Python|【AI出牌器】第一次见这么“刺激”的斗地主，胜率高的关键因素竟是...... 游戏|python|opencv|AI出牌器|斗地

前言

作者：“程序员梨子”
**文章简介 **：本篇文章主要制作一款AI斗地主自动出牌器啦。
【Python|【AI出牌器】第一次见这么“刺激”的斗地主，胜率高的关键因素竟是......】 **文章源码获取 **：为了感谢每一个关注我的小可爱每篇文章的项目源码都是无偿分
享滴
点这里蓝色这行字体自取，需要什么源码记得说标题名字哈！私信我也可！
欢迎小伙伴们点赞、收藏?、留言

文章图片

正文作为一款全民休闲娱乐游戏，斗地主从来不缺少关注。

Python|【AI出牌器】第一次见这么“刺激”的斗地主，胜率高的关键因素竟是......

文章图片

小编闲暇之余就喜欢斗斗地主，开个小黑，还记得大学的时候一个宿舍可以开两桌子啦~哈哈
哈.jpg 作为小粉丝，小编今天带大家写一款AI出牌器！从此赢取海量“财富”，走上人生巅峰！

一、效果展示

文章图片
出牌器效果——

文章图片

二、代码步骤第三方库配置

torch==1.9.0 GitPython==3.0.5 gitdb2==2.0.6 PyAutoGUI==0.9.50 PyQt5==5.13.0 PyQt5-sip==12.8.1 Pillow>=5.2.0 opencv-python rlcard

1）思路解析
UI设计排版布局——

显示三张底牌显示AI角色出牌数据区域，上家出牌数据区域，下家出牌数据区域，本局胜率区域 AI玩家手牌区域 AI出牌器开始停止

手牌和出牌数据识别——

游戏刚开始根据屏幕位置，截图识别AI玩家手牌及三张底牌确认三者之间的关系，识别地主和农民角色，确认队友及对手关系识别每轮三位玩家依次出了什么牌，刷新显示对应区域

AI出牌方案输出——

加载训练好的AI模型，初始化游戏环境每轮出牌判断，根据上家出牌数据给出最优出牌决策自动刷新玩家剩余手牌和本局胜率预测

2）代码解析
使用的是pyqt5，进行简单的UI布局设计，核心代码如下：

def retranslateUi(self, Form): _translate = QtCore.QCoreApplication.translate Form.setWindowTitle(_translate("Form", "AI欢乐斗地主")) self.WinRate.setText(_translate("Form", "胜率：--%")) self.InitCard.setText(_translate("Form", "开始")) self.UserHandCards.setText(_translate("Form", "手牌")) self.LPlayedCard.setText(_translate("Form", "上家出牌区域")) self.RPlayedCard.setText(_translate("Form", "下家出牌区域")) self.PredictedCard.setText(_translate("Form", "AI出牌区域")) self.ThreeLandlordCards.setText(_translate("Form", "三张底牌")) self.Stop.setText(_translate("Form", "停止"))

实现效果如下：

文章图片

识别AI玩家手牌及三张底牌。
我们可以截取游戏屏幕的固定位置，送入训练好的YOLOv5网络，来识别当前AI玩家的手牌和三张
底牌。核心代码如下：

def find_three_landlord_cards(self, pos): three_landlord_cards_real = "" img = pyautogui.screenshot(region=pos) three_landlord_cards_real=detect_cards(img) return three_landlord_cards_real def find_my_cards(self, pos): user_hand_cards_real = "" img = pyautogui.screenshot(region=pos) # img2 = color.rgb2gray(img) user_hand_cards_real=detect_cards(img) return user_hand_cards_real

def detect_cards(img): path="datas\cards.png" img.save(path) raw_cards=detect(source=path) replace_cards=[replace_num[i] if i in replace_num else i for i in raw_cards] list_cards = sorted(replace_cards, key=lambda x: ranks_value[x]) cards=("".join(list_cards)) return cards def detect() # Initialize set_logging() # device = select_device(device) device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")#若有gpu可用则用gpu # half &= device.type != 'cpu'# half precision only supported on CUDA w = weights[0] if isinstance(weights, list) else weights classify, pt, onnx = False, w.endswith('.pt'), w.endswith('.onnx')# inference type stride, names = 64, [f'class{i}' for i in range(1000)]# assign defaults if pt: model = attempt_load(weights, map_location=device)# load FP32 model stride = int(model.stride.max())# model stride names = model.module.names if hasattr(model, 'module') else model.names# get class names if half: model.half()# to FP16 if classify:# second-stage classifier modelc = load_classifier(name='resnet50', n=2)# initialize modelc.load_state_dict(torch.load('resnet50.pt', map_location=device)['model']).to(device).eval() elif onnx: check_requirements(('onnx', 'onnxruntime')) import onnxruntime session = onnxruntime.InferenceSession(w, None) dataset = LoadImages(source, img_size=imgsz, stride=stride) bs = 1# batch_size vid_path, vid_writer = [None] * bs, [None] * bs t0 = time.time() imgsz = check_img_size(imgsz, s=stride)# check image size for path, img, im0s, vid_cap in dataset: if pt: img = torch.from_numpy(img).to(device) img = img.half() if half else img.float()# uint8 to fp16/32 elif onnx: img = img.astype('float32') img /= 255.0# 0 - 255 to 0.0 - 1.0 if len(img.shape) == 3: img = img[None]# expand for batch dim # Inference t1 = time_sync() if pt: pred = model(img, augment=augment, visualize=visualize)[0] elif onnx: pred = torch.tensor(session.run([session.get_outputs()[0].name], {session.get_inputs()[0].name: img})) # NMS pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det) t2 = time_sync() # Second-stage classifier (optional) if classify: pred = apply_classifier(pred, modelc, img, im0s) # Process predictions for i, det in enumerate(pred):# detections per image p, s, im0, frame = path, '', im0s.copy(), getattr(dataset, 'frame', 0) p = Path(p)# to Path gn = torch.tensor(im0.shape)[[1, 0, 1, 0]]# normalization gain whwh imc = im0.copy() if save_crop else im0# for save_crop if len(det): # Rescale boxes from img_size to im0 size det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()lists=[] # Print results for c in det[:, -1].unique(): n = (det[:, -1] == c).sum()# detections per class for i in range(n): lists.append(names[int(c)]) return lists

效果展示：

文章图片

地主、地主上家、地主下家：
同理我们可以根据游戏屏幕截图，识别地主的图标，确认地主角色。核心代码如下：

# 查找地主角色 def find_landlord(self, landlord_flag_pos): for pos in landlord_flag_pos: result = pyautogui.locateOnScreen('pics/landlord_words.png', region=pos, confidence=self.LandlordFlagConfidence) if result is not None: return landlord_flag_pos.index(pos) return None

效果展示：

文章图片

这样我们就可以得到玩家AI手牌，其他玩家手牌（预测），地主三张底牌，三者角色关系，出牌顺
序。
出牌、不出、等待状态：
同理我们可以根据游戏屏幕截图，识别其他人出牌区域，判断其出牌状态。核心代码如下：

labels=['等待','出牌','不出'] device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")#若有gpu可用则用gpu model = models.resnet50(pretrained=False) fc_inputs = model.fc.in_features model.fc = nn.Sequential( nn.Linear(fc_inputs, 256), nn.ReLU(), nn.Dropout(0.4), nn.Linear(256, config.NUM_CLASSES), nn.LogSoftmax(dim=1) ) pthfile=config.TRAINED_BEST_MODEL checkpoint = torch.load(pthfile) model.load_state_dict(checkpoint['model']) # optimizer.load_state_dict(checkpoint['optimizer']) start_epoch = checkpoint['epoch'] # test(model, test_load) model.to(device).eval() def detect_pass(pos):img = pyautogui.screenshot(region=pos) # path="datas\state.png" time =datetime.datetime.now().strftime(TIMESTAMP) path="datas\states\state"+'_'+time+'.png' img.save(path) # path="datas/states/state_20210807160852.png" src = https://www.it610.com/article/cv2.imread(path) # aeroplane.jpg image = cv2.resize(src, (224, 224)) image = np.float32(image) / 255.0 image[:,:,] -= (np.float32(0.485), np.float32(0.456), np.float32(0.406)) image[:,:,] /= (np.float32(0.229), np.float32(0.224), np.float32(0.225)) image = image.transpose((2, 0, 1)) input_x = torch.from_numpy(image).unsqueeze(0).to(device) pred = model(input_x) pred_index = torch.argmax(pred, 1).cpu().detach().numpy() pred_index=int(pred_index) print(pred_index) return pred_index

效果展示：

文章图片

到这里，整个AI斗地主出牌流程基本已经完成了。

总结当所有环境配置完成，各区域坐标位置确认无误之后，下面我们就可以直接运行程序，测试效果啦
~首先我们运行AI出牌器程序，打开欢乐斗地主游戏界面，进入游戏。当玩家就位，手牌分发完
、毕，地主身份确认之后，我们就可以点击画面中开始按钮，让AI来帮助我们斗地主了。
喜欢的记得找我拿源码拉！
关注小编获取更多精彩内容！记得点击传送门哈
记得三连哦！如需打包好的源码+素材免费分享滴！！传送门