# yolo_xanylabing_shot2

**Repository Path**: webcc/yolo_xanylabing_shot2

## Basic Information

- **Project Name**: yolo_xanylabing_shot2
- **Description**: yolo_xanylabing_shot2
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-29
- **Last Updated**: 2026-05-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# YOLO 街头篮球检测项目

基于 YOLO11/YOLOv8 的街头篮球实时目标检测与自动盖帽脚本。

## 项目结构

```
yolo_xanylabing_shot2/
├── data.yaml                  # 数据集配置（2类：adhz、投篮）
├── best.pt                    # 当前使用的模型权重
├── yolo11n.pt                 # YOLO11 预训练模型
├── my_dataset/                # 数据集
│   ├── images/train/          # 训练图片（23张）
│   └── labels/train/          # 训练标注（YOLO格式）
├── runs/train/                # 训练输出目录
├── test_results/              # 测试结果图片
│
├── 开始训练2.py               # 从零训练（推荐，小目标优化参数）
├── 开始训练.py                 # 从零训练（旧版，参数未优化）
├── train_simple.py            # 最早版训练脚本
├── 继续训练2.py               # 继续训练（推荐，修复了box loss等问题）
├── 继续训练.py                 # 继续训练（旧版）
├── 盖帽测试.py                # 自动盖帽脚本（adhz框内有篮球时按d）
└── 游戏脚本测试.py            # 游戏辅助脚本（检测+覆盖层显示）
```

## 检测类别

| 类别ID | 名称 | 说明 |
|--------|------|------|
| 0 | adhz | 投篮者/人物 |
| 1 | 投篮 | 篮球 |

## 使用方法

### 1. 训练模型

```bash
# 从零训练（推荐）
python 开始训练2.py

# 在已有模型上继续训练
python 继续训练2.py
# 选择操作后输入训练轮数（建议 100-300）
```

### 2. 运行检测

```bash
# 自动盖帽：当 adhz 框内出现篮球时自动按 d 键
python 盖帽测试.py

# 检测+覆盖层显示
python 游戏脚本测试.py
```

### 操作按键

| 按键 | 功能 |
|------|------|
| Q | 暂停/继续 |
| Tab | 退出程序 |

## 自动盖帽逻辑

`盖帽测试.py` 的核心判断：

1. 检测画面中的 adhz（人）和篮球
2. 计算篮球中心点坐标
3. 如果篮球中心落在某个 adhz 的检测框内 → 判定为投篮动作 → 按下 D 键盖帽

```
┌─────────────┐
│   adhz 框    │
│      ○ ← 篮球中心在框内 → 按 d 盖帽
│             │
└─────────────┘
```

## 训练参数（开始训练2.py）

针对小目标检测（篮球、投篮动作）的优化参数：

- `imgsz=640` — 保留小目标像素细节
- `batch=8` — 适配少量数据
- `workers=0` — Windows 兼容
- `mosaic=1.0` — 小目标核心增强
- `mixup=0.15` — 背景多样性
- `copy_paste=0.15` — 位置多样性
- `scale=0.5` — 适配球远近变化

## 数据集扩充建议

当前数据集仅 23 张图，识别率受限。建议通过游戏录屏自动抽帧扩充：

1. 用 OBS 或 Win+G 录制 1-2 分钟游戏画面
2. 使用抽帧脚本每 30 帧截取 1 张（2分钟约 200+ 张）
3. 用 LabelImg 或 Roboflow 标注
4. 放入 `my_dataset/images/train` 和 `my_dataset/labels/train`

## 环境

- Python 3.12
- PyTorch 2.8 (CUDA 12.8)
- Ultralytics 8.3
- GPU: NVIDIA RTX 5070 (12GB)
- 操作系统: Windows 11