Original title: Detekce typu a bodového ohodnocení kartiček ve hře Hobiti
Authors: Hlinský, Martin ; Kohút, Jan (referee) ; Vaško, Marek (advisor)
Document type: Bachelor's theses
Year: 2024
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [cze] [eng]
Cílem této práce je vytvořit detektor karet, který s využitím umělé generace datové sady dokáže natrénovat model, jenž umožňuje zjistit bodové ohodnocení karty a její typ. K samotnému trénování je využit model YOLOv8. Prvním krokem je nafocení karet, které se následně zpracovávají tak, aby neobsahovaly pozadí a byly zarovnány. Tyto předzpracované fotky karet se v kombinaci s obrázky z jiných datových sad spojí v generátoru, který karty náhodně rozmisťuje, otáčí a simuluje fotky reálných případů. Výstupem tohoto generátoru je v případě hry Hobiti ideálně zhruba 50 000 obrázků, avšak v rámci experimentů jsou porovnávány různé velikosti datasetu a předtrénovaných váh. Poslední generace natrénovaných detektorů byla validována na reálné datové sadě za účelem nezaujatého testování a nejpřesnější model trénovaný na čistě syntetických datasetech dosáhl přesnosti až 81,5 % podle metriky 50. Na finálním detektoru je pak možné implementovat například počítadlo bodů, jehož prototyp je v této práci rovněž popsán. This thesis aims to create a card detector that can train a model that can detect the score of a card and its type using the synthetic generation of the dataset. The YOLOv8 model is used for training. The first step is to take pictures of the cards, which then go through a pre-processing stage so they do not contain background and are aligned. These pre-processed card images are combined with photos from other datasets in a generator that randomly translates, rotates, and otherwise simulates photos of possible card placements. This generator’s output is roughly 50 000 annotated images in the case of the Hobiti game, but different dataset sizes and pre-trained weights are compared in the experiments. The latest generation of trained detectors was validated on a real dataset for unbiased testing, and the most accurate model trained on purely synthetic datasets achieved precision up to 81.5 % according to the 50 metric. It is then possible to implement, for example, a point counter on the final detector, a prototype of which is also described in this paper.
Keywords: card detection; computer vision; counter; detector; generator; object detection; one-stage; Python; synthetic dataset; yolo; YOLOv8; detekce karet; detekce objektů; detektor; generátor; one-stage; počítadlo; počítačové vidění; Python; umělá datová sada; yolo; YOLOv8

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: https://hdl.handle.net/11012/247855

Permalink: http://www.nusl.cz/ntk/nusl-619707


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses