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 #

افزونه‌ی Google Teachable Machine مدل‌های پیشرفته‌ی هوش مصنوعی را از وب‌سایت Teachable Machine گوگل مستقیماً به اسکرچ می‌آورد.
مدل‌های قدرتمند تشخیص تصویر، صدا یا حالت را به صورت آنلاین آموزش دهید - سپس آن‌ها را با یک URL به پروژه‌های اسکرچ خود وارد کنید.
گردش‌های کاری حرفه‌ای یادگیری ماشین برای دانش‌آموزان، معلمان و سازندگان، ساده و در دسترس شده است. ✨

🌟 مرور کلی #

  • سه نوع مدل: مدل‌های دسته‌بندی تصویر، صدا یا حالت بدن، آموزش‌دیده در Teachable Machine را ایمپورت کنید.
  • برچسب‌های نامحدود: از هر تعداد کلاس سفارشی استفاده کنید - بدون محدودیت 10 برچسب.
  • آموزش ابری: از زیرساخت گوگل برای مدل‌های با دقت بالا بهره ببرید.
  • ایمپورت آسان: برای استفاده فوری، آدرس اینترنتی (URL) مدل خود را که قابل اشتراک‌گذاری است در اسکرچ جایگذاری کنید.
  • طبقه‌بندی بلادرنگ: همزمان با تشخیص تصاویر، صداها یا حالت‌های بدن توسط مدل، پیش‌بینی‌های زنده دریافت کنید.
  • کنترل‌های دوربین و ویدیو: نمایش نمای زنده دوربین، پنهان کردن یا آینه‌ای کردن آن برای تطبیق با تنظیمات شما.

✨ ویژگی‌های کلیدی #

  • از هر سه نوع مدل ماشین قابل آموزش (تصویر، صدا، حالت بدن) پشتیبانی می‌کند.
  • برچسب‌های نامحدود برای هر مدل
  • Import via shareable URL or upload files.
  • دارای امتیاز اطمینان برای هر برچسب.
  • فاصله زمانی دستقه‌بندی و کمینه اطمینان قابل تنظیم.
  • پس از بارگیری، کاملاً در مرورگر شما اجرا می‌شود - سریع و کارآمد.

🚀 نحوه استفاده #

مرحله ۱ – آموزش مدل خود در ماشین آموزش‌پذیر #

  1. بروید به منوی teachablemachine.withgoogle.com.
  2. نوع پروژه را انتخاب کنید: تصویر، صدا، یا حالت بدن.
  3. کلاس‌ها یا برچسب‌های خود را ایجاد کنید، مثلاً «گربه»، «سگ»، «پرنده».
  4. اضافه کردن نمونه‌های آموزشی برای هر کلاس:
    • تصاویر: عکس‌ها را آپلود کنید یا از طریق وب‌کم عکس بگیرید.
    • صداها: کلیپ‌های صوتی کوتاه ضبط کنید.
    • حالات بدن: با استفاده از وب‌کم خود، حالت‌های بدن را ثبت کنید.
  5. Click Train Model and wait for training to complete (1–5 minutes).
  6. برای اطمینان از دقت، مدل خود را در بخش پیش‌نمایش آزمایش کنید.
  7. کلیک کنید خروجی مدل ← بارگذاری مدل ← بارگذاری.
  8. آدرس اینترنتی (URL) قابل اشتراک‌گذاری را کپی کنید (برای مثال: https://teachablemachine.withgoogle.com/models/abc123).

مرحله ۲ – وارد کردن مدل خود به اسکرچ #

  1. باز کنید pishi.ai/play.
  2. افزونه‌ی Google Teachable Machine را انتخاب کنید.
  3. در صورت درخواست، دسترسی به دوربین یا میکروفون را مجاز کنید (بسته به نوع مدل).
  4. از یکی از این بلوک‌های راه‌اندازی استفاده کنید:
    • نشانی مدل تصویر را تنظیم کن: [URL|text]
    • نشانی مدل صدا را تنظیم کن: [URL|text]
    • نشانی مدل حالت بدن را تنظیم کن: [URL|text]
  5. منتظر نشانگر بارگذاری باشید - دسته‌بندی به محض بارگذاری به طور خودکار شروع می‌شود.
  6. از بلوک‌های تشخیص استفاده کنید تا اسپرایت‌های شما به برچسب‌های شناخته‌شده واکنش نشان دهند.

نکات

  • برای نتایج قابل اعتماد، هر برچسب را با ۲۰ تا ۵۰ مثال متنوع آموزش دهید.
  • شرایط نور و صدا را با آموزش هماهنگ نگه دارید.
  • قبل از وارد کردن، مدل خود را به طور کامل روی Teachable Machine آزمایش کنید.
  • فواصل دسته‌بندی (۱۰۰ تا ۲۵۰ میلی‌ثانیه) را برای عملکرد بهتر در دستگاه‌های قدیمی‌تر تنظیم کنید.

🧱 بلوک‌ها و توابع #

 

🖼️ دسته‌بندی تصاویر #

نشانی مدل تصویر را تنظیم کن: [URL|text]

یک مدل دسته‌بندی تصویر را از URL ارائه شده ماشین آموزش‌پذیر بارگذاری می‌کند.
URLآدرس اینترنتی مدل Teachable Machine خود را وارد کنید (مثلاً https://teachablemachine.withgoogle.com/models/u87itobc)

چه کاری انجام می‌دهد:

  • مدل را دانلود و در اسکرچ بارگذاری می‌کند.
  • دسته‌بندی پیوسته تصویر را از دوربین یا صحنه شروع می‌کند.
  • مدل تا زمانی که URL متفاوتی تنظیم نکنید یا پروژه را دوباره بارگذاری نکنید، بارگذاری شده باقی می‌ماند.

 

برچسب تصویر

نام برچسب کلاس تصویری که با بیشترین اطمینان شناسایی شده است را گزارش می‌دهد.
اگر هیچ برچسبی حداقل آستانه اطمینان را نداشته باشد، خالی برمی‌گرداند.

مثال: اگر مدل شما «گربه» را با اطمینان بالا تشخیص دهد، این بلوک «گربه» را گزارش می‌دهد.

 

وقتی تصویر [LABEL] شناسایی شد

بلوک کلاهی که وقتی برچسب تصویر خاص با اطمینانی بالاتر از کمینه اطمینان، شناسایی شود، فعال می‌گردد.
LABEL: یک برچسب از مدل خود انتخاب کنید یا برای فعال شدن در هر تشخیص، «یکی از برچسب‌ها» را انتخاب کنید.

برای واکنش به هر چیزی که با اطمینان تشخیص داده شد، از «یکی از برچسب‌ها» استفاده کنید.

 

تصویر [LABEL] شناسایی شد

بلوک منطقی که وقتی برچسب تصویر مشخص شده در حال حاضر شناسایی شود، مقدار درست (true) را برمی‌گرداند.
LABEL: یک برچسب از مدل خود یا "یکی از برچسب‌ها" را انتخاب کنید.

 

اطمینان از تصویر [LABEL]

نمره اطمینان (از 0 تا 1) را برای برچسب تصویر مشخص شده گزارش می‌دهد.
مقادیر بالاتر = تشخیص قطعی‌تر

مثال: ضریب اطمینان تصویر «سگ» ممکن است 0.95 (ضریب اطمینان 95%) را برگرداند.

 

🔊 دسته‌بندی صدا #

نشانی مدل صدا را تنظیم کن: [URL|text]

یک مدل دسته‌بندی صدا را از URL ارائه شده ماشین آموزش‌پذیر بارگذاری می‌کند.
URL: آدرس اینترنتی مدل صوتی Teachable Machine خود را جایگذاری کنید.

چه کاری انجام می‌دهد:

  • مدل صوتی را دانلود و در اسکرچ بارگذاری می‌کند.
  • دسته‌بندی مداوم صدا را از میکروفون شما شروع می‌کند.
  • صدا را به صورت بلادرنگ می‌شنود و دسته‌بندی می‌کند.

 

برچسب صدا

نام برچسب کلاس صدایی که با بیشترین اطمینان شناسایی شده است را گزارش می‌دهد.
اگر هیچ صدایی حداقل آستانه اطمینان را نداشته باشد، خالی برمی‌گرداند.

مثال: اگر مدل شما صدای «کف زدن» را بشنود، این بلوک «کف زدن» را گزارش می‌دهد.

توجه: نویز پس‌زمینه به‌طور خودکار از نتایج تشخیص فیلتر می‌شود

 

وقتی صدای [LABEL] شناسایی شد

بلوک کلاهی که وقتی برچسب صدای خاص با اطمینانی بالاتر از کمینه اطمینان، شناسایی شود، فعال می‌گردد.
LABEL: یک برچسب از مدل خود یا "یکی از برچسب‌ها" را انتخاب کنید.

توجه: برچسب‌های نویز پس‌زمینه از محرک «یکی از برچسب‌ها» حذف می‌شوند.

 

صدای [LABEL] شناسایی شد

بلوک منطقی که وقتی برچسب صدا مشخص شده در حال حاضر شناسایی شود، مقدار درست (true) را برمی‌گرداند.
LABEL: یک برچسب از مدل خود یا "یکی از برچسب‌ها" را انتخاب کنید.

 

اطمینان از صدای [LABEL]

نمره اطمینان (از 0 تا 1) را برای برچسب صدای مشخص شده گزارش می‌دهد.

 

🕺 دسته‌بندی حالات بدن #

نشانی مدل حالت بدن را تنظیم کن: [URL|text]

یک مدل دسته‌بندی حالت بدن را از URL ارائه شده ماشین آموزش‌پذیر بارگذاری می‌کند.
URL: آدرس اینترنتی مدل حالت بدن Teachable Machine خود را جایگذاری کنید.

چه کاری انجام می‌دهد:

  • مدل را دانلود و در اسکرچ بارگذاری می‌کند.
  • دسته‌بندی پیوسته حالت بدن را از دوربین شروع می‌کند.
  • حالت بدن را تشخیص می‌دهد و بر اساس حالت‌های آموزش‌دیده شما طبقه‌بندی می‌کند.

 

برچسب حالت بدن

نام برچسب کلاس حالت بدن که با بیشترین اطمینان شناسایی شده است را گزارش می‌دهد.
اگر هیچ حالت بدنی، حداقل آستانه اطمینان را نداشته باشد، خالی برمی‌گرداند.

مثال: اگر مدل شما «دست‌ها بالا» را تشخیص دهد، این بلوک «دست‌ها بالا» را گزارش می‌دهد.

 

وقتی حالت بدن [LABEL] شناسایی شد

بلوک کلاهی که وقتی برچسب حالت بدن خاص با اطمینانی بالاتر از کمینه اطمینان، شناسایی شود، فعال می‌گردد.
LABEL: یک برچسب از مدل خود یا "یکی از برچسب‌ها" را انتخاب کنید.

 

حالت بدن [LABEL] شناسایی شد

بلوک منطقی که وقتی برچسب حالت بدن مشخص شده در حال حاضر شناسایی شود، مقدار درست (true) را برمی‌گرداند.
LABEL: یک برچسب از مدل خود یا "یکی از برچسب‌ها" را انتخاب کنید.

 

اطمینان از حالت بدن [LABEL]

نمره اطمینان (از 0 تا 1) را برای برچسب حالت بدن مشخص شده گزارش می‌دهد.

 

🎯 اطمینان (بلوک‌های مشترک) #

نکته مهم (TYPE) – این بلوک‌ها شامل یک منوی کشویی [TYPE] هستند که به شما امکان می‌دهد دسته هوش مصنوعی را انتخاب کنید – تصویر، صدا، یا حالت بدن. این تعیین می‌کند که بلوک، داده‌ها را از کدام مدل کنترل یا گزارش می‌کند.

[TYPE|rect] کمینه اطمینان را [CONFIDENCE|text] قرار بده

کمینه آستانه اطمینان (از 0 تا 1) را برای تشخیص‌ها در دسته انتخاب شده تنظیم می‌کند.

  • TYPE: انتخاب می‌کند که اطمینان به کدام آشکارساز هوش مصنوعی اعمال شود - از منوی کشویی یکی از موارد زیر را انتخاب کنید: تصویر، صدا، یا حالت بدن.
  • CONFIDENCE: مقدار آستانه را از ۰ تا ۱ تنظیم می‌کند.

از این بلوک برای کنترل میزان اطمینان هوش مصنوعی قبل از گزارش تشخیص استفاده کنید:

  • پیش‌فرض: 0.5 - عملکرد متعادل.
  • – برای تشخیص دقیق‌تر (تشخیص‌های اشتباه کمتر)، آن را به عددی بین 0.6 و 0.8 افزایش دهید.
  • – برای حساسیت بیشتر، آن را به عددی بین 0.3 و 0.4 کاهش دهید (ممکن است موارد تشخیص اشتباه را افزایش دهد).
[TYPE|rect] کمینه اطمینان

مقدار آستانه اطمینان فعلی را برای آشکارساز انتخاب شده گزارش می‌دهد (تصویر، صدا، یا حالت بدن).

⚙️ کنترل‌های دسته‌بندی (بلوک‌های مشترک) #

نکته مهم (TYPE) – این بلوک‌ها شامل یک منوی کشویی [TYPE] هستند که به شما امکان می‌دهد دسته هوش مصنوعی را انتخاب کنید – تصویر، صدا، یا حالت بدن. این تعیین می‌کند که بلوک، داده‌ها را از کدام مدل کنترل یا گزارش می‌کند.

  • 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.

🎥 کنترل‌های ویدیو (بلوک‌های مشترک) #

نکته مهم (TYPE) – این بلوک‌ها شامل یک منوی کشویی [TYPE] هستند که به شما امکان می‌دهد دسته هوش مصنوعی را انتخاب کنید – تصویر، صدا، یا حالت بدن. این تعیین می‌کند که بلوک، داده‌ها را از کدام مدل کنترل یا گزارش می‌کند.

  • ویدیو را [خاموش/روشن/روشن و آینه‌ای] کن
    • روشن: پیش‌نمایش دوربین را در یک نمای آینه‌ای (مانند یک وب‌کم یا آینه معمولی) نشان می‌دهد.
    • روشن و آینه‌ای: پیش‌نمایش دوربین را در نمای غیر آینه‌ای نشان می‌دهد - جهت‌ها مانند دنیای واقعی ظاهر می‌شوند.
    • خاموش: پیش‌نمایش دوربین را خاموش می‌کند. در حالت ورودی صحنه، تشخیص همچنان ادامه می‌یابد.
  • شفاقیت ویدئو [TRANSPARENCY|text] شود — میزان قابل مشاهده بودن پیش‌نمایش دوربین را تنظیم می‌کند:
    • 0: کاملاً قابل مشاهده (تصویر خالص)
    • 100: کاملاً شفاف (نامرئی اما فعال)
    از مقداری بین ۰ تا ۱۰۰ برای تنظیم میزان شفافیت پس‌زمینه دوربین استفاده کنید و به نمایش واضح‌تر اسپرایت‌ها روی پیش‌نمایش دوربین کمک کنید.
  • دوربین [CAMERA] را انتخاب کن — از بین دوربین‌های موجود در دستگاه شما انتخاب می‌کند. منوی کشویی تمام دوربین‌های شناسایی‌شده را فهرست می‌کند و افزونه به‌طور خودکار به دوربینی که انتخاب می‌کنید، تغییر وضعیت می‌دهد.

🎓 کاربردهای آموزشی #

  • گردش‌های کاری حرفه‌ای یادگیری ماشین را بیاموزید: کل فرآیند را تجربه کنید - جمع‌آوری داده‌ها، آموزش، آزمایش، استقرار.
  • مفاهیم یادگیری عمیق و یادگیری انتقالی را با استفاده از ابزارهای گوگل آموزش دهید.
  • ارزیابی مدل - دقت، اطمینان، تشخیص مثبت/منفی اشتباه - را بررسی کنید.
  • با استفاده از URL های مدل قابل اشتراک گذاری، پروژه های کلاسی مشارکتی بسازید.
  • دانش‌آموزان را با ابزارهای هوش مصنوعی دنیای واقعی که در صنعت استفاده می‌شوند، آشنا کنید.

🎮 پروژه‌های نمونه #

  • شناسایی‌کننده حیوانات: حیوانات را تشحیص دهید - بازی مسابقه آموزشی.
  • آشکارساز موسیقی: پیانو، گیتار یا درام را از روی صدا تشخیص دهید.
  • مربی یوگا: مدل‌های حالت بدن تمرینی برای پوزیشن‌های یوگا - بازخورد زنده.
  • یاور زبان اشاره: تشخیص علائم دست در زبان اشاره ASL - آموزش دسترسی‌پذیری.
  • طبقه‌بندی‌کننده احساسات: تشخیص حالات چهره مانند خوشحالی یا تعجب.
  • بازی با فرمان صوتی: «پریدن»، «خم شدن»، «چپ»، «راست» - بدون دخالت دست بازی کنید!
  • دستگاه تفکیک زباله بازیافتی: موادی مانند پلاستیک، کاغذ، فلز و شیشه را دسته‌بندی می‌کند.

🧩 خودتان امتحان کنید: pishi.ai/play

🔧 نکات و عیب‌یابی (بلوک‌های مشترک) #

نکته مهم (TYPE) – این بلوک‌ها شامل یک منوی کشویی [TYPE] هستند که به شما امکان می‌دهد دسته هوش مصنوعی را انتخاب کنید – تصویر، صدا، یا حالت بدن. این تعیین می‌کند که بلوک، داده‌ها را از کدام مدل کنترل یا گزارش می‌کند.

  • 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.

 

🏫 نکات ویژه ماشین آموزش‌پذیر #

  • مدل بارگذاری نمی‌شود؟ مطمئن شوید که روی «آپلود مدل من» در Teachable Machine کلیک و URL کامل قابل اشتراک‌گذاری را کپی کرده‌اید.
  • فرمت URL اشتباه است؟ لینک شما باید با https://teachablemachine.withgoogle.com/models شروع شود و با یک اسلش (/) تمام شود.
  • دقت پایین در اسکرچ؟ ابتدا عملکرد مدل خود را در Teachable Machine بررسی کنید - مطمئن شوید که نور و صدا با تنظیمات آموزشی شما مطابقت دارند.
  • مدل به‌روزرسانی نمی‌شود؟ آدرس اینترنتی مدل را دوباره تنظیم کنید یا صفحه اسکرچ را برای به‌روزرسانی، مجدداً بارگذاری کنید.
  • مدل صدا، تشخیص نمی‌دهد؟ مجوزهای میکروفون را بررسی کنید و از صداهایی مشابه نمونه‌های آموزشی خود استفاده کنید.
  • مدل حالت بدن گیج شده؟ مطمئن شوید که بالاتنه کامل شما قابل مشاهده است - همان شرایطی که در طول تمرین وجود دارد.
  • تشخیص‌های اشتباه خیلی زیاد است؟ حداقل اطمینان را افزایش دهید (0.7 تا 0.8) یا با مثال‌های متنوع‌تر دوباره آموزش دهید.
  • آیا چندین مدل را آزمایش می‌کنید؟ برای تغییر از بلوک مربوطه‌ی «‫نشانی مدل را تنظیم کن» استفاده کنید - تغییرات فوراً اعمال می‌شوند.
  • مدل‌ها را به اشتراک می‌گذارید؟ آدرس اینترنتی ماشین آموزش‌پذیر خود را به اشتراک بگذارید تا دیگران بتوانند آن را وارد کرده و در پروژه‌های خود استفاده کنند.
  • مدل خیلی بزرگ است؟ قبل از خروجی گرفتن از Teachable Machine، وضوح تصویر یا نمونه‌های آموزشی را کاهش دهید.

🔒 حریم خصوصی و امنیت #

  • مدل‌ها هنگام آپلود، روی سرورهای گوگل میزبانی می‌شوند.
  • پس از بارگذاری در اسکرچ، تمام دسته‌بندی‌ها به صورت محلی در مرورگر شما اجرا می‌شوند.
  • داده‌های دوربین و میکروفون به صورت محلی پردازش می‌شوند - هرگز در حین استفاده به سرورها ارسال نمی‌شوند.
  • داده‌های آموزشی Teachable Machine شما از سیاست حفظ حریم خصوصی گوگل پیروی می‌کند.
  • URL های قابل اشتراک گذاری عمومی هستند - از ارسال لینک‌های مدل حساس خودداری کنید.

🧪 اطلاعات فنی #

  • منبع مدل: ماشین آموزش‌پذیر گوگل (teachablemachine.withgoogle.com)
  • چارچوب: TensorFlow.js - با شتاب‌دهی WebGL کاملاً در مرورگر اجرا می‌شود
  • انواع مدل: دسته‌بندی تصویر، صدا، حالت بدن
  • برچسب‌ها: نامحدود (بر اساس مدل)
  • ورودی‌ها: میکروفون (صدا)، دوربین یا بوم صحنه (تصویر/حالت بدن)
  • کمینه اطمینان پیش‌فرض: 0.5 (قابل تنظیم از 0 تا 1)
  • قالب مدل: TensorFlow.js graph model + metadata
  • نیازمند: WebGL2 برای بهترین عملکرد

🔗 افزونه‌های مرتبط #

  • 🖼️ یاد دادن تصاویر - آموزش مدل‌های سفارشی مستقیماً درون اسکرچ
  • 😎 تشخیص صورت - تشخیص نقاط کلیدی صورت
  • 🖐️ تشخیص دست - تشخیص نقاط کلیدی دست
  • 🕺 تشخیص بدن – دنبال کردن حالات تمام بدن

🧩 مقایسه: افزونه یاد دادن تصاویر در مقابل افزونه ماشین آموزش‌پذیر گوگل #

هر دو افزونه به شما امکان می‌دهند از مدل‌های هوش مصنوعی آموزش‌دیده سفارشی در اسکرچ استفاده کنید، اما در محل و نحوه آموزش مدل با هم تفاوت دارند.

ویژگی یاد دادن تصاویر ماشین آموزش‌پذیر گوگل
محل آموزش آموزش مستقیماً درون اسکرچ - فوری و یکپارچه. روی سایت Teachable Machine آموزش دهید، مدل را خروجی بگیرید و یک لینک قابل اشتراک‌گذاری برای افزونه اسکرچ خود دریافت کنید.
Model Types فقط دسته‌بندی تصویر. دسته‌بندی تصویر، صدا، و حالت بدن.
سهولت استفاده همه کاره - بدون نیاز به ابزار خارجی. نیاز به جابجایی بین وب‌سایت TM و پیشی.ای.آی اسکرچ دارد.
برچسب‌های پشتیبانی‌شده ۱۰ برچسب (۱–۱۰) برچسب‌های نامحدود (بستگی به مدل TM شما دارد)
سرعت تمرین بلافاصله پس از اولین بارگذاری - مثال‌ها را با یک کلیک اضافه کنید. کندتر - باید در وب‌سایت TM آموزش دهید، منتظر پردازش، اکسپورت و ایمپورت باشید.
قابلیت حمل مدل دانلود/آپلود فایل‌های JSON برای ذخیره و اشتراک‌گذاری مدل‌ها. ایمپورت مدل‌های از پیش یاد داده شده ماشین آموزش‌پذیر از طریق URL.
بهترین برای آموزش سریع و تکرارشونده در طول پروژه‌های زنده - عالی برای کلاس‌های درس و مبتدیان. پروژه‌های پیشرفته که به مدل‌های پیچیده‌تر یا برچسب‌های زیادی نیاز دارند.
حریم خصوصی ۱۰۰٪ محلی - تمام آموزش‌ها در مرورگر شما باقی می‌مانند. آموزش در وب سایت TM (گوگل) - فایل های مدل دانلود و به صورت محلی پردازش می‌شوند.
تمرکز آموزشی مقدمه‌ای عملی بر یادگیری ماشین - آموزش را به صورت بلادرنگ ببینید. گردش‌های کاری حرفه‌ای یادگیری ماشین را بیاموزید - آموزش، خروجی گرفتن، استقرار.

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

 

💡 چرا افزونه ماشین آموزش‌پذیر را انتخاب کنیم؟ #

ماشین قابل آموزش برای پروژه‌های هوش مصنوعی پیچیده و قابل اشتراک‌گذاری ایده‌آل است.

  • آموزش مدل‌های تصویر، صدا و حالت - سه نوع در یک مدل.
  • برچسب‌های نامحدود با آموزش ابری قدرتمند.
  • مدل‌ها را به راحتی از طریق URL های عمومی به اشتراک بگذارید.
  • ایده‌آل برای دوره‌های پیشرفته و همکاری.
  • گردش‌های کاری و ابزارهای یادگیری ماشین در دنیای واقعی را معرفی می‌کند.

💡 چرا افزونه یاد دادن تصاویر را انتخاب کنیم؟ #

افزونه یاد دادن تصاویر برای آزمایش سریع در داخل اسکرچ عالی است.

  • حلقه بازخورد فوری - بدون سایت یا حساب خارجی.
  • کاملاً آفلاین و خصوصی - تمام داده‌ها روی دستگاه شما باقی می‌مانند.
  • ایده‌آل برای کلاس‌های درس، کارگاه‌ها و پروژه‌های یادگیری ماشین مبتدی.

به طور خلاصه:
ماشین آموزش‌پذیر = گردش کار حرفه‌ای برای مدل‌های پیچیده و قابل اشتراک‌گذاری (تصویر/صدا/حالت).
یاد دادن تصاویر = یادگیری ماشین فوری، یکپارچه و مناسب برای مبتدیان در داخل اسکرچ (فقط تصویر).

📚 اطلاعات بیشتر #

چه احساسی از خواندن این مطلب داشتید؟
پیمایش به بالا