使用Tensorflow+OpenCV構(gòu)建會(huì)玩石頭剪刀布的AI
我已經(jīng)使用DenseNet121模型進(jìn)行特征提取,其輸出最終將輸入到我自己的Dense神經(jīng)網(wǎng)絡(luò)中。
densenet = DenseNet121(include_top=False, weights='imagenet', classes=3,input_shape=(300,300,3))
densenet.trainable=True
def genericModel(base):
model = Sequential()
model.a(chǎn)dd(base)
model.a(chǎn)dd(MaxPool2D())
model.a(chǎn)dd(Flatten())
model.a(chǎn)dd(Dense(3,activation='softmax'))
model.compile(optimizer=Adam(),loss='categorical_crossentropy',metrics=['acc'])
return model
dnet = genericModel(densenet)
history = dnet.fit(
x=imgData,
y=labels,
batch_size = 16,
epochs=8,
callbacks=[checkpoint,es],
validation_split=0.2
)
關(guān)鍵點(diǎn) :由于我們的圖片尺寸為300x300,因此指定的輸入形狀也為3x300x300,3代表RGB的維度信息,因此該層具有足夠的神經(jīng)元來(lái)處理整個(gè)圖像。我們將DenseNet層用作第一層,然后使用我們自己的Dense神經(jīng)網(wǎng)絡(luò)。我已將可訓(xùn)練參數(shù)設(shè)置為T(mén)rue,這也會(huì)重新訓(xùn)練DenseNet的權(quán)重。盡管花了很多時(shí)間,但是這給了我更好的結(jié)果。我建議你在自己的實(shí)現(xiàn)中嘗試通過(guò)更改此類(lèi)參數(shù)(也稱(chēng)為超參數(shù))來(lái)嘗試不同的迭代。由于我們有3類(lèi)Rock-Paper-Scissor,最后一層是具有3個(gè)神經(jīng)元和softmax激活的全連接層。最后一層返回圖像屬于3類(lèi)中特定類(lèi)的概率。如果你引用的是GitHub repo(https://github.com/HOD101s/RockPaperScissor-AI-) 的train.py,則要注意數(shù)據(jù)準(zhǔn)備和模型訓(xùn)練!至此,我們已經(jīng)收集了數(shù)據(jù),建立并訓(xùn)練了模型,剩下的部分是使用OpenCV進(jìn)行部署OpenCV實(shí)現(xiàn):此實(shí)現(xiàn)的流程很簡(jiǎn)單:?jiǎn)?dòng)網(wǎng)絡(luò)攝像頭并讀取每個(gè)幀將此框架傳遞給模型進(jìn)行分類(lèi),即預(yù)測(cè)類(lèi)用電腦隨意移動(dòng)計(jì)算分?jǐn)?shù)def prepImg(pth):
return cv2.resize(pth,(300,300)).reshape(1,300,300,3)
with open('model.json', 'r') as f:
loaded_model_json = f.read()
loaded_model = model_from_json(loaded_model_json)
loaded_model.load_weights("modelweights.h5")
print("Loaded model from disk")
for rounds in range(NUM_ROUNDS):
pred = ""
for i in range(90):
ret,frame = cap.read()
# Countdown
if i//20 < 3 :
frame = cv2.putText(frame,str(i//20+1),(320,100),cv2.FONT_HERSHEY_SIMPLEX,3,(250,250,0),2,cv2.LINE_AA)
# Prediction
elif i/20 < 3.5:
pred = arr_to_shape[np.a(chǎn)rgmax(loaded_model.predict(prepImg(frame[50:350,100:400])))]
# Get Bots Move
elif i/20 == 3.5:
bplay = random.choice(options)
print(pred,bplay)
# Update Score
elif i//20 == 4:
playerScore,botScore = updateScore(pred,bplay,playerScore,botScore)
break
cv2.rectangle(frame, (100, 150), (300, 350), (255, 255, 255), 2)
frame = cv2.putText(frame,"Player : {} Bot : {}".format(playerScore,botScore),(120,400),cv2.FONT_HERSHEY_SIMPLEX,1,(250,250,0),2,cv2.LINE_AA)
frame = cv2.putText(frame,pred,(150,140),cv2.FONT_HERSHEY_SIMPLEX,1,(250,250,0),2,cv2.LINE_AA)
frame = cv2.putText(frame,"Bot Played : {}".format(bplay),(300,140),cv2.FONT_HERSHEY_SIMPLEX,1,(250,250,0),2,cv2.LINE_AA)
cv2.imshow('Rock Paper Scissor',frame)
if cv2.waitKey(1) & 0xff == ord('q'):
break
上面的代碼片段包含相當(dāng)重要的代碼塊,其余部分只是使游戲易于使用,RPS規(guī)則和得分。所以我們開(kāi)始加載我們訓(xùn)練過(guò)的模型,它在開(kāi)始程序的預(yù)測(cè)部分之前顯示倒計(jì)時(shí),預(yù)測(cè)后,分?jǐn)?shù)會(huì)根據(jù)球員的動(dòng)作進(jìn)行更新。
我們使用cv2.rectangle()顯式地繪制目標(biāo)區(qū)域,使用prepImg()函數(shù)預(yù)處理后,只有幀的這一部分傳遞給模型進(jìn)行預(yù)測(cè)。
結(jié)論:我們已經(jīng)成功地實(shí)現(xiàn)并學(xué)習(xí)了這個(gè)項(xiàng)目的工作原理,所以請(qǐng)繼續(xù)使用我的實(shí)現(xiàn)進(jìn)行其它實(shí)驗(yàn)學(xué)習(xí)。我做的一個(gè)主要的改進(jìn)可能是增加了手部檢測(cè),所以我們不需要顯式地繪制目標(biāo)區(qū)域,模型將首先檢測(cè)手部位置,然后進(jìn)行預(yù)測(cè)。我鼓勵(lì)你改進(jìn)這個(gè)項(xiàng)目,并給我你的建議。精益求精!
發(fā)表評(píng)論
請(qǐng)輸入評(píng)論內(nèi)容...
請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字
最新活動(dòng)更多
-
即日-10.29立即報(bào)名>> 2024德州儀器嵌入式技術(shù)創(chuàng)新發(fā)展研討會(huì)
-
10月31日立即下載>> 【限時(shí)免費(fèi)下載】TE暖通空調(diào)系統(tǒng)高效可靠的組件解決方案
-
即日-11.13立即報(bào)名>>> 【在線會(huì)議】多物理場(chǎng)仿真助跑新能源汽車(chē)
-
11月14日立即報(bào)名>> 2024工程師系列—工業(yè)電子技術(shù)在線會(huì)議
-
12月19日立即報(bào)名>> 【線下會(huì)議】OFweek 2024(第九屆)物聯(lián)網(wǎng)產(chǎn)業(yè)大會(huì)
-
即日-12.26火熱報(bào)名中>> OFweek2024中國(guó)智造CIO在線峰會(huì)
推薦專(zhuān)題
-
10 百度搜索,正在被平替
- 1 Intel宣布40年來(lái)最重大轉(zhuǎn)型:年底前裁員15000人、拋掉2/3房產(chǎn)
- 2 因美封殺TikTok,字節(jié)股價(jià)骨折!估值僅Meta1/5
- 3 宏山激光重磅發(fā)布行業(yè)解決方案,助力智能制造產(chǎn)業(yè)新飛躍
- 4 國(guó)產(chǎn)AI芯片公司破產(chǎn)!白菜價(jià)拍賣(mài)
- 5 具身智能火了,但規(guī)模落地還需時(shí)間
- 6 三次錯(cuò)失風(fēng)口!OpenAI前員工殺回AI編程賽道,老東家捧金相助
- 7 國(guó)產(chǎn)英偉達(dá)們,抓緊沖刺A股
- 8 英特爾賦能智慧醫(yī)療,共創(chuàng)數(shù)字化未來(lái)
- 9 英偉達(dá)的麻煩在后頭?
- 10 將“網(wǎng)紅”變成“商品”,AI“爆改”實(shí)力拉滿
- 高級(jí)軟件工程師 廣東省/深圳市
- 自動(dòng)化高級(jí)工程師 廣東省/深圳市
- 光器件研發(fā)工程師 福建省/福州市
- 銷(xiāo)售總監(jiān)(光器件) 北京市/海淀區(qū)
- 激光器高級(jí)銷(xiāo)售經(jīng)理 上海市/虹口區(qū)
- 光器件物理工程師 北京市/海淀區(qū)
- 激光研發(fā)工程師 北京市/昌平區(qū)
- 技術(shù)專(zhuān)家 廣東省/江門(mén)市
- 封裝工程師 北京市/海淀區(qū)
- 結(jié)構(gòu)工程師 廣東省/深圳市