首页 > 营销学院 > AI智能

零编码在手游《明日方舟》中实现目标检测

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：

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1621734815.679468-1024x576-1.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_final
cd /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.txt

In [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1621734815.679468-1024x576-1.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

# 算法 # 目录下 # 好了 # 都有 # 依葫芦画瓢 # 是一个 # 新新 # 你可以 # 上传 # 玩游戏 # 明日 # ocr # nlp # 人工智能 # python # map # conda # pip # igs # pip安装 # 清华源 # 明日方舟 # 百度 # ai # win10 # 工具 # git