Featured image of post 『 YOLOv5 』死神VS火影 | 2D目标检测

『 YOLOv5 』死神VS火影 | 2D目标检测

NIIT 暑期实习课后作业

2D-object-detection-Bleach-vs-Naruto

《死神VS火影》| 试用 YOLOv5 完整体验自建数据集,训练模型,参数调优,最后实现 2D 目标检测的全过程。

Demo

🚀See more demo

Background

NIIT 暑期实习课后作业。

Install

Download Project

Clone 项目,使用 Pycharm 启动工程 🚀 See Github Homepage

Download Game [optional]

获取《死神vs火影 3.3》FLASH 游戏本体

链接:https://pan.baidu.com/s/1gjYlIzwjsYKDt8-cq1AqhA

提取码:5dyt

Download BVN-Network [optional]

获取欠优化的序列模型,可直接用于预测任务

链接:https://pan.baidu.com/s/12Re3w9V56z-J-0LGCPK_IQ

提取码:digz

Download Database [optional]

获取作者手动标注的数据集(未经数据增强);包含录制的游戏视频及分割成帧的游戏图片,视频分割成帧的.py 脚本,官方贴图(人物模型),images 图片数据集及其对应的 labels 标注集(使用 make-sense 导出)

链接:https://pan.baidu.com/s/1o64LCXUk9LR85ipCR9-cSw

提取码:7qqa

Usage

Clone 项目后,请标记 databasegame 目录为“排除”,network 为“运行根”。

./network 为运行根启动 Terminal,执行 detect.py 进行预测:

1
2
#!/2D-object-detection-Bleach-vs-Naruto/network
python detect.py

执行结果缓存到目录 ./network/runs/detect/exp[number]

Project Tree

如下为本项目的工程结构。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
2D-object-detection-Bleach-vs-Naruto
 ├── database
    ├── captures
    ├── images
    ├── labels
    └── role_map
 ├── game
    └── 死神vs火影3.3
 ├── LICENSE
 ├── network
    ├── data
    ├── detect.py
    ├── export.py
    ├── hubconf.py
    ├── LICENSE
    ├── models
    ├── requirements.txt
    ├── runs
    ├── train.py
    ├── utils
    └── val.py
 └── README.md
  • ./database 存放训练数据

    • ./database/captures:游戏录屏文件的存放目录

    • ./database/images:游戏录屏文件切割成帧后的图片存放目录

    • ./database/labels:图片帧的标注集(与images一一对应)

    • ./database/role_map:预存放的游戏人物贴图,包含角色一户(卍解)以及漩涡鸣人

  • ./game 存放《死神vs火影3.3》FLASH 游戏本体

    Windows 客户端直接运行./game/死神vs火影3.3/launch.exe 进入游戏。

  • ./network 目录仿制 YOLOv5 编排

    • ./network/data 存放需要执行预测任务的素材(如:图片、视频)

      • ./network/data/images:需要执行预测任务的图片存放目录
      • ./network/data/video:需要执行预测任务的视频存放目录
      • ./network/data/BleachVsNaruto.yaml:引导模型训练所用数据集路径的配置文件
    • ./network/models 存放yolo基准模型参数

    • ./network/utils 存放构建网络的必要工具

    • ./network/runs 存放网络运行缓存

      • ./network/runs/detect:由 detect.py 预测任务产生的输出,与所选择的 ./network/data/ 资源一一对应

      • ./network/runs/train:由 train.py 训练任务产生的输出,存放导出的模型、网络收敛图以及各种评价指标图

        ./network/runs/train/bvn-base/weights/ 中存放了欠优化的序列模型,可直接用于预测任务。

    • ./network/detect.py 预测任务的启动接口

    • ./network/train.py 训练任务的启动接口

comments powered by Disqus
You will to enjoy grander sight / By climing to a greater height.