یاد دادن تصاویر - ساخت مدل‌های هوش مصنوعی سفارشی در اسکرچ

🖼️ یاد دادن تصاویر - ساخت مدل‌های هوش مصنوعی سفارشی در اسکرچ #

افزونه‌ی Image Trainer یادگیری ماشین واقعی را به اسکرچ می‌آورد.
این افزونه به شما امکان می‌دهد مدل‌های هوش مصنوعی خود را برای تشخیص تصاویر - اسباب‌بازی‌ها، چهره‌ها، حالات دست، اشیاء یا هر چیزی که برای دوربین قابل مشاهده است - آموزش دهید - همه این‌ها به صورت بلادرنگ، درست در مرورگر شما، بدون نیاز به کدنویسی یا تنظیمات.
به اندازه کافی ساده برای دانش‌آموزان، و در عین حال قدرتمند برای کلاس‌های درس خلاق. ✨

🌟 مرور کلی #

• آموزش مدل‌های سفارشی: به هوش مصنوعی آموزش دهید تا با استفاده از دوربین یا تصاویر صحنه اسکرچ، حداکثر 10 برچسب تصویر مختلف را تشخیص دهد.
• بدون نیاز به پیش‌آموزش: از ابتدا شروع کنید - مثال‌ها را نشان دهید، و هوش مصنوعی فوراً یاد می‌گیرد.
• طبقه‌بندی بلادرنگ: همزمان با شناسایی آنچه مدل می‌بیند، بازخورد فوری دریافت کنید.
• ذخیره و بارگذاری: داده‌های مدل آموزش‌دیده خود را دانلود کنید و بعداً آن را برای ادامه پروژه آپلود کنید.
• پیش‌نمایش دوربین را تغییر دهید: نمایش نمای زنده دوربین، پنهان کردن یا آینه‌ای کردن آن برای تطبیق با تنظیمات شما.
• ورودی را انتخاب کنید: آموزش و دسته‌بندی از دوربین زنده یا مستقیماً از تصویر صحنه اسکرچ

✨ ویژگی‌های کلیدی #

• تا ۱۰ برچسب قابل آموزش سفارشی (شماره‌گذاری ۱ تا ۱۰).
• انتقال یادگیری با استفاده از استخراج ویژگی MobileNet نسخه ۲ برای آموزش سریع
• دسته‌بندی نزدیک‌ترین K عدد همسایه (KNN) برای تشخیص سریع و کارآمد.
• قابلیت تنظیم فواصل زمانی «دسته‌بندی» برای عملکرد روان.
• دارای پیش‌نمایش دوربین، تنظیم شفافیت و کنترل‌های دستگاه.
• داده‌های یادگیری را دانلود و آپلود کنید تا مدل‌های آموزش‌دیده خود را ذخیره و بازیابی کنید.
• کاملاً در مرورگر کار می‌کند - ایمن و خصوصی.

🚀 نحوه استفاده #

1. بروید به: pishi.ai/play
2. بخش افزونه‌ها را باز کنید.
3. افزونه یاددادن تصاویر را انتخاب کنید.
4. در صورت درخواست، دسترسی به دوربین را مجاز کنید و بررسی کنید که پیش‌نمایش ویدیوی شما نمایش داده شود.
5. اگر هیچ دوربینی شناسایی نشود، ورودی به طور خودکار به تصویر صحنه تغییر می‌کند.
6. مرحله یاددادن:
   • یک شیء را در دست بگیرید یا جلوی دوربین ژست بگیرید.
   • روی بلوک «برچسب [1] را آموزش بده» چندین بار (5 تا 20 بار) کلیک کنید تا به هوش مصنوعی نشان دهید برچسب 1 چه شکلی است.
   • این کار را با اشیاء یا حالت‌های مختلف برای برچسب‌های ۲، ۳، ۴ و غیره تکرار کنید.
   • اولین آموزش ممکن است کمی طول بکشد - صبور باشید! آموزش‌های بعدی فوری هستند.
7. مرحله دسته‌بندی: پس از آموزش، هوش مصنوعی به طور مداوم دوربین را تجزیه و تحلیل می‌کند و با استفاده از بلوک «برچسب شناسایی شده» گزارش می‌دهد که کدام برچسب را می‌بیند.
8. از بلوک‌های کلاه «وقتی برچسب [1] شناسایی شد» برای فعال کردن اقدامات اسپرایت هنگام شناسایی برچسب‌های خاص استفاده کنید.

نکات

• برای دقت بیشتر، هر برچسب را از زوایا و فواصل مختلف آموزش دهید.
• در طول آموزش و آزمایش از روشنایی ثابت استفاده کنید.
• برای تشخیص قابل اعتماد، حداقل ۵ تا ۱۰ مثال برای هر برچسب آموزش دهید.
• برای کلاس‌های درس یا دستگاه‌های قدیمی‌تر، برای عملکرد روان، دسته‌بندی را در فواصل ۱۰۰ تا ۲۵۰ میلی‌ثانیه شروع کنید.

🧱 بلوک‌ها و توابع #

🎓 یاددهی #

تصویر فعلی دوربین یا صحنه را ضبط کرده و آن را به عنوان مثال آموزشی برای برچسب انتخاب شده اضافه می‌کند.
LABEL: یک شماره برچسب از ۱ تا ۱۰ انتخاب کنید.

چگونه کار می‌کند:

• چندین بار (۵ تا ۲۰ بار) روی این بلوک کلیک کنید و همزمان شیء یا حالتی را که می‌خواهید هوش مصنوعی یاد بگیرد، نشان دهید.
• هرچه مثال‌های بیشتری ارائه دهید، هوش مصنوعی آن برچسب را بهتر تشخیص می‌دهد.
• هر کلیک یک نمونه آموزشی اضافه می‌کند - خواهید دید که تعداد آموزش‌های برچسب انتخاب شده افزایش می‌یابد.
• اولین آموزش ممکن است کمی طول بکشد زیرا مدل در حال مقداردهی اولیه است - آموزش‌های بعدی فوری هستند.

گزارش می‌دهد که چند نمونه آموزشی برای برچسب مشخص شده ثبت شده است.
از این بلوک برای پیگیری پیشرفت آموزش خود یا نمایش آن روی صفحه استفاده کنید.

🧮 تشخیص #

شماره برچسب (۱ تا ۱۰) را که هوش مصنوعی در حال حاضر در تصویر دوربین یا صحنه تشخیص می‌دهد، گزارش می‌دهد.
اگر هیچ برچسبی با اطمینان تشخیص داده نشود یا هنوز هیچ آموزشی انجام نشده باشد، مقدار خالی را برمی‌گرداند.

مثال: اگر هوش مصنوعی شیء آموزش داده شده توسط شما با برچسب ۳ را ببیند، این بلوک عدد «۳» را گزارش خواهد کرد.

بلوک کلاهی که وقتی هر برچسب یاد داده شده با اطمینانی بالاتر از کمینه اطمینان، شناسایی شود، فعال می‌گردد.
ایده‌آل برای شروع واکنش‌های کلی به هر تصویر شناخته‌شده.

بلوک کلاهی که وقتی برچسب خاص با اطمینانی بالاتر از کمینه اطمینان، شناسایی شود، فعال می‌گردد.
LABEL: یک شماره برچسب از ۱ تا ۱۰ انتخاب کنید.

مثال‌های کاربردی:

• برچسب ۱ را به عنوان «اسباب‌بازی قرمز» آموزش بده ← وقتی برچسب ۱ شناسایی شد، کاری کن که اسپرایت بگوید «من قرمز می‌بینم!»
• برچسب ۲ را به عنوان «لایک با شست دست» آموزش دهید ← وقتی برچسب ۲ شناسایی شد، صدای پیروزی را پخش کنید.
• برچسب ۳ را به عنوان «دست تکان دادن» آموزش بده ← وقتی برچسب ۳ شناسایی شد، اسپرایت هم در عوض دست تکان دهد.

توجه: این بلوک‌های Hat دارای یک زمان انقضای کوتاه (100 میلی‌ثانیه) هستند تا از فعال شدن سریع و مکرر بلوک جلوگیری شود.

🎯 اطمینان #

حداقل امتیاز اطمینان (بین 0 و 1) مورد نیاز برای گزارش یک برچسب به عنوان شناسایی شده را تعیین می‌کند.
اگر اطمینان هوش مصنوعی کمتر از این آستانه باشد، تشخیص نادیده گرفته می‌شود - به این معنی که بلوک «برچسب شناسایی شده» خالی برمی‌گرداند و بلوک‌های کلاهی فعال نمی‌شوند.

مقدار آستانه اطمینان فعلی را گزارش می‌دهد - برای نمایش آن روی صفحه یا تنظیم پویای آن در طول پروژه مفید است.

نکته: اگر پروژه شما تشخیص‌های اشتباه زیادی دارد، کمینه اطمینان را افزایش دهید. اگر تشخیص‌های معتبر از قلم افتاده‌اند، آن را کاهش دهید.

🗑️ تنظیم مجدد و مدیریت #

تمام داده‌های یاد داده شده را برای برچسب مشخص شده پاک می‌کند.
LABEL: یک شماره برچسب از ۱ تا ۱۰ انتخاب کنید.

برای جلوگیری از حذف تصادفی، یک پیام دریافت تأیید ظاهر می‌شود.
از این گزینه زمانی استفاده کنید که می‌خواهید یک برچسب را از ابتدا دوباره یاد دهید.

تمام داده‌های یاد داده شده را برای همه برچسب‌ها (۱ تا ۱۰) پاک می‌کند.
برای جلوگیری از حذف تصادفی، یک پیام دریافت تأیید ظاهر می‌شود.
از این برای شروع یک یاددهی جدید استفاده کنید.

هشدار: این کار تمام کارهای یاددهی شما را حذف می‌کند! اگر می‌خواهید داده‌های یاد داده شده خود را ذخیره کنید، ابتدا مطمئن شوید که آنها را دانلود کرده‌اید.

💾 ذخیره و بارگذاری #

داده‌های مدل یا داده شده را به صورت یک فایل JSON در رایانه شما دانلود می‌کند.
نام فایل به صورت زیر خواهد بود: imagetrainer-[timestamp].json

از این استفاده کنید تا:

• قبل از بستن پروژه، کار خود را ذخیره کنید.
• مدل‌های یاد داده شده را با همکلاسی‌ها یا دوستان خود به اشتراک بگذارید.
• از پیشرفت یاددهی خود پشتیبان تهیه کنید.

یک انتخابگر فایل برای بارگیری داده‌های یاد داده شده که قبلاً به صورت فایل JSON ذخیره شده است را باز می‌کند.
پس از بارگیری، هوش مصنوعی بلافاصله برچسب‌هایی را که بر اساس آنها آموزش دیده است، بدون نیاز به یاد دهی مجدد، تشخیص می‌دهد.

از این استفاده کنید تا:

• پروژه را از جایی که رها کرده‌اید، ادامه دهید.
• مدلی را که توسط شخص دیگری آموزش دیده است بارگذاری کنید.
• بین مدل‌های یاد داده شده‌ی مختلف برای پروژه‌های مختلف جابه‌جا شوید.

توجه: فقط فایل‌های JSON دانلود شده از افزونه‌ی Image Trainer را آپلود کنید.

⚙️ کنترل دسته‌بندی #

• 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.

🎥 کنترل ویدیو #

• 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 #

• مفاهیم یادگیری ماشین را معرفی کنید: دانش‌آموزان یاد می‌گیرند که چگونه مدل‌های هوش مصنوعی با استفاده از مثال‌ها آموزش داده می‌شوند، نه با استفاده از قوانین.
• آموزش دسته‌بندی، تشخیص الگو و اهمیت کیفیت داده‌های یاد دهی.
• یادگیری انتقالی را بررسی کنید - چگونه مدل‌های از پیش آموزش‌دیده (MobileNet) می‌توانند برای وظایف جدید تطبیق داده شوند.
• از طریق آزمایش‌های عملی، بیش‌برازش، کم‌برازش و دقت مدل را مورد بحث قرار دهید.
• بازی‌ها و ابزارهای تعاملی ایجاد کنید که به اشیاء، حرکات یا چهره‌های دنیای واقعی پاسخ می‌دهند.
• روش‌های ورودی قابل دسترس بسازید - پروژه‌ها را با علائم دست، حالات چهره یا حرکات سفارشی کنترل کنید.

🎮 پروژه‌های نمونه #

• هوش مصنوعی بازی سنگ، کاغذ، قیچی: برچسب‌های ۱، ۲، ۳ را برای سنگ، کاغذ، قیچی یاد دهید - در مقابل کامپیوتر بازی کنید!
• مرتب‌کننده رنگ: برچسب‌های اشیاء با رنگ‌های مختلف را آموزش می‌دهد - اسپرایت به هر رنگ واکنش نشان می‌دهد.
• کنترل‌کننده‌ی حرکات سفارشی: حالت‌های دست (شست بالا، علامت صلح، مشت) را برای کنترل حرکت اسپرایت‌ها آموزش دهید.
• تشخیص حیوانات خانگی: برچسب‌های حیوانات خانگی یا اسباب‌بازی‌های مختلف را آموزش دهید - کاری کنید که یک اسپرایت به هر کدام به طور متفاوتی سلام کند.
• ابزار کلاس درس هوشمند: برچسب‌های «دست بالا رفته»، «سوال»، «آماده» را آموزش دهید - پاسخ‌های کلاسی را خودکار کنید.
• آشکارساز احساسات: برچسب‌هایی برای چهره‌های شاد، غمگین و متعجب آموزش دهید - یک کاراکتر واکنش‌پذیر به احساسات ایجاد کنید.
• بازی یابنده اشیاء: برچسب‌های اشیاء پنهان را آموزش دهید - بازی را با اعتبارسنجی هوش مصنوعی جستجو و پیدا کنید.

🧩 خودتان امتحان کنید: pishi.ai/play

🔧 نکات و عیب‌یابی #

• 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 یاد دادن تصاویر #

• تشخیص دقیقی ندارید؟ مثال‌های بیشتری (۱۰ تا ۲۰ مثال برای هر برچسب) را از زوایای مختلف یاد دهید.
• تشخیص‌های اشتباه؟ کمینه آستانه اطمینان را افزایش دهید (0.7 تا 0.8 را امتحان کنید).
• تشخیص‌های از دست رفته؟ آستانه اطمینان را کاهش دهید (0.4 تا 0.5 را امتحان کنید) یا نمونه‌های متنوع‌تری را یاد دهید.
• اولین یاددهی کند است؟ این طبیعی است - MobileNet در اولین یاددهی بارگذاری می‌شود. آموزش‌های بعدی فوری هستند.
• می‌خواهید از نو شروع کنید؟ از «بازنشانی همه برچسب‌ها» استفاده کنید - اما اگر می‌خواهید داده‌ها را نگه دارید، ابتدا آنها را دانلود کنید!
• اهمیت نورپردازی: برای بهترین نتیجه، در شرایط نوری مشابه یاد دهید و آزمایش کنید.
• شلوغی پس‌زمینه؟ برای تشخیص بهتر، در طول آموزش از پس‌زمینه‌های ساده استفاده کنید.

🔒 حریم خصوصی و امنیت #

• همه چیز به صورت محلی در مرورگر شما اجرا می‌شود.
• هیچ تصویر یا ویدیویی در هیچ کجا آپلود نمی‌شود.
• فایل‌های مدل ممکن است یک بار برای استفاده آفلاین دانلود شوند.
• قبل از استفاده از دوربین، همیشه از معلم یا والدین خود اجازه بگیرید.
• در هر زمان، با خیال راحت ویدیو را [خاموش] کن.

نکات مهم حریم خصوصی یاد دادن تصاویر:

• داده‌های آموزشی شما روی رایانه‌تان باقی می‌ماند - هیچ چیزی روی سرورها آپلود نمی‌شود.
• داده‌های آموزشی دانلود شده به صورت محلی به عنوان یک فایل JSON ذخیره می‌شوند - شما کنترل می‌کنید که کجا بروند.
• هیچ تصویر شخصی به جایی ارسال نمی‌شود - تمام آموزش و دسته‌بندی در مرورگر شما اتفاق می‌افتد.

🧪 اطلاعات فنی #

• مدل پایه: MobileNet v2
• چارچوب: TensorFlow.js + دسته‌بندی کننده KNN - به صورت کامل در مرورگر اجرا می‌شود و از شتاب‌دهی WebGL2 استفاده می‌کند.
• تکنیک: یادگیری انتقالی + طبقه‌بندی K-نزدیک‌ترین همسایه
• برچسب‌ها: ۱۰ برچسب قابل آموزش (۱–۱۰)
• یاددهی: بلافاصله پس از اولین مقداردهی اولیه - بدون نیاز به سرور
• ورودی‌ها: دوربین یا بوم صحنه
• ضریب اطمینان پیش‌فرض: 0.6 (قابل تنظیم از 0 تا 1)
• بارگذاری مدل: فایل‌های محلی یا همراه با افزونه
• فرمت داده: JSON
• نیازمند: WebGL2 برای بهترین عملکرد

🔗 افزونه‌های مرتبط #

• 🏫 ماشین آموزش‌پذیر گوگل - مدل‌های از پیش یاد داده شده را از ماشین آموزش پذیر گوگل بیاورید
• 😎 تشخیص صورت - تشخیص نقاط کلیدی صورت
• 🖐️ تشخیص دست - تشخیص نقاط کلیدی دست
• 🕺 تشخیص بدن - ردیابی حالات 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.

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

💡 چرا افزونه یاد دادن تصاویر را انتخاب کنیم؟ #

افزونه یاد دادن تصاویر برای یادگیری زنده و تعاملی عالی است. دانش‌آموزان فوراً آموزش می‌دهند، آزمایش می‌کنند و تکرار می‌کنند - بدون نیاز به تغییر تب یا انتظار برای آپلود.

• حلقه بازخورد فوری برای آزمایش.
• کاملاً مستقل - بدون حساب یا وب‌سایت خارجی.
• متمرکز بر حریم خصوصی - تمام داده‌ها روی دستگاه شما باقی می‌مانند.
• ایده‌آل برای نمونه‌سازی سریع و نمایش‌های کلاسی.

💡 چرا افزونه ماشین آموزش‌پذیر را انتخاب کنیم؟ #

ماشین آموزش پذیر برای مدل‌های پیشرفته یا از پیش برنامه‌ریزی‌شده بهتر است.

• برچسب‌های بیشتر و گزینه‌های آموزشی قدرتمندتر.
• مدل‌ها را از طریق URL به اشتراک بگذارید - همکاری آسان‌تر.
• دسترسی به زیرساخت آموزشی گوگل برای مدل‌های پیچیده‌تر.

به طور خلاصه:
یاد دادن تصاویر = یادگیری ماشین فوری، یکپارچه و مناسب برای مبتدیان در داخل اسکرچ.
ماشین آموزش‌پذیر = گردش کار حرفه‌ای برای مدل‌های پیچیده و از پیش آموزش‌دیده.

📚 اطلاعات بیشتر #

• راهنمای افزونه‌های هوش مصنوعی Pishi.ai
• مدل‌های TensorFlow.js
• ایده‌های اسکرچی