPE] dropdown that lets you select the AI category – image, sound, or pose. This determines which model the block controls or reports data from.

set [TYPE] minimum confidence [CONFIDENCE]

Sets the minimum confidence threshold (0–1) for detections in the selected category.

  • [TYPE]: selects which AI detector the confidence applies to – from the dropdown menu choose: image, sound, or pose.
  • [CONFIDENCE]: sets the threshold value between 0 and 1.

Use this block to control how certain the AI must be before reporting a detection:

  • Default: 0.5 – balanced performance.
  • Raise to 0.6–0.8: for stricter, more accurate detection (fewer false positives).
  • Lower to 0.3–0.4: for more sensitivity (may increase false positives).

[TYPE] minimum confidence

Reports the current confidence threshold value for the selected detector (image, sound, or pose).

⚙️ Classification Controls (shared blocks) #

Important Note ([TYPE]) – These blocks include a [TYPE] dropdown that lets you select the AI category – image, sound, or pose. This determines which model the block controls or reports data from.

  • دسته‌بندی [INTERVAL] - انتخاب کنید که تشخیص چند وقت یکبار انجام شود:
    • هر بار که این بلوک اجرا می‌شود
    • پیوسته، بدون وقفه
    • پیوسته، هر ۵۰ تا ۲۵۰۰ میلی‌ثانیه
  • دسته‌بندی را [خاموش/روشن] کن - شروع یا توقف تشخیص پیوسته.
  • فاصله زمانی دسته‌بندی - فاصله زمانی فعلی را بر حسب میلی‌ثانیه گزارش می‌دهد.
  • دسته‌بندی پیوسته - گزارش می‌دهد که تشخیص پیوسته «روشن» یا «خاموش» است.
  • انتخاب تصویر ورودی [دوربین/صحنه] - دوربین یا صحنه را انتخاب کنید.
  • تصویر ورودی - منبع ورودی فعال را گزارش می‌دهد.

🎥 Video Controls (shared blocks) #

Important Note ([TYPE]) – These blocks include a [TYPE] dropdown that lets you select the AI category – image, sound, or pose. This determines which model the block controls or reports data from.

  • دسته‌بندی [INTERVAL] - انتخاب کنید که تشخیص چند وقت یکبار انجام شود:
    • هر بار که این بلوک اجرا می‌شود
    • پیوسته، بدون وقفه
    • پیوسته، هر ۵۰ تا ۲۵۰۰ میلی‌ثانیه
  • دسته‌بندی را [خاموش/روشن] کن - شروع یا توقف تشخیص پیوسته.
  • فاصله زمانی دسته‌بندی - فاصله زمانی فعلی را بر حسب میلی‌ثانیه گزارش می‌دهد.
  • دسته‌بندی پیوسته - گزارش می‌دهد که تشخیص پیوسته «روشن» یا «خاموش» است.
  • انتخاب تصویر ورودی [دوربین/صحنه] - دوربین یا صحنه را انتخاب کنید.
  • تصویر ورودی - منبع ورودی فعال را گزارش می‌دهد.

🎓 کاربردهای آموزشی #

  • Learn Professional ML Workflows: Experience the full pipeline – collect data, train, test, deploy.
  • Teach deep-learning and transfer-learning concepts using Google’s tools.
  • Explore model evaluation – accuracy, confidence, false positives/negatives.
  • Build collaborative class projects using shareable model URLs.
  • Introduce students to real-world AI tools used in industry.

🎮 پروژه‌های نمونه #

  • Animal Identifier: Recognize animals – educational quiz game.
  • Music Detector: Identify piano, guitar, or drums from sound.
  • Yoga Coach: Train pose models for yoga positions – live feedback.
  • Sign Language Helper: Recognize ASL hand signs – accessibility training.
  • Emotion Classifier: Detect facial expressions like happy or surprised.
  • Voice Command Game: “Jump”, “Duck”, “Left”, “Right” – play hands-free!
  • Recycling Sorter: Classify materials like plastic, paper, metal, glass.

🧩 خودتان امتحان کنید: pishi.ai/play

🔧 Tips and Troubleshooting (shared blocks) #

Important Note ([TYPE]) – These blocks include a [TYPE] dropdown that lets you select the AI category – image, sound, or pose. This determines which model the block controls or reports data from.

  • دوربین یافت نشد؟
    • مطمئن شوید که دوربین شما متصل است و اجازه مرورگر داده شده است.
    • اگر دوربین مسدود شده است، آن را در تنظیمات سایت مرورگر خود فعال کنید و صفحه را دوباره بارگذاری کنید.
    • در حین بارگذاری افزونه، اگر هیچ دوربینی شناسایی نشود، ورودی به طور خودکار به تصویر صحنه تغییر می‌کند تا بتوانید همچنان ویژگی‌های FaceMesh را آزمایش کنید.
  • تشخیص داده نشد؟
    • دسته‌بندی پیوسته: از این گزارشگر برای بررسی فعال بودن دسته‌بندی استفاده کنید.
    • اگر فعال است، روشنایی را بهبود بخشیده و مستقیماً رو به دوربین باشید.
    • دسته‌بندی را [روشن] کن: از این بلوک استفاده کنید، اگر دسته‌بندی فعال نیست، سپس وضعیت طبقه‌بندی را با گزارشگر فوق دوباره بررسی کنید.
    • در حالت ورودی دوربین، وقتی دوربین خاموش است، دسته‌بندی نیز متوقف می‌شود - باید ویدیو را دوباره روشن کنید یا ورودی را به صحنه تغییر دهید.
    • در حالت ورودی صحنه، سیستم هر آنچه را که روی صحنه قابل مشاهده است طبقه‌بندی می‌کند - پس‌زمینه‌ها، اسپرایت‌ها یا تصاویر. می‌توانید ویدیو را کاملاً خاموش کنید و همچنان تصاویر صحنه را پردازش کنید.
    • حالت صحنه کندتر از ورودی دوربین است، بنابراین برای نتایج روان‌تر با استفاده از این بلوک، فاصله زمانی دسته‌بندی خود را کاهش دهید (مثلاً بین ۱۰۰ تا ۲۵۰ میلی‌ثانیه): دسته‌بندی [INTERVAL]
    • در حالت صحنه، نشانه‌های «چپ» و «راست» جابجا می‌شوند زیرا تصویر صحنه آینه‌ای نیست - فضای مختصات نشان دهنده یک نمای واقعی (غیر آینه‌ای) است.
    • دسته‌بندی همچنین می‌تواند هنگام استفاده از بلوک‌هایی مانند موارد زیر به طور خودکار مجدداً راه‌اندازی شود:
    ویدیو را [روشن] کن / دسته‌بندی [INTERVAL] / دوربین [CAMERA] را انتخاب کن. / انتخاب تصویر ورودی [دوربین/صحنه].
  • نمای وارونه؟
    ویدیو را [روشن و آینه‌ای] کن: از این برای نمایش دوربین بدون آینه‌سازی استفاده کنید. حالت «روشن» مانند یک سلفی آینه‌ای می‌شود؛ حالت «روشن و آینه‌ای» جهت واقعی چپ/راست را نشان می‌دهد.
  • کند یا دارای تاخیر؟
    از فواصل دسته‌بندی بین ۱۰۰ تا ۲۵۰ میلی‌ثانیه استفاده کنید یا سایر تب‌های مرورگر را ببندید تا بار پردازش کاهش یابد.
  • هشدار WebGL2؟
    فایرفاکس یا دستگاه جدیدتری که از شتاب گرافیکی WebGL2 پشتیبانی می‌کند را امتحان کنید.
  • به جای دوربین، صحنه را تحلیل کن؟
    انتخاب تصویر ورودی [صحنه]: از این گزینه برای تحلیل تصویر صحنه Scratch به جای تصویر زنده دوربین استفاده کنید.

 

🏫 Teachable Machine Specific Tips #

  • Model not loading? Make sure you clicked “Upload my model” on Teachable Machine and copied the full shareable URL.
  • URL format error? Your link must start with https://teachablemachine.withgoogle.com/models/ and end with a slash (/).
  • Low accuracy in Scratch? Verify your model’s performance on Teachable Machine first – ensure lighting and sound match your training setup.
  • Model not updating? Set the model URL again or reload the Scratch page to refresh.
  • Sound model not detecting? Check microphone permissions and use sounds similar to your training samples.
  • Pose model confused? Ensure your full upper body is visible – same conditions as during training.
  • Too many false positives? Increase minimum confidence (0.7–0.8) or retrain with more diverse examples.
  • Testing multiple models? Use the “set [type] model url” block to switch – changes apply instantly.
  • Sharing models? Share your Teachable Machine URL so others can import and use it in their projects.
  • Model too large? Reduce image resolution or training samples before exporting from Teachable Machine.

🔒 حریم خصوصی و ایمنی #

  • Models are hosted on Google’s servers when uploaded.
  • Once loaded into Scratch, all classification runs locally in your browser.
  • Camera and microphone data are processed locally – never sent to servers during use.
  • Your Teachable Machine training data follows Google’s privacy policy.
  • Shareable URLs are public – avoid posting sensitive model links.

🧪 اطلاعات فنی #

  • Model Source: Google Teachable Machine (teachablemachine.withgoogle.com)
  • چارچوب: TensorFlow.js – runs fully in-browser with WebGL acceleration
  • Model Types: Image, Sound, Pose classification
  • Labels: Unlimited (based on model)
  • ورودی‌ها: Microphone (sound), Camera or Stage canvas (image/pose)
  • Default Confidence: 0.5 (adjustable 0–1)
  • Model Format: TensorFlow.js graph model + metadata
  • نیازمند: WebGL2 برای بهترین عملکرد

🔗 افزونه‌های مرتبط #

  • 🖼️ یاد دادن تصاویر – train custom models directly inside Scratch
  • 😎 تشخیص صورت - تشخیص نقاط کلیدی صورت
  • 🖐️ تشخیص دست - تشخیص نقاط کلیدی دست
  • 🕺 تشخیص بدن – track full-body pose

🧩 Comparison: Image Trainer vs Google Teachable Machine Extension #

Both extensions let you use custom-trained AI models in Scratch, but they differ in where and how the training happens.

ویژگی ماشین آموزش‌پذیر گوگل یاد دادن تصاویر
Training Location Online via Teachable Machine website. Directly inside Scratch – instant and integrated.
Model Types Image, Sound, and Pose classification. Image classification only.
Labels Supported Unlimited (depends on model). 10 labels (1–10).
Training Speed Requires cloud training and export. Instant in-browser training after first load.
Model Sharing Share via URLs – anyone can import models. Download or upload JSON files.
Training Infrastructure Google Cloud compute – handles larger datasets. Local browser compute – faster iteration, lower capacity.
Customization Full deep-learning architectures and settings. MobileNet v2 + KNN – lightweight and fast.
Best For Advanced multi-label projects and model sharing. Quick classroom training and demos.
حریم خصوصی Training hosted by Google; classification local. All training and classification fully local.
تمرکز آموزشی Professional ML workflow – train, export, deploy. Hands-on ML learning – real-time results.

↔ برای مشاهده جدول کامل در موبایل، صفحه را به چپ یا راست بکشید

 

💡 Why Choose Teachable Machine? #

Teachable Machine is ideal for sophisticated, shareable AI projects.

  • Train Image, Sound, and Pose models – three types in one.
  • Unlimited labels with powerful cloud training.
  • Share models easily via public URLs.
  • Perfect for advanced coursework and collaboration.
  • Introduces real-world ML workflows and tools.

💡 Why Choose Image Trainer? #

Image Trainer is perfect for rapid experimentation inside Scratch.

  • Instant feedback loop – no external sites or accounts.
  • Fully offline and private – all data stays on your device.
  • Ideal for classrooms, workshops, and beginner ML projects.

به طور خلاصه:
Teachable Machine = professional workflow for complex, shareable models (image/sound/pose).
یاد دادن تصاویر = instant, integrated, beginner-friendly ML inside Scratch (image only).

📚 اطلاعات بیشتر #

چه احساسی از خواندن این مطلب داشتید؟
پیمایش به بالا