Rock Paper Scissors

🚀 石頭剪刀布目標檢測模型

本模型由FRC團隊578創建，是一個基於YOLO v10的小型目標檢測模型，專門為教學目的而訓練，旨在向學生展示目標檢測模型的工作原理。

🚀 快速開始

安裝依賴

pip install ultralytics
pip install huggingface_hub

使用示例

基礎用法

from ultralytics import YOLO
from huggingface_hub import hf_hub_download
from matplotlib import pyplot as plt

# 從我們的倉庫加載權重
model_path = hf_hub_download(
    local_dir=".",
    repo_id="fairportrobotics/rock-paper-scissors",
    filename="model.pt"
)
model = YOLO(model_path)

# 加載測試圖像
sample_path = hf_hub_download(
    local_dir=".",
    repo_id="fairportrobotics/rock-paper-scissors",
    filename="sample.jpg"
)

# 進行預測
res = model.predict(
    source=sample_path,
    project='.',
    name='detected',
    exist_ok=True,
    save=True,
    show=False,
    show_labels=True,
    show_conf=True,
    conf=0.5
)

plt.figure(figsize=(15,10))
plt.imshow(plt.imread('detected/sample.jpg'))
plt.show()

高級用法

使用網絡攝像頭進行即時檢測：

from ultralytics import YOLO
import cv2
import math 
from huggingface_hub import hf_hub_download

# 啟動網絡攝像頭
cap = cv2.VideoCapture(0)
cap.set(3, 640)
cap.set(4, 480)

# 從我們的倉庫加載權重
model_path = hf_hub_download(
    local_dir=".",
    repo_id="fairportrobotics/rock-paper-scissors",
    filename="model.pt"
)
model = YOLO(model_path)

# 目標類別
classNames = ["rock", "paper", "scissors"]

while True:
    success, img = cap.read()
    results = model(img, stream=True)

    # 座標
    for r in results:
        boxes = r.boxes

        for box in boxes:
            # 邊界框
            x1, y1, x2, y2 = box.xyxy[0]
            x1, y1, x2, y2 = int(x1), int(y1), int(x2), int(y2) # 轉換為整數值

            # 在攝像頭畫面上繪製框
            cv2.rectangle(img, (x1, y1), (x2, y2), (255, 0, 255), 3)

            # 置信度
            confidence = math.ceil((box.conf[0]*100))/100

            # 類別名稱
            cls = int(box.cls[0])

            # 目標詳細信息
            org = [x1, y1]
            font = cv2.FONT_HERSHEY_SIMPLEX
            fontScale = 1
            color = (255, 0, 0)
            thickness = 2

            cv2.putText(img, classNames[cls] + " " + str(round(confidence,2)), org, font, fontScale, color, thickness)

    cv2.imshow('Webcam', img)
    if cv2.waitKey(1) == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

✨ 主要特性

• 教育用途：專為教學設計，幫助學生理解目標檢測模型的工作原理。
• YOLO v10架構：基於先進的YOLO v10小型模型。

📦 安裝指南

使用pip安裝所需的庫：

pip install ultralytics
pip install huggingface_hub

📚 詳細文檔

訓練數據

該模型在網上收集的100張圖像上進行訓練，未對圖像進行任何增強處理。

評估指標

📄 許可證

本項目採用GPL許可證。