基于dickreuter/Poker项目的扑克牌识别神经网络训练教程-CSDN博客

基于dickreuter/Poker项目的扑克牌识别神经网络训练教程

项目概述

dickreuter/Poker项目是一个专注于扑克牌识别和分类的计算机视觉项目，它使用深度学习技术来识别扑克牌。本教程将详细介绍如何使用该项目中的神经网络模型进行扑克牌识别训练。

环境准备

首先需要设置必要的目录结构和导入相关库：

import logging
log = logging.getLogger(__name__)

# 定义数据集目录
SCRAPER_DIR = 'pics'
TRAIN_FOLDER = 'pics/train_cards'  # 训练集目录
VALIDATE_FOLDER = 'pics/validate_cards'  # 验证集目录
TEST_FOLDER = 'pics/test_cards'  # 测试集目录

神经网络模型导入

项目使用自定义的CardNeuralNetwork类来处理扑克牌识别：

import sys
import os

# 添加项目路径
sys.path.insert(0, os.path.abspath('..'))
from poker.scraper.table_scraper_nn import CardNeuralNetwork

数据准备与模型训练

1. 数据增强

在训练前，项目会先创建增强后的图像数据，这有助于提高模型的泛化能力：

table_name = "test"
log.info(f"Start training for {table_name}")

n = CardNeuralNetwork()
log.info(f"Creating augmented images in {TRAIN_FOLDER}")
n.create_augmented_images(table_name)

2. 模型训练

训练过程显示模型能够有效学习扑克牌特征：

n.train_neural_network()

训练输出示例：

Epoch 1/50
199/199 [==============================] - 20s 96ms/step - loss: 3.1090 - accuracy: 0.1287 - val_loss: 2.7084 - val_accuracy: 0.2593
Epoch 2/50
199/199 [==============================] - 18s 91ms/step - loss: 1.4316 - accuracy: 0.5396 - val_loss: 1.3452 - val_accuracy: 0.6046
...
Epoch 25/50
199/199 [==============================] - 19s 95ms/step - loss: 0.0487 - accuracy: 0.9874 - val_loss: 0.1245 - val_accuracy: 0.9708

3. 模型评估

最终模型在验证集上达到了很高的准确率：

Validation loss: 0.12174148112535477
Validation accuracy: 0.9701021909713745

模型架构分析

该神经网络采用了经典的卷积神经网络结构：

卷积层：多组卷积层用于提取图像特征
池化层：最大池化减少参数数量
Dropout层：防止过拟合
全连接层：最终分类

模型总参数达到6,444,660个，具有强大的特征提取能力。

模型保存与分享

训练完成后，可以将模型推送到模型仓库：

from huggingface_hub import push_to_hub_keras

token = ''  # 需要填写有效的token
push_to_hub_keras(n.model, 
    "dickreuter/poker-card-classification", token=token,
    tags = ["poker-card-classification", "pokerbot"]
)