Python基于深度学习yolov5的扑克牌识别（附带源码）

源程序来源于本人参与开发的一个网络扑克牌小游戏的图像识别、AI分析，AI出牌的小项目，做完后和大家分享一下扑克牌自动识别模块制作的过程。

网上有很多识别扑克牌的教程,要么是卖程序的，要么就是只能识别垂直拍摄的牌。我们在实际应用中都需要很准确的识别出扑克牌，不能很大的差错。类似于

https://blog.csdn.net/mao_hui_fei/article/details/119389189

做的我加他的闲鱼号问了下技术细节发现他采用的数据集只有90°垂直拍摄标注的数据集

https://blog.csdn.net/weixin_41082095/article/details/120307644

同类型的博主做的也是针对垂直拍摄的虚拟扑克进行识别，具有很大程度的局限性

1.虚拟环境的搭建

首先第一步是搭建起Python和其他所需的虚拟环境，具体可细分为以下几个步骤：

1.Anaconda的安装，虚拟环境创建及配置

以前作为萌新的时候曾傻乎乎的直接百度装Python、OpenCV，不仅不好安装相关依赖，以后的库也不好装，所以建议参考下面的教程装

https://zhuanlan.zhihu.com/p/423809879

2.下载安装IDE：Pycharm

PyCharm是一款Python IDE，其带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具，比如，调试、语法高亮、Project管理、代码跳转、智能提示

https://blog.csdn.net/qq_44809707/article/details/122501118

3.搭建yolov5所需的虚拟环境以及硬件支持

https://blog.csdn.net/qq_44697805/article/details/107702939

按照上面的链接搭建就可以，需要注意的几点是：

一.如果没有独立显卡的朋友建议安装CPU版本的Pytorch、如果是nvdia显卡的朋友又要细分一下：

1）如果是30系或者是A100的N卡，因为是最新的安培架构，所以CUDA只能装11.0以上的版本，建议和作者选择一样的CUDA11.1。

2）如果是其他系列的N卡，建议装CUDA10.2版本。

二.Pytorch版本的问题，这里我直接放两个安装链接，涵盖了绝大部分情况的需求，对号入座输入指令下载安装即可

1）CPU版本的Pytorch：

pip install -f https://download.pytorch.org/whl/cu110/torch_stable.html torch==1.7.0 torchvision==0.8.0

如果安装速度奇慢无比，或者中途断掉，可以换用以下国内的清华源：

pip install torch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

2）CUDA10.2版本GPU的Pytorch：

conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=10.2 -c pytorch

2）CUDA11.1版本GPU的Pytorch：

conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=11.1 -c pytorch

2.数据集的采集

因此如何收集一个鲁棒性强，包含各种复杂情况的数据集成为一个很棘手的问题，我曾经尝试过闲鱼号的博主，发现他的数据集售价高昂（流下了贫困的泪水┭┮﹏┭┮），没事，咱们自己收集数据集，那么首要的一步就是编写一个爬虫demo，废话不多说，直接贴代码，run运行就能用（ヾ(✿ﾟ▽ﾟ)ノ）

# -*- coding: utf-8 -*-
import re
import requests
from urllib import error
from bs4 import BeautifulSoup
import osnum = 0
numPicture = 0
file = ''
List = []def Find(url, A):global Listprint('正在检测图片总数，请稍等.....')t = 0i = 1s = 0while t < 1000:Url = url + str(t)try:# 这里搞了下Result = A.get(Url, timeout=7, allow_redirects=False)except BaseException:t = t + 60continueelse:result = Result.textpic_url = re.findall('"objURL":"(.*?)",', result, re.S)  # 先利用正则表达式找到图片urls += len(pic_url)if len(pic_url) == 0:breakelse:List.append(pic_url)t = t + 60return sdef recommend(url):Re = []try:html = requests.get(url, allow_redirects=False)except error.HTTPError as e:returnelse:html.encoding = 'utf-8'bsObj = BeautifulSoup(html.text, 'html.parser')div = bsObj.find('div', id='topRS')if div is not None:listA = div.findAll('a')for i in listA:if i is not None:Re.append(i.get_text())return Redef dowmloadPicture(html, keyword):global num# t =0pic_url = re.findall('"objURL":"(.*?)",', html, re.S)  # 先利用正则表达式找到图片urlprint('找到关键词:' + keyword + '的图片，即将开始下载图片...')for each in pic_url:print('正在下载第' + str(num + 1) + '张图片，图片地址:' + str(each))try:if each is not None:pic = requests.get(each, timeout=7)else:continueexcept BaseException:print('错误，当前图片无法下载')continueelse:string = file + r'\\' + keyword + '_' + str(num) + '.jpg'fp = open(string, 'wb')fp.write(pic.content)fp.close()num += 1if num >= numPicture:returnif __name__ == '__main__':  # 主函数入口headers = {'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2','Connection': 'keep-alive','User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:60.0) Gecko/20100101 Firefox/60.0','Upgrade-Insecure-Requests': '1'}A = requests.Session()A.headers = headers###############################tm = int(input('请输入每类图片的下载数量 '))numPicture = tmline_list = []with open('./name.txt', encoding='utf-8') as file:line_list = [k.strip() for k in file.readlines()]  # 用 strip()移除末尾的空格for word in line_list:url = 'https://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&pn='tot = Find(url, A)Recommend = recommend(url)  # 记录相关推荐print('经过检测%s类图片共有%d张' % (word, tot))file = word + '文件'y = os.path.exists(file)if y == 1:print('该文件已存在，请重新输入')file = word + '文件夹2'os.mkdir(file)else:os.mkdir(file)t = 0tmp = urlwhile t < numPicture:try:url = tmp + str(t)# result = requests.get(url, timeout=10)# 这里搞了下result = A.get(url, timeout=10, allow_redirects=False)print(url)except error.HTTPError as e:print('网络错误，请调整网络后重试')t = t + 60else:dowmloadPicture(result.text, word)t = t + 60numPicture = numPicture + tmprint('爬图完毕')

因为是百度图片的url爬取的，所以良莠不齐，咱们挑选效果好的进入下一步标注环节

3.数据集的标注

我们下载一个通用的图像标注工具labelimg，具体的安装使用教程可以参考

https://blog.csdn.net/knighthood2001/article/details/125883343

需要注意的一点就是，因为我们选择的目标检测算法为yolov5，所以在标注前记得将labelimg标注的格式改为YOLO,不然标注完了要么得找格式转换代码，要么得用labelimg每张图切换一下模式（手点断o(╥﹏╥)o）

最终标注好的数据集如下图的样子，标注好的数据集直接文章底部获取，请叫我活雷锋！

4.数据集格式的处理

由于我们标注的时候并不是每张图都标注，只挑选认为效果较好的图像进行标注，所以并非每张图都会生成对应的label（txt），而最终yolo训练所需要的数据集必须是严格的图像——同名的label，一一对应，这就给我们后期处理标注的数据集带来了很大的工作量，稍有出错都会报错，所以我们编写了一个简单的demo来处理labelimg标注完的文件夹，将其中存在一一对应关系的图片挑选出来，并且自动划分为所需比例的训练集和验证集，直接生成yolov5所需格式的训练数据集，废话不多说，直接贴代码

# -*- coding: utf-8 -*-
import os
import shutil
############################designed for yolov5 train#############################
path = './data_input' #存放数据集文件夹，包含images（jpg＆png）labels（txt＆xml）
result = os.listdir(path)
train_file = './data_output' #更改为你的数据集名称
ratio = 2/3 #训练集占数据集的比例
if not os.path.exists(train_file):os.mkdir(train_file)if not os.path.exists(train_file + '/train'):os.mkdir(train_file + '/train')
if not os.path.exists(train_file + '/train/images'):os.mkdir(train_file + '/train/images')
if not os.path.exists(train_file + '/train/labels'):os.mkdir(train_file + '/train/labels')if not os.path.exists(train_file + '/valid'):os.mkdir(train_file + '/valid')
if not os.path.exists(train_file + '/valid/images'):os.mkdir(train_file + '/valid/images')
if not os.path.exists(train_file + '/valid/labels'):os.mkdir(train_file + '/valid/labels')if not os.path.exists(train_file + '/test'):os.mkdir(train_file + '/test')
if not os.path.exists(train_file + '/test/images'):os.mkdir(train_file + '/test/images')
if not os.path.exists(train_file + '/test/labels'):os.mkdir(train_file + '/test/labels')jpg,png,txt,xml =[],[],[],[]try:for i in result:if i[-3:] == 'jpg':jpg.append(i[:-4])if i[-3:] == 'png':png.append(i[:-4])if i[-3:] == 'txt':txt.append(i[:-4])if i[-3:] == 'xml':xml.append(i[:-4])if len(txt) >= len(xml):xml = []else:txt = []if len(jpg) >= len(png):png = []else:jpg = []
except:print(path + '是个空文件夹')if jpg != []:train_num = 0for i in jpg:train_num += 1if (i in txt or i in xml) and train_num <= int(len(jpg)*ratio):shutil.copyfile(path + '/' + i + '.jpg', train_file + '/train/images/' + i + '.jpg')try:shutil.copyfile(path + '/' + i + '.txt', train_file + '/train/labels/' + i + '.txt')except:passtry:shutil.copyfile(path + '/' + i + '.xml', train_file + '/train/labels/' + i + '.xml')except:passif (i in txt or i in xml) and train_num > int(len(jpg)*ratio):shutil.copyfile(path + '/' + i + '.jpg', train_file + '/valid/images/' + i + '.jpg')try:shutil.copyfile(path + '/' + i + '.txt', train_file + '/valid/labels/' + i + '.txt')shutil.copyfile(path + '/' + i + '.txt', train_file + '/test/labels/' + i + '.txt')except:passtry:shutil.copyfile(path + '/' + i + '.xml', train_file + '/valid/labels/' + i + '.xml')shutil.copyfile(path + '/' + i + '.xml', train_file + '/test/labels/' + i + '.xml')except:passif png != []:train_num = 0for i in png:train_num += 1if (i in txt or i in xml) and train_num <= int(len(png)*ratio):shutil.copyfile(path + '/' + i + '.png', train_file + '/train/images/' + i + '.png')try:shutil.copyfile(path + '/' + i + '.txt', train_file + '/train/labels/' + i + '.txt')except:passtry:shutil.copyfile(path + '/' + i + '.xml', train_file + '/train/labels/' + i + '.xml')except:passif (i in txt or i in xml) and train_num > int(len(png)*ratio):shutil.copyfile(path + '/' + i + '.png', train_file + '/valid/images/' + i + '.png')try:shutil.copyfile(path + '/' + i + '.txt', train_file + '/valid/labels/' + i + '.txt')shutil.copyfile(path + '/' + i + '.txt', train_file + '/test/labels/' + i + '.txt')except:passtry:shutil.copyfile(path + '/' + i + '.xml', train_file + '/valid/labels/' + i + '.xml')shutil.copyfile(path + '/' + i + '.xml', train_file + '/test/labels/' + i + '.xml')except:pass

最终处理好的数据集如下图所示（终于完成啦！）

每个文件夹内这样格式

5.模型的训练

打开yolov5代码根目录的train.py，修改--data数据集的位置，--weights训练权重保存的位置，--epochs训练的轮次，--batch-size建议显存小的小伙伴设置为1。然后右键RUN就可以开始训练啦！

6.扑克牌图像/视频的预测

打开yolov5代码根目录的detect.py，修改--weights训练权重保存的位置，--source为你要检测的扑克牌图像或者视频的路径，注意如果不在根目录下记得去掉前面的ROOT，然后右键RUN就可以开始检测啦！

7.扑克牌检测效果展示

完美！\(^o^)/

附上数据集链接：https://download.csdn.net/download/cheng2333333/86405295

完整源码整理完后上传

Python基于深度学习yolov5的扑克牌识别相关推荐

基于深度学习的犬种识别软件（YOLOv5清新界面版，Python代码）
摘要:基于深度学习的犬种识别软件用于识别常见多个犬品种,基于YOLOv5算法检测犬种,并通过界面显示记录和管理,智能辅助人们辨别犬种.本文详细介绍博主自主开发的犬种检测系统,在介绍算法原理的同时,给出 ...
基于深度学习的中文车牌识别与管理系统（含UI界面，Python代码）
摘要:本文详细介绍基于深度学习的中文车牌识别与管理系统,在介绍算法原理的同时,给出Python的实现代码以及PyQt的UI界面.在界面中既可以选择需要识别的车牌视频.图片文件.批量图片进行检测识别,也 ...
基于深度学习的人脸性别识别系统（含UI界面，Python代码）
摘要:人脸性别识别是人脸识别领域的一个热门方向,本文详细介绍基于深度学习的人脸性别识别系统,在介绍算法原理的同时,给出Python的实现代码以及PyQt的UI界面.在界面中可以选择人脸图片.视频进行检 ...
Python基于深度学习的手写数字识别
Python基于深度学习的手写数字识别 1.代码的功能和运行方法 2. 网络设计 3.训练方法 4.实验结果分析 5.结论 1.代码的功能和运行方法代码可以实现任意数字0-9的识别,只需要将图片载入 ...
opencv交通标志识别_教你从零开始做一个基于深度学习的交通标志识别系统
教你从零开始做一个基于深度学习的交通标志识别系统基于Yolo v3的交通标志识别系统及源码自动驾驶之--交通标志识别在本文章你可以学习到如何训练自己采集的数据集,生成模型,并用yolo v3算法 ...
DeepEye：一个基于深度学习的程序化交易识别与分类方法
DeepEye:一个基于深度学习的程序化交易识别与分类方法徐广斌,张伟上海证券交易所资本市场研究所,上海 200120 上海证券交易所产品创新中心,上海 200120 摘要:基于沪市A股交 ...
《基于深度学习的加密流量识别研究》-2022毕设笔记
参考文献: 基于深度学习的网络流量分类及异常检测方法研究_王伟基于深度学习的加密流量分类技术研究与实现_马梦叠基于深度学习的加密流量识别研究综述及展望_郭宇斌基于深度学习的加密流量算法识别研究_ ...
一种基于深度学习的增值税发票影像识别系统
一种基于深度学习的增值税发票影像识别系统-专利技术交底书缩略语和关键术语定义 1.卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构 ...
基于深度学习的农作物病虫害识别系统
1 简介今天向大家介绍一个帮助往届学生完成的毕业设计项目,基于深度学习的农作物病虫害识别系统. ABSTRACT 及时.准确地诊断植物病害,对于防止农业生产的损失和农产品的损失或减少具有重要作用.为 ...

Python基于深度学习yolov5的扑克牌识别