您现在的位置是：主页 > news > 做国外网站调查挣取零花钱/seo关键词优化怎么做

做国外网站调查挣取零花钱/seo关键词优化怎么做

admin2025/4/22 7:05:36【news】

简介做国外网站调查挣取零花钱,seo关键词优化怎么做,国别域名注册,小程序制作怎么导入题库点击左上方蓝字关注我们【飞桨开发者说】曹志浩，PPDE飞桨开发者技术专家，哈尔滨工业大学(深圳) 在读，研究方向为计算机视觉图像与视频处理。嘿，兄弟，下面这个小游戏熟悉吧。 （游戏截图） 这个小…

做国外网站调查挣取零花钱,seo关键词优化怎么做,国别域名注册,小程序制作怎么导入题库点击左上方蓝字关注我们【飞桨开发者说】曹志浩，PPDE飞桨开发者技术专家，哈尔滨工业大学(深圳) 在读，研究方向为计算机视觉图像与视频处理。嘿，兄弟，下面这个小游戏熟悉吧。 （游戏截图） 这个小…

点击左上方蓝字关注我们

【飞桨开发者说】曹志浩，PPDE飞桨开发者技术专家，哈尔滨工业大学(深圳) 在读，研究方向为计算机视觉图像与视频处理。

嘿，兄弟，下面这个小游戏熟悉吧。

（游戏截图）

这个小游戏你是不是自打会走路开始就在玩了呢？但是不是也还是会输给游戏系统得不到高分？不用怀疑自己手残，让我们走进AI的世界，尝试使用飞桨PaddleX开发一款“莫得感情”的自动接球程序，实现一顿让朋友们目瞪口呆、让游戏系统"自我怀疑"的操作吧！

项目效果

项目使用工具简介

飞桨PaddleX是自动接球项目关键算法的生产工具。PaddleX是飞桨推出的全流程、低代码开发工具，集飞桨飞桨智能视觉领域图像分类、目标检测、语义分割、实例分割任务能力，将深度学习开发全流程从数据准备、模型训练与优化到多端部署端到端打通，并提供统一任务API接口及图形化开发界面Demo。开发者无需分别安装不同套件，以低代码的形式即可快速完成飞桨全流程开发。

PaddleX 还沉淀了质检、安防、巡检、遥感、零售、医疗等十多个行业实际经验，并提供丰富的案例实践教程，全程助力开发者产业实践落地。开发者可以依照案例教程来『按图索骥』，快速端到端的实现产业实际项目落地。

案例集详情请参考：

https://paddlex.readthedocs.io/zh_CN/develop/examples/index.html

项目开发过程介绍

本项目代码和文件已全部放在AI Studio，项目链接：

https://aistudio.baidu.com/aistudio/projectdetail/628547

01 安装PaddleX

pip install paddlex -i https://mirror.baidu.com/pypi/simple

02 准备训练数据集

数据集为作者自己录的一段游戏视频，对视频切帧后使用labelImg对每帧图像进行标注，得到训练所需的数据集。这里主要标注两种类别：board（接球的板子）和ball（球）。

（使用labelImg对图片进行标注）

根据官方文档定义的数据集格式：

https://paddlex.readthedocs.io/zh_CN/develop/data/format/detection.html

准备好train_list.txt、val_list.txt、labels.txt。批量生成train_list.txt、val_list.txt的代码：

import os
path1 = 'jpg/'
path2 = 'xml/'# 获取dir
dir1 = os.listdir(path1)f_train = open('train_list.txt', 'w')
f_val = open('val_list.txt', 'w')for i in dir1:if int(i.split('.')[0])%30 == 0:f_val.write(path1+i.split('.')[0]+'.jpg '+path2+i.split('.')[0]+'.xml'+'\n')else:f_train.write(path1+i.split('.')[0]+'.jpg '+path2+i.split('.')[0]+'.xml'+'\n')f_train.close()
f_val.close()

03 导入PaddleX并指定0号GPU卡

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
import paddlex as pdx

04 数据预处理

4.1、数据预处理和数据增强

在PaddleX中，transforms用于定义模型训练和验证过程中，输入图像的处理流程。在训练过程中，使用MixupImage、RandomDistort、RandomExpand等图像增强策略，使得模型的泛化能力更强。

PaddleX中transforms模块参考文档：

https://paddlex.readthedocs.io/zh_CN/develop/apis/transforms/det_transforms.html

from paddlex.det import transforms
train_transforms = transforms.Compose([transforms.MixupImage(mixup_epoch=250),transforms.RandomDistort(),transforms.RandomExpand(),transforms.RandomCrop(),transforms.Resize(target_size=608, interp='RANDOM'),transforms.RandomHorizontalFlip(),transforms.Normalize(),
])
eval_transforms = transforms.Compose([transforms.Resize(target_size=608, interp='CUBIC'),transforms.Normalize(),
])

4.2、数据集的定义

PaddleX中数据集读取模块参考文档：

https://paddlex.readthedocs.io/zh_CN/develop/apis/datasets.html#

由于labelImg标注的数据采用VOC格式保存，因此我们使用paddlex.datasets.VOCDetection接口加载数据集。

train_dataset=pdx.datasets.VOCDetection(data_dir='dataset',file_list='dataset/train_list.txt',label_list='dataset/labels.txt',transforms=train_transforms,shuffle=True)
eval_dataset = pdx.datasets.VOCDetection(data_dir='dataset',file_list='dataset/val_list.txt',label_list='dataset/labels.txt',transforms=eval_transforms)

05 定义YOLOv3网络并开始炼丹

我们使用效果更优的Darknet53作为YOLOv3的Backbone，设定训练过程中的批大小为8，初始学习率为0.0001并采取warmup策略，学习率在第50轮，和90轮时进行衰减，一共训练100轮。

网络结构如下图：

（YOLOv3网络结构）

YOLOv3论文地址：

https://arxiv.org/abs/1804.02767

PaddleX中关于目标检测模型的参考文档：

https://paddlex.readthedocs.io/zh_CN/develop/apis/models/detection.html

num_classes=len(train_dataset.labels)
model=pdx.det.YOLOv3(num_classes=num_classes, backbone='DarkNet53')
model.train(num_epochs=100,train_dataset=train_dataset,train_batch_size=8,eval_dataset=eval_dataset,learning_rate=0.0001,warmup_steps=500,lr_decay_epochs=[50,90],save_interval_epochs=20,save_dir='output/yolov3_darknet53')

06 对模型进行测试

image_name = '0.jpg'
result = model.predict(image_name)
pdx.det.visualize(image_name,result, threshold=0.5, save_dir='PrePicture')

测试结果可视化如下：

07 对游戏进行控制

对截屏得到的游戏画面进行实时推理，预测出board（接球的板子）和ball（球）的位置后，通过python操控鼠标移动board，使得board和ball的中心点在同一条竖线上，这样就能保证board永远能接到ball了。

可视化说明如下：

控制代码：

if __name__ == '__main__':# 定义参数distance = 1      # 鼠标移动distance距离，可以调整image_name = '0.jpg'          # 截屏得到的图片# 启动火狐浏览器driver = selenium.webdriver.Firefox()while True:window_capture(image_name)result = model.predict(image_name)# 计算球的中心和板子的中心center_x1 = result[0]['bbox'][0]+result[0]['bbox'][2]/2center_y1 = result[0]['bbox'][1]+result[0]['bbox'][3]/2center_x2 = result[1]['bbox'][0]+result[1]['bbox'][2]/2center_y2 = result[1]['bbox'][1]+result[1]['bbox'][3]/2# 实现控制if(center_x1>center_x2):driver.execute(Command.MOVE_TO,{'xoffset':distance,'yoffset':0})else:driver.execute(Command.MOVE_TO,{'xoffset':-distance,'yoffset':0})

项目小结

感谢飞桨平台提供丰富的深度学习资源，让AI替代我与朋友玩游戏的愿望得以实现。大家也可以尝试使用飞桨PaddleX实现更多好玩的游戏，例如下面这些：