yolo11n-poker-table-cards
детектор карт на покерных столах
2 min readupdated
Модель распознаёт открытые игральные карты на скриншотах покерных столов и определяет номинал и масть каждой из них. Это файнтюн (дообученная версия) компактной архитектуры YOLO11n на базе чекпоинта yolov11_playing_cards_detection от автора ThreeSixNine. В отличие от базовой модели, которая почти не находила карты на игровых столах, эта версия уверенно определяет их расположение на синтетических рендерах с разными скинами, масштабами, шрифтами и шумом. Пригодится разработчикам инструментов для анализа раздач, игровых ассистентов и систем компьютерного зрения.
Ключевые особенности
- Почти безошибочное нахождение карт: метрика Detection IoU≥0.4 выросла с 0.193 у базовой модели до 0.999.
- Поддерживает все 52 класса стандартной колоды с тем же порядком классов, что и в исходном чекпоинте.
- Высокая скорость на CPU — обработка одного кадра занимает 0.33 секунды при разрешении 1280.
- Обучена на 800 тренировочных и 80 валидационных рендерах (1600×900) из датасета
poker-table-perception-eval.
Что можно сделать
- Собрать парсер скриншотов онлайн-покера для автоматического сбора статистики и анализа сыгранных раздач.
- Использовать как модуль распознавания состояния стола в покерном ассистенте или симуляторе принятия решений.
- Дообучить модель на реальных фотографиях карт или захватах экрана из Steam, чтобы повысить точность определения номинала и масти.
Пример
from huggingface_hub import hf_hub_download
from ultralytics import YOLO
w = hf_hub_download("ThreeSixNine/yolo11n-poker-table-cards", "best.pt")
model = YOLO(w)
r = model.predict("table.png", conf=0.1, imgsz=1280)Подробнее
Метрики (тест на 741 карте, conf 0.1, imgsz 1280): Detection IoU≥0.4 — 0.999, точность классификации — 0.586 (против 0.193 и 0.119 у базы).Обучение: 80 эпох, batch 16, imgsz 1280 на GPU a10g-small (31.6 минуты).
Ограничения: работа на реальных фото и скриншотах из игр не проверялась, возможна путаница между 52 классами рангов и мастей.










Comments