CountPilot 需要「螢幕錄製」權限才看得到牌桌。① 按「打開系統設定」，在清單裡把 CountPilot 打開。② 回來按「重新開啟 CountPilot」—— macOS 規定要重開才會生效。
示範中：這是 2026-09-28 真實牌桌錄下來的 6 分鐘，數字是程式當場算的 —— 不是你現在的牌桌。
算牌的開始和停止完全由你控制，程式不會自己決定。
擷取一開始就會自動讀、自動累積，讓你看得出它在工作 ——
但真數要等你按下「▶ 開始算牌」才會出現，
因為半路加入的計數一定是錯的。
看到荷官洗牌 → 按「▶ 開始算牌」，從那一刻起真數才有意義。
要離座、接電話、換房間 → 按「⏸ 停止算牌」，回來後等下一次洗牌再按開始。
中途退出又重進房間（例如快被踢掉時）→ 回來看一眼畫面：
・還在下注、牌還沒發 → 什麼都沒漏，不用管
・已經在發牌或那一手打完了 → 漏了一整輪（約 20 張），按「▶ 開始算牌」重來
程式分不出這兩種（你離開的 20 秒跟正常換局在畫面上一模一樣），
但你回來時一眼就看得出來。
已累積的靴紀錄
還沒有紀錄。
這個解決「不能一邊玩一邊看數據」的問題。
按下去會開一個小視窗，永遠浮在最上層 ——
遊戲照樣全螢幕，數字浮在角落，兩邊都看得到。
這一頁（辨識在這裡跑）可以完全被遮住沒關係，辨識在背景照樣進行。
浮動視窗可以用滑鼠拖到你順手的位置，也可以拉大拉小。
需要 Chrome 116 以上。
要框哪一區
莊家區不用自己拖框了。等莊家的牌發下來、明牌的點數看得見的時候，
按一次「自動找莊家區」就好 —— 程式會自己掃整張畫面把那個圖層找出來，
比用滑鼠在小小的預覽畫面裡拖精準得多。
換局中間圖層根本沒畫出來，那時候按會說「沒找到」，那是正常的，等發牌了再按一次。
這兩區要分開框，而且不能重疊。
莊家的牌同時出現在左上角的介面圖層和牌桌上，如果兩邊都算一次，
整靴的計數會全錯。所以：莊家區只框左上角那個顯示莊家手牌的小圖層，
玩家區只框牌桌下緣那排玩家的牌，中間那片桌面兩邊都不要框。
莊家區建議用上面的「自動找莊家區」，不要自己拖。
原因是後來實測出來的：讀取器判斷牌的位置時，門檻是「相對於框內最亮那一列」算的，
所以框的大小會改變讀取結果。同一批截圖下去測，
四周留 10~50 像素四張全對，留到 60 像素就有一張的點數讀不出來了 ——
而且那兩張是幾乎一模一樣的畫面，一對一錯。
也就是說手動拖框其實是踩在懸崖邊，差幾個像素就翻船。
自動定位走的是另一條路：用「當初成功找到圖層的那個視窗原尺寸」去讀，
根本沒有「留白多少」這個參數。實測錨點就算偏掉 ±60 像素也還是全對。
（真的要手動拖的話：把整個圖層框進去，四周留 20~40 像素，
上下一定要框完整，不要切到牌的上下緣，也不要框到旁邊的牌靴。）
莊家區：尚未框選
辨識範圍
辨識範圍：整個畫面
在左邊畫面上用滑鼠拖一個框，把發牌那一帶框起來（大概框到莊家的牌和玩家的牌就好）。
框選之外的區域會變暗，那是模型看不到的部分。
為什麼要框：你的螢幕約 2940 像素寬，一張牌只有 77 像素，佔畫面 2.6%；
但模型是用「佔畫面 6~16%」的牌訓練的。整張畫面送進去，牌會被縮到只剩 17 像素、
點數字形只剩 5 像素，根本讀不出來 —— 那是資訊量不夠，調門檻或換大模型都沒用。
框出牌桌之後同一張牌就佔到 6% 左右，正好是模型熟悉的大小，速度也不會變慢。
模型準確率（程式自己出題自己改）
自我測驗：還沒有題目
莊家的牌在畫面上同時有兩份：桌上的實體牌，和左上角的介面圖層。
圖層那一份是遊戲畫上去的，已經驗證到 15/15 全對，所以可以拿來當標準答案。
程式就用它去考模型認不認得桌上那張實體牌 ——
每發一張牌就自動考一題，不需要你標任何答案。
牌被收走之後圖層還會留一下，那種格子模型作答是空的、沒辦法考，
所以另外列出來，不會算成答錯（混在一起算會把 92.6% 誤報成 58%）。
玩家區準確率（用座位上的總點數泡泡當答案）
玩家區考試：還沒有題目
泡泡推算：還沒有資料
泡泡推算是另一條路：不認牌，改用「泡泡數字的變化」算出每一張牌。
13 變成 17 就是拿了一張 4；差 1 一定是 A；差 10 的那一類 Hi-Lo 本來就算同一種，
所以不必分辨是 10 還是 K。
唯一的難處是開局那兩張：泡泡只顯示總和，一個數字兩個未知數。
但泡泡是在第一張牌發下去的時候就出現的，所以只要抓到
「上一刻還沒有泡泡、這一刻有了」那一格，就知道第一張是什麼，第二張再用減法算。
上面那個百分比就是抓到那一刻的比例 —— 這個數字決定這條路能不能取代模型。
現階段只是量測，還沒有餵進計數。
每個有牌的座位上方，遊戲自己會畫一顆寫著總點數的圓圈。
那顆圈圈跟莊家的介面圖層一樣是程式畫上去的，讀出來幾乎不會錯，
所以可以拿它當答案：把模型在那個座位認到的牌加起來，跟圈圈上的數字比。
玩家區一直以來都沒有標準答案可以量，這是第一個能真正量到的數字。
要注意的限制：圈圈只給總和。模型把 4+4 讀成 5+3 時，加起來都是 8，
這種錯誤這裡抓不到 —— 所以這個數字是準確率的上限，真正的只會更低。
泡泡在、但模型一張牌都沒認到（手擋住、牌已收走）另外記成「沒作答」，
不算答錯 —— 混在一起算會低估模型。
自動蒐集訓練資料
已蒐集 0 組真實訓練樣本
這個在你玩的時候自動累積，不用做任何事。
莊家的牌在畫面上同時是「桌上的實體牌」和「左上角的介面圖層」，
而圖層那一份已經驗證 100% 正確 —— 所以每發一張牌，
就自動得到一組「真實牌桌上的照片 + 保證正確的答案」，
完全不需要你標註任何東西。
目前的模型是用合成圖訓練的，跟真實直播畫面有落差（壓縮雜訊、斜角、
陰影、手擋住），這也是信心分數常常只有 60~70% 的原因。
累積幾百組真實樣本之後拿去微調，是讓「認牌」本身變準的治本做法。
條件訂得很嚴，大部分影格會被拒收（張數對不上、分數太低、框超出範圍都不收）。
那是刻意的 —— 錯誤的標籤比沒有標籤更糟，會把模型教壞。
累積到 200 組以上就可以按「匯出」，會下載一個 .json 檔到你的下載資料夾。
這一靴的計數有沒有參考價值
還沒開始算。
150 張以前，真數幾乎不可能跑到 +3 —— 不是算不準，是牌還沒偏。
而這張桌 200 多張就洗，所以真正有價值的窗口是「已發 150~200 張」那一段。
在那之前照基本策略打、下底注就好。
策略建議（輪到誰就算誰）
等輪到某一家。
基本策略是「假設剩下的牌跟全新牌盒一樣」算出來的。
算牌的價值一部分在下注，另一部分就在偏離 ——
剩下的牌明顯偏大或偏小時，有些決定會反過來。
最常用到的是 16 對 10：基本策略要牌，但真數 ≥ 0 就該停牌。
建議旁邊如果寫「不確定」，代表真數離門檻的距離比我們的誤差還小 ——
那個建議我們的精度撐不住，照基本策略打就好。
莊家底牌推算
等莊家的明牌發下來。
用「剩下還有哪些牌」算的。最可能是 10/J/Q/K 這件事幾乎永遠成立
（它本來就佔一副牌的 4/13 ≈ 30.8%），有意義的是現在比 30.8% 高還是低。
真正確定的資訊是「莊家偷看過」：明牌是 A 而這一局還在繼續，
代表底牌一定不是 10（不然早就黑傑克結算了）——那些牌會直接從分母拿掉。
下注時真正該看的是「莊家會爆的機率」，那是算牌唯一能改變的數字。
各點數剩餘張數
數字是「還沒發出來的張數」。顏色越紅代表這個點數消耗得比平均快，
越綠代表還剩很多。
10 / J / Q / K 合成一列：玩家的牌是從總點數泡泡的差算出來的，
只知道是「10 點」，分不出是哪一張 —— 硬要分就得亂猜。
Hi-Lo 本來就把它們當成同一類，所以計數不受影響。
分布檢查：還沒算到任何牌。
（分布檢查只看**莊家**的牌 —— 只有那條路知道是 10 還是 K。）
這一行是辨識品質的體檢。
六副牌裡 13 種點數各有 24 張，所以不管怎麼洗，發出去的牌裡
每種點數的數量都該差不多。如果某一種明顯偏多或偏少，那不是運氣，
是辨識把某些牌讀錯成別的點數了 —— 不需要任何額外的辨識技術就能抓到。
這個統計會跨靴累積。按「洗牌 / 新的一靴」時，算牌的數字會歸零
（那是算牌的規則），但辨識品質的統計會繼續往上疊 ——
因為「辨識會不會讀錯」跟賭場有沒有洗牌完全無關。
這很重要：8 副牌只發到 200 多張就洗牌，單靴的資料量根本不夠。
實測單靴只抓得到 25% 的嚴重誤判，累積三靴變 76%，五靴 97%。
所以要玩個三五靴，這一行才真的有判斷力。
（抓不到的情況：兩種點數剛好對稱地互相讀錯，或是每種點數都被平均漏掉。
所以「這行是綠的」不等於「辨識完全正確」。）
這行會在載入模型後自動更新：如果 model.onnx 不在這個資料夾，按「開始」會切換成
示範模式（隨機資料，不是真的辨識）；載入成功的話這行會變成綠色並註明是真實辨識。