本文介绍用飞桨PaddleDetection框架零编码实现《明日方舟》每日轮换任务检测。先下载安装该框架，建议用AIStudio避免本地安装问题。接着准备数据，替换数据集、修改配置文件，再用GPU训练模型，最后评估效果，检测出任务位置后可结合脚本工具完成任务。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
零编码在手游《明日方舟》中实现目标检测
一、前言
之前分享过使用飞桨强化学习框架PARL玩游戏《明日方舟》。有群友问：“我用OCR检测游戏场景中的文字，然后加上NLP也能实现这个效果！！！”。
的确，在玩游戏这个应用场景下，多种人工智能方法都有可能达到目标。
本文要分享的方法是：采用飞桨PaddleDetection框架，零编码实现。
二、目标定义
一般来说，我们用人工智能，就是想让它帮我们玩游戏。比如我这种上班族，根本没有时间玩。
具体到上图中的目标：《明日方舟》游戏任务页，每日都会更新新的任务。我们当然可以把截屏传递给强化学习算法，让算法学习应该点击哪个任务，最终通过adbutil发出指令来完成任务。
但是有没有比强化学习更巧妙的方法呢？
就让我们一起来取巧吧！！！
三、PaddleDetection实现《明日方舟》每日轮换任务检测
本文分享一种无编码的方法实现《明日方舟》每日轮换任务的目标检测。检测出每日任务的位置后，我们可以直接用App脚本工具完成该任务，实现起来非常简单。
下载PaddleDetection
# 从国内Mirror下载PaddleDetection%cd ~!git clone https://gitee.com/paddlepaddle/PaddleDetection
安装PaddleDetection
%cd ~/PaddleDetection/!python setup.py install!pip install -r requirements.txt
检查PaddleDetection是否安装成功
%cd ~/PaddleDetection/!python ppdet/modeling/tests/test_architectures.py
注意：最简单的方法是用AIStudio，因为本机安装（GPU）可能会遇到以下问题：
智谱AI开放平台
智谱AI大模型开放平台-新一代国产自主通用AI开放平台
85 查看详情 
使用Win10+conda环境，清华源镜像可能会莫名其妙下载失败。使用pip安装，有几个依赖关系需要自行解决，需要你对pip工具有一定熟悉程度才行。如果”家境贫寒”，需要调整batch_size,否则可能报GPU内存大小不够。而初学者找不到参数在哪里改。
AIStudio的使用步骤执行本文后面的“Code部分”即可。
四、数据准备
上传制作好的voc格式的标注数据集到 ~/work下（我已经制作好了，可以直接用）解压~/work/voc.zip，删除原voc文件夹并替换它（PaddleDetection/dataset/voc）拷贝PaddleDetection/configs/yolov3目录下的yolov3_mobilenet_v1_270e_voc.yml文件,复制为arknight_voc.yml修改arknight_voc.yml文件中配置项../dataset/voc.yml为 ../dataset/arknight_voc.yml;修改配置项weights: output/arknight_voc/model_final在PaddleDetection/configs/datasets目录中，复制配置 voc.yml 为 arknight_voc.yml，匹配上一条的改动修改arknight_voc.yml文件中配置map_type为integral;修改配置num_classes: 9; 训练文件名修改为train.txt；测试文件名修改为valid.txt，匹配数据集对应的目录
五、模型训练
开启AIStudio的GPU版本，并允许下面代码，我加了eval参数，你可以看到mAP数值的变化，不知道mAP是啥的同学请百度。
%env PYTHONPATH=/home/aistudio/PaddleDetection%cd /home/aistudio/PaddleDetection/!export CUDA_VISIBLE_DEVICES=0!python -u tools/train.py -c configs/yolov3/arknight_voc.yml --eval
经过大约10多分钟的训练，我们可以获得训练模型
六、评估效果
上传测试图片文件1621734815.679468-1024×576-1.jpg到PaddleDetection/demo目录下执行下面的预测命令，去infer_output目录查看结果
!python tools/infer.py -c configs/yolov3/arknight_voc.yml --infer_img=demo/1621734815.679468-1024x576-1.jpg --output_dir=infer_output/ -o weights=output/arknight_voc/model_final
效果图
七、总结
人工标注voc数据可以用labelImg工具，在Mac和Win都可以安装此软件。num_classes参数表示目标的总的分类数目。本文采用yolov3算法，backbone采用了mobilenet_v1,使用了预训练集。所以你可以看到，我才标注了十几张图片，就可以非常准确的识别到目标了。map_type是一个很容易被忽略的参数，这里我把它设置为integral。目前并没有找到关于这个参数的官方的说明文档。大家依葫芦画瓢设置呗。飞桨升级到2.x版本后，PaddleDetection改动比较大，我之前做过一个可乐瓶检测的项目，比现在麻烦一些，建议大家用2.x以后的PaddleDetection版本。实测用CPU训练是非常慢的，请一定要用GPU版本，百度AIStudio每日赠送的算力完全够用。
附录：可在AIStudio上运行的代码如下：
In [8]
# 下载PaddleDetection%cd ~!git clone https://gitee.com/paddlepaddle/PaddleDetection
In [9]
# 安装%cd ~/PaddleDetection/!python setup.py install!pip install -r requirements.txt
In [10]
%cd ~/PaddleDetection/!python ppdet/modeling/tests/test_architectures.py
上传制作好的voc格式的明日方舟每日轮换数据集到 ~/work下备份 ~/PaddleDetection/dataset/voc 目录解压~/work/voc.zip，删除原voc文件夹并替换它拷贝yolov3_mobilenet_v1_270e_voc.yml,重命名为arknight_voc.yml修改配置项../dataset/voc.yml为 ../dataset/arknight_voc.yml;修改配置项weights: output/arknight/model_finalcd /home/aistudio/PaddleDetection/configs/datasets,复制配置cp voc.yml arknight_voc.yml修改配置map_type为integral;修改配置num_classes: 9; 训练文件名修改为train.txt；测试文件名修改为valid.txtIn [18]
%env PYTHONPATH=/home/aistudio/PaddleDetection%cd /home/aistudio/PaddleDetection/!export CUDA_VISIBLE_DEVICES=0!python -u tools/train.py -c configs/yolov3/arknight_voc.yml --eval
上传测试图片文件1621734815.679468-1024×576-1.jpg到demo目录执行下面的预测命令，去infer_output目录查看结果In [19]
!python tools/infer.py -c configs/yolov3/arknight_voc.yml --infer_img=demo/1621734815.679468-1024x576-1.jpg --output_dir=infer_output/ -o weights=output/arknight_voc/model_final
以上就是零编码在手游《明日方舟》中实现目标检测的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/739038.html
微信扫一扫 
支付宝扫一扫 
