Teachable Machine
Teachable Machine est l'outil web gratuit de Google Creative Lab qui entraîne un modèle de classification dans le navigateur, sans code ni compte, à partir d'images, de sons ou de postures. Tu regroupes des exemples en classes, tu lances l'entraînement, tu testes aussitôt le modèle sur de nouveaux cas, puis tu l'exportes en TensorFlow.js pour un site, une application ou un montage Arduino ou Coral.
La première version date de 2017 ; la version actuelle a ajouté les sons, les postures, l'enregistrement dans Google Drive et l'export. Les enseignants, les élèves, les artistes et les makers y trouvent une porte d'entrée concrète vers l'apprentissage automatique, et l'éditeur précise qu'il s'agit d'une expérience, pas d'un produit officiel de Google.
Lire plus Lire moins
Éducation
Agents & Automatisation
Analyse de données- Éditeur
- Pays
- États-Unis
- Création
- 2017
- Offre gratuite
- Oui
- Essai gratuit
- Non
- Sans carte bancaire
- Oui
Teachable Machine en bref
C’est quoi ?
Teachable Machine est un outil web accessible à tous, édité par Google Creative Lab, qui crée un modèle de machine learning rapidement et sans écrire de code. Tu réunis des exemples d’images, de sons ou de postures, tu les classes, tu entraînes le modèle dans ton navigateur et tu vérifies sur-le-champ ce qu’il reconnaît. Le modèle obtenu est un vrai modèle TensorFlow.js, exportable vers un site, une application ou un objet connecté.
Pourquoi ?
Teachable Machine évite d’installer un environnement de développement pour comprendre la classification : un clic entraîne le modèle, la fenêtre d’aperçu montre les prédictions en direct et les graphiques de justesse et de perte expliquent ce qui se passe. L’entraînement se fait sur ton appareil, et rien ne part vers un serveur tant que tu n’enregistres pas ton projet dans Google Drive ou que tu ne publies pas ton modèle.
Pour qui ?
Teachable Machine s’adresse, selon la FAQ de l’éditeur, aux enseignants, aux artistes, aux élèves, aux innovateurs et aux créateurs de toutes sortes, sans connaissance préalable en machine learning. Les projets mis en avant sur le site vont d’un trieur d’objets en carton branché sur Arduino à une aide à la communication pour une personne atteinte de SLA, en passant par une manette de jeu faite d’une feuille de papier.
Avantages et inconvénients
Les plus
- Sans code ni compte, directement dans le navigateur Teachable Machine s’ouvre depuis son site, et la FAQ précise qu’il est inutile de créer un compte ou de se connecter. Tu regroupes des exemples, tu cliques sur Entraîner et tu testes le résultat dans la même page.
- Images, sons et postures pris en charge L’outil reconnaît des images, des sons et des positions du corps, à partir de fichiers ou d’une capture en direct par webcam ou micro. Les postures s’appuient sur PoseNet, les images sur MobileNet.
- Export utilisable hors de l’interface Le modèle exporté est un modèle TensorFlow.js réutilisable partout où JavaScript tourne, avec des conversions TensorFlow et TensorFlow Lite et un modèle allégé pour Coral et Arduino. Des extraits de code JavaScript, Java et Python accompagnent l’export.
- Sauvegarde et reprise via Google Drive Le projet complet, échantillons compris, s’enregistre dans Google Drive et se rouvre plus tard depuis Teachable Machine. Tu reprends ainsi un entraînement sans reconstruire tes classes.
- Entraînement local, données sur l’appareil L’entraînement se déroule dans l’onglet du navigateur : aucune donnée de webcam ou de micro ne quitte l’ordinateur, sauf si tu enregistres ton projet dans Google Drive. Un modèle publié n’emporte jamais les échantillons.
- Interface et FAQ traduites L’en-tête du site propose un choix de langues où figure le français, et l’accueil s’affiche directement en français depuis la France. Les tutoriels vidéo intégrés guident chaque étape du projet.
Les moins
- Une expérience, pas un produit officiel L’éditeur écrit lui-même qu’il s’agit d’une expérience et non d’un produit officiel de Google, maintenue au mieux. Aucune page de statut, aucun engagement de disponibilité ni support commercial.
- Sons limités à de courts extraits Le modèle sonore ne reconnaît que des échantillons brefs enregistrés au micro ou créés avec l’outil ; les fichiers mp3 externes ne s’importent pas. Un projet audio plus riche demande un autre outil.
- Aucune application mobile de l’éditeur Teachable Machine se pratique dans un navigateur d’ordinateur, Chrome ou Firefox recommandés pour le micro. Aucune application mobile n’est publiée par Google ; celle de l’App Store porte le même nom mais vient d’un autre éditeur.
- Un modèle publié est ouvert à qui a le lien Quand tu héberges ton modèle sur Teachable Machine, toute personne qui trouve son URL peut l’utiliser dans ses projets, sans pouvoir le modifier. La FAQ le dit clairement ; à toi de ne partager le lien qu’à bon escient.
- Pas d’API de service Teachable Machine n’expose aucune API web : pour un usage programmatique, tu charges un modèle exporté avec les bibliothèques JavaScript du dépôt GitHub. Un pipeline d’entraînement automatisé n’est pas possible.
Un outil entièrement gratuit
Aucun palier payant chez Teachable Machine (vérifié le 22 septembre 2026) : l’outil est entièrement gratuit, sans grille tarifaire. Teachable Machine est une expérience gratuite de Google Creative Lab : le site n’a aucune page de prix (les adresses /pricing, /fr/pricing et /fr rendent une page 404), aucun menu Tarifs, n’affiche ni montant ni devise, et la FAQ de l’éditeur dit qu’il suffit d’ouvrir le site et de cliquer sur Commencer, sans créer de compte ni se connecter ; l’enregistrement dans Google Drive et l’hébergement du modèle exporté sur les serveurs de Google sont eux aussi sans frais. Le tableau distingue les deux volets du produit, tous deux sans frais : l’outil d’entraînement dans le navigateur, et l’export avec l’hébergement des modèles.
| Palier | Quota | Inclus | Pour qui |
|---|---|---|---|
| Outil web (gratuit) | Sans compte ; classes en nombre libre ; extraits sonores d’une seconde | Projets d’images, de sons et de postures, capture par webcam ou micro, import de fichiers, entraînement sur l’appareil, graphiques et réglages avancés, enregistrement dans Google Drive | Enseignants, élèves, artistes, makers |
| Export et hébergement des modèles (gratuit) | Modèle seul publié, jamais les échantillons ; conversion TensorFlow Lite dans le cloud | Téléchargement TensorFlow.js, TensorFlow et TensorFlow Lite, URL hébergée par Teachable Machine, modèle intégré pour Coral et Arduino, extraits de code et bibliothèques JavaScript | Développeurs web et projets physiques |
relevés le 22/09/2026
Ce que permet la formule gratuite
Teachable Machine se lance depuis son accueil par le bouton Commencer, sans compte, sans carte et sans installation. Tu ouvres un projet image, audio ou posture et tu crées tes classes, aussi nombreuses que nécessaire. Chaque classe se remplit par la webcam, le micro ou des fichiers importés.
Tu lances ensuite l’entraînement dans l’onglet du navigateur, sans envoi des échantillons, et l’aperçu montre la prédiction en direct sur la webcam ou sur de nouveaux fichiers. Les graphiques de justesse et de perte, la matrice de confusion et les réglages d’époques, de taille de lot et de taux d’apprentissage s’ouvrent à tous, sans palier.
Deux gestes restent à ton choix : enregistrer le projet dans Google Drive, ce qui demande une connexion à un compte Google, ou publier le modèle sur les serveurs de Google pour obtenir une URL partageable. Si tu fermes l’onglet sans rien faire, rien n’est conservé, ni dans le navigateur ni ailleurs. Google Drive reste facultatif.
Ce que fait Teachable Machine
Teachable Machine suit les étapes Recueillir, Entraîner, Exporter affichées sur son accueil : tu regroupes des exemples en classes, tu lances l’entraînement, puis tu télécharges le modèle ou tu l’héberges en ligne.
Un apprentissage par transfert, expliqué dans la FAQ, fait le travail : un réseau de neurones pré-entraîné reçoit tes classes comme dernière couche, MobileNet pour les images et les postures, Speech Command Recognizer pour l’audio. PoseNet lit aussi ta place dans l’image.
TensorFlow.js fait le reste. Ce moteur tourne dans le navigateur, d’où la vitesse de réponse et la confidentialité des échantillons. Un modèle d’image réduit, en nuances de gris, vise les microcontrôleurs. Coral et Arduino suivent.
Pour la suite, le dépôt GitHub de l’éditeur prend le relais : ses bibliothèques JavaScript chargent le modèle exporté dans un site, une application Node.js, un croquis p5.js ou ml5.js, un prototype Framer ou un projet Glitch.
Comment utiliser Teachable Machine
Prise en main initiale
Ouvre Teachable Machine, clique sur Commencer et choisis le type de projet : image, audio ou posture. Nomme chaque classe, puis ajoute des exemples par la webcam, le micro ou un dossier de fichiers, en variant les angles, les fonds et l’éclairage comme le conseille la FAQ.
Navigation dans l’interface
L’interface de Teachable Machine tient en trois colonnes : les classes à gauche, le bouton Entraîner le modèle au centre, l’aperçu à droite. Un menu déroulant sous l’entraînement ouvre les réglages avancés et le panneau Options avancées affiche les graphiques de justesse, de perte et la matrice de confusion.
Utilisation et gestion de projets
Le menu de Teachable Machine enregistre le projet dans Google Drive, le télécharge en tant que fichier, ou rouvre un projet existant depuis Drive ou depuis un fichier. Le bouton Exporter le modèle propose TensorFlow.js avec un lien hébergé ou un téléchargement, TensorFlow et TensorFlow Lite, chacun avec ses extraits de code.
Fonctionnalités principales
Teachable Machine transforme des exemples visuels, sonores ou gestuels en classifieur TensorFlow.js exportable. Tout ce qui suit est gratuit et se pratique dans le navigateur.
Projet d’images
Tu entraînes un modèle de classification d’images à partir de fichiers ou de ta webcam, avec recadrage et retournement de l’image. L’export sort un modèle TensorFlow.js prêt pour un site ou une application.
Dans le navigateur, sans code ni compte.
Projet de sons
Tu crées un classifieur audio à partir d’échantillons brefs enregistrés au micro, avec une classe obligatoire de bruit de fond d’au moins vingt secondes. Le modèle repose sur Speech Command Recognizer.
Chrome ou Firefox recommandés pour l’enregistrement au micro.
Projet de postures
Tu entraînes un modèle qui distingue des positions du corps détectées par PoseNet, depuis la webcam ou des fichiers. Le cadrage compte : PoseNet lit aussi où tu te trouves dans l’image.
Même flux web, test immédiat dans l’aperçu.
Classes en nombre libre
Tu ajoutes autant de classes que ton projet demande, là où la première version s’arrêtait à trois. Chaque classe se renomme, se désactive ou se supprime.
Entraînement sur l’appareil
Tout se passe dans l’onglet du navigateur : les données de webcam ou de micro ne quittent pas l’ordinateur. Rien n’est envoyé tant que tu n’enregistres pas dans Google Drive.
Graphiques et réglages avancés
Le panneau Options avancées affiche la justesse et la perte par époque, la justesse par classe et la matrice de confusion, avec un partage des échantillons entre entraînement et test. Les époques, la taille de lot et le taux d’apprentissage se règlent.
Enregistrement dans Google Drive
Tu enregistres le projet complet, échantillons compris, dans ton Drive sous forme de fichier zip et tu le rouvres plus tard ; le projet se télécharge aussi en tant que fichier, et les échantillons classe par classe.
Connexion à un compte Google pour cette fonction.
Export TensorFlow.js
Le modèle exporté fonctionne partout où JavaScript s’exécute : sites, applications, Node.js, p5.js, ml5.js, Framer, Glitch. Des extraits de code accompagnent chaque format.
Modèle hébergé sur une URL
Teachable Machine héberge ton modèle sur ses serveurs et te donne un lien partageable à appeler depuis ton projet. Seul le modèle est publié, jamais les exemples.
Export TensorFlow et TensorFlow Lite
Tu convertis le modèle pour Python, pour le mobile ou pour un Edge TPU ; la conversion TensorFlow Lite se fait dans le cloud et n’importe que le modèle entraîné.
Modèle intégré pour microcontrôleurs
Un projet d’image allégé, en nuances de gris et en 96 par 96 pixels pour environ 500 Ko, s’exporte en TensorFlow Lite for Microcontrollers vers Coral et Arduino.
Tutoriels et projets de démarrage
Une playlist de vidéos est intégrée à l’outil, et l’accueil propose les projets Bananameter, Snap Clap Whistle et Head Tilt pour apprendre en quelques minutes.
Bibliothèques JavaScript
Les bibliothèques image, audio et pose du dépôt GitHub chargent un modèle exporté depuis son lien et rendent ses prédictions dans ta page. Licence Apache 2.0.
Usages et métiers
Teachable Machine vise d’abord celles et ceux qui veulent former un modèle sans coder. Les publics ci-dessous reprennent la FAQ de l’éditeur et les projets présentés sur son accueil.
Enseignants
Ils font découvrir l’apprentissage automatique, la classification et la notion de biais à des élèves en leur faisant entraîner un modèle en classe. Les cours AI + Ethics du MIT Media Lab et Ready AI, cités sur l’accueil, s’appuient sur l’outil.
Élèves et étudiants
Ils construisent un premier modèle de reconnaissance sans écrire de code, puis observent ses réussites et ses ratés sur de nouveaux exemples. Un programme de Blakeley H. Payne l’utilise avec des collégiens.
Artistes et créateurs
Ils entraînent un modèle sur des images, des sons ou des gestes, puis l’exportent dans un projet interactif p5.js, ml5.js ou Framer. Teachable Snake, une manette de jeu faite d’une feuille de papier, en est l’exemple affiché par l’éditeur.
Makers et bricoleurs
Ils relient un modèle à un objet physique : le trieur Tiny Sorter sur Arduino et Teachable Sorter sur Coral, présentés sur l’accueil, trient des objets devant une webcam.
Export en modèle intégré pour microcontrôleurs.
Chercheurs en accessibilité
Ils explorent la communication assistée : le projet Euphonia montre Steve Saling, atteint de SLA, qui déclenche des sons par ses expressions faciales grâce à un modèle entraîné dans l’outil.
Innovateurs et curieux
Ils testent en quelques minutes si une classification personnalisée tient la route avant d’investir dans un développement. La FAQ nomme toute personne ayant une idée à explorer, sans prérequis.
Conseils d’utilisation
Conseils pour une utilisation efficace
Teachable Machine donne de meilleurs résultats quand tu varies les exemples d’une même classe : la FAQ conseille de changer de fond, de luminosité ou d’heure de la journée pour un modèle d’images, et de changer de micro ou de pièce pour un modèle de sons. Pour les postures, cadre-toi de la même façon d’un exemple à l’autre, car PoseNet tient compte de ta position dans le cadre. Teste toujours sur des cas nouveaux avant d’exporter, et sauvegarde ton travail dans Google Drive si tu comptes y revenir.
Erreurs communes à éviter
Résultat instable sur de nouveaux exemples : les classes se ressemblent trop ou les exemples manquent de diversité, et le modèle apprend mal la frontière entre elles. Fichier audio refusé : Teachable Machine n’importe que les échantillons créés avec l’outil, pas les mp3 externes. Modèle jugé bon sur ses propres exemples : tu as validé sur les échantillons d’entraînement au lieu de tester des cas nouveaux, ou tu n’as pas regardé la matrice de confusion. Lien de modèle partagé sans réfléchir : toute personne qui a l’URL peut utiliser le modèle dans ses projets.
Modèles et droits sur les créations
Teachable Machine décrit ses modèles dans sa FAQ : apprentissage par transfert sur un réseau MobileNet côté images et postures, Speech Command Recognizer côté audio, PoseNet pour détecter la position du corps, le tout exécuté par TensorFlow.js. Le code de machine learning et les bibliothèques sont publiés sur GitHub sous licence Apache 2.0 ; l’application web elle-même ne l’est pas.
Tes échantillons restent sur ton appareil : aucun serveur ne les reçoit, et s’ils sont enregistrés dans Google Drive, ils demeurent dans ton Drive et t’appartiennent toujours. Quand tu publies un modèle, seul le programme mathématique part chez Google, jamais les exemples qui l’ont produit.
Un modèle publié reçoit une URL que toute personne informée peut appeler dans ses projets, comme un fichier image hébergé en ligne, sans pouvoir le modifier. Google rappelle dans sa FAQ que les résultats dépendent des données d’entraînement, invite à intégrer inclusion et équité à chaque étape et fournit un formulaire pour signaler un modèle douteux ; ses conditions d’utilisation générales s’appliquent.
Accès
Teachable Machine passe uniquement par le navigateur d’un ordinateur : Google ne publie aucune application Windows, macOS, iOS ou Android, et l’application « TeachableMachine » de l’App Store est l’œuvre de Robocar Ltd, un éditeur tiers. Deux sous-sections détaillent ensuite les canaux d’accès, puis les langues.
Depuis la France, le sélecteur de langue du site affiche l’interface en français ; il propose aussi l’anglais et d’autres langues d’Europe et d’Asie. Seul l’anglais figure dans la charge de l’API, d’où la pastille ci-dessous.
Appareils, applications et systèmes compatibles
Tu accèdes à Teachable Machine depuis le web, sur ordinateur. Aucune application mobile ou de bureau n’est éditée par Google ; aucune API web non plus, seulement des bibliothèques JavaScript pour les modèles exportés.
Disponible sur
Accès & intégrations
IntégrationsOui
Glitch, p5.js, ml5.js, Node.js, Framer, Coral, Arduino, Google Drive
SDKOui
Bibliothèques @teachablemachine/image, audio et pose sur npm ou par balise script, extraits JavaScript, Java et Python.
Open sourceOui
Code de machine learning et bibliothèques sous licence Apache 2.0 sur GitHub ; première version archivée.
Langues disponibles
Teachable Machine traduit son interface et sa FAQ par le sélecteur de langue de son en-tête : le français y figure, comme l’anglais, l’allemand, l’espagnol, l’italien, le néerlandais, le polonais, le portugais, le russe, le japonais, le coréen, le thaï et le chinois. La pastille reprend la seule langue déclarée par la charge de l’API.
anglaisAvis et notes par Aikiwi
Note Globale de Teachable Machine 4,4
Teachable Machine crée des modèles directement dans le navigateur pour classer des images, des sons ou des postures, puis les exporte en TensorFlow.js, TensorFlow ou TensorFlow Lite. Les projets s’enregistrent et se rouvrent depuis Google Drive.
Teachable Machine convient aux enseignants, aux élèves, aux artistes, aux makers et à toute personne qui veut comprendre l’apprentissage automatique en le pratiquant. Les projets mis en avant par l’éditeur vont du trieur d’objets sur Arduino à la communication assistée, en passant par la manette de jeu en papier.
Teachable Machine se prête à un essai immédiat, sans compte ni carte, pour vérifier qu’un modèle simple peut être entraîné, évalué puis exporté dans la foulée. L’éditeur le présente comme une expérience et non comme un produit officiel : pas d’API de service, pas de page de statut, un support par FAQ, e-mail et GitHub.
Avis détaillé sur Teachable Machine
Design et Ergonomie 4,0
Teachable Machine n’apporte pas de preuve publique sur la clarté de son interface au-delà de ses captures et de ses tutoriels vidéo : la fiche constate un outil web en trois colonnes, classes, entraînement, aperçu, sans documentation d’accessibilité ni de parcours. Pour un lecteur qui cherche un environnement simple à prendre en main, cette absence de description ergonomique impose de juger sur l’usage visible plutôt que sur une interface documentée. L’accueil traduit en français et les vidéos intégrées plaident pour une prise en main directe, mais rien dans les faits publiés ne mesure le confort d’écran ou la finesse de navigation.
Facilité d’Utilisation 4,5
Teachable Machine s’appuie sur un enchaînement très court : recueillir des exemples, entraîner, tester dans le navigateur. L’absence de compte, de code et d’installation abaisse nettement la barrière d’entrée, et la FAQ de l’éditeur guide les premiers pas avec des projets de démarrage. Pour un public non technique, cette logique réduit le temps avant le premier résultat utile ; pour un atelier pédagogique, elle transforme une notion abstraite en manipulation directe sans préparation lourde.
Fonctionnalités et Outils 4,6
Teachable Machine couvre les images, les sons et les postures, accepte des captures en direct ou des fichiers, affiche les graphiques d’entraînement et les réglages avancés, puis exporte des modèles TensorFlow.js, TensorFlow et TensorFlow Lite jusqu’aux microcontrôleurs. L’outil dépasse donc le simple démonstrateur et donne une chaîne complète, de l’entraînement à la réutilisation dans un projet réel. L’hébergement du modèle sur une URL, la sauvegarde dans Google Drive et les bibliothèques JavaScript élargissent les cas d’usage, notamment pour le code créatif et les dispositifs physiques.
Performance et Fiabilité 4,0
Teachable Machine ne publie ni page de statut, ni historique d’incidents, ni engagement de disponibilité, et son éditeur la présente comme une expérience maintenue au mieux plutôt que comme un produit à part entière. Les faits décrivent un entraînement local dans le navigateur et un export des projets, mais pas la régularité du service d’hébergement des modèles ni la stabilité des temps de réponse. Pour l’utilisateur, l’outil paraît adapté à un usage pédagogique ou à un prototype, mais la robustesse opérationnelle ne peut pas être appréciée à partir des éléments publiés ; un usage continu demanderait une vérification séparée.
Innovation et Singularité 4,6
Teachable Machine se distingue par une approche très directe du machine learning, sans code, dans le navigateur, avec entraînement immédiat et export de modèles utilisables ailleurs. L’apprentissage par transfert sur MobileNet et Speech Command Recognizer, expliqué dans la FAQ, relie apprentissage, test et réemploi dans une même expérience, à la frontière entre initiation pédagogique et prototypage concret. L’outil apporte une passerelle utile entre l’idée, l’expérimentation et l’intégration dans des projets web, créatifs ou matériels, sans demander un environnement de développement.
Support et Ressources Disponibles 4,4
Teachable Machine s’appuie sur une FAQ traduite, une adresse e-mail dédiée, un formulaire d’avis, un dépôt GitHub avec ses issues et une playlist de tutoriels intégrée à l’outil. L’ensemble donne plusieurs points d’entrée pour comprendre l’outil, documenter un projet et signaler un problème, plus structuré qu’un simple formulaire isolé. Pour un utilisateur autonome, cette combinaison suffit ; l’éditeur prévient toutefois que le support se fait au mieux, sans accompagnement personnalisé ni engagement de réponse.
Rapport Qualité-Prix 4,7
Teachable Machine est gratuit de bout en bout, sans compte ni carte, et sans palier payant caché : l’entraînement, les graphiques, la sauvegarde dans Google Drive, l’export et l’hébergement du modèle sont ouverts à tous. Pour quelqu’un qui cherche un outil d’apprentissage ou de prototypage sans coût initial, la valeur est forte parce que l’accès de base fait déjà tout le travail. Les limites tiennent à la nature de l’outil, extraits sonores brefs, pas d’API de service, pas de version mobile, et non à un tarif.
Questions fréquentes
C’est quoi Teachable Machine ?
Teachable Machine est un outil web gratuit de Google Creative Lab qui entraîne dans le navigateur un modèle qui reconnaît des images, des sons ou des postures, sans écrire de code. Tu classes tes exemples, tu entraînes le modèle d’un clic, puis tu l’exportes en TensorFlow.js pour un site, une application ou un objet connecté.
Quel est le prix de Teachable Machine ?
Teachable Machine ne coûte rien : le site n’a aucune page de prix, aucun palier payant et n’affiche aucun montant. L’entraînement, l’enregistrement dans Google Drive, l’export et l’hébergement du modèle sur les serveurs de Google sont tous sans frais, comme le détaille le tableau des prix.
Existe-t-il une version gratuite de Teachable Machine ?
Oui, Teachable Machine est entièrement gratuit et n’a pas d’autre version. La FAQ de l’éditeur le dit : on ouvre le site, on clique sur Commencer, et aucun compte ni connexion n’est demandé ; seul l’enregistrement du projet dans Google Drive passe par un compte Google.
Faut-il un compte pour utiliser Teachable Machine ?
Non, Teachable Machine s’utilise sans compte ni connexion pour recueillir des exemples, entraîner un modèle, le tester et l’exporter. Une connexion à Google Drive n’est demandée que si tu veux enregistrer ton projet pour le rouvrir plus tard ou le partager par un fichier.
Teachable Machine est-il disponible en français ?
Oui, Teachable Machine affiche son accueil, son interface d’entraînement et sa FAQ en français depuis la France, grâce au sélecteur de langue placé dans l’en-tête du site. Ce sélecteur propose aussi l’anglais et d’autres langues d’Europe et d’Asie.
Qui édite Teachable Machine ?
Teachable Machine est édité par Google, au sein de son équipe Google Creative Lab, avec la collaboration des studios Støj et Use All Five et de l’équipe PAIR de Google pour la première version. Sur GitHub, l’éditeur présente l’outil comme une expérience maintenue au mieux, pas comme un produit officiel.
Teachable Machine existe-t-il sur mobile ?
Non, Google ne publie aucune application mobile pour Teachable Machine, qui se pratique dans le navigateur d’un ordinateur. L’application « TeachableMachine » proposée sur l’App Store est éditée par un tiers, Robocar Ltd, et ne fait pas partie de l’outil de Google.
Où va mon modèle quand je l’exporte depuis Teachable Machine ?
Teachable Machine te laisse le choix : télécharger le modèle sur ton ordinateur, ou le publier sur les serveurs de Google qui te rendent une URL partageable. Dans les deux cas, seul le modèle part ; les échantillons qui l’ont entraîné restent sur ton appareil ou dans ton Google Drive.