Uno是一款深受玩家喜爱的纸牌游戏，但随着游戏的进行，手动计算分数可能会变得繁琐。本文将介绍如何利用计算机视觉技术，通过自动化的方式来计算Uno游戏中的分数，从而简化游戏过程。
Uno游戏的目标是第一个达到500分的玩家获胜。玩家通过出完手中的所有牌来获得分数，而分数的多少取决于对手手中剩余的牌的类型。在Uno的官方规则中，详细说明了每张牌的分值。简而言之，玩家需要出完手中的所有牌，然后计算对手手中剩余牌的总分，最先达到500分的玩家获胜。
在COVID-19疫情期间，居住在威尔士卡迪夫的软件工程师Adam Crawshaw玩了很多Uno游戏。他发现，计算所有牌的分数有时会变得相当乏味。因此，他决定开发一个应用程序，自动计算Uno牌手中的总分。
Adam利用计算机视觉技术，通过对象检测来实现Uno牌的识别和总分的计算。他的结果非常出色，通过使用对象检测技术，他成功地自动化了Uno牌的计分过程。
为了构建一个成功的Uno牌计分系统，Adam首先需要收集数据、标记数据、确保数据与测试环境相似、对数据进行预处理以适应模型、训练模型，并将模型部署到移动设备上。
Adam精心收集了每种颜色变化的每张牌的照片。这需要拍摄每种0、2、3、4、5、6、7、8、9、跳过、+2和反转牌各四张照片，以及一张野牌和一张+4反转野牌——总共41张原始源图像。
他巧妙地利用了计算机视觉中的合成数据创建技术。具体来说，他使用Python的OpenCV包对牌进行边缘检测，以便在三张牌的集合中随机叠加牌。这使得他能够创建出几乎无限组合的牌手。
此外，Uno游戏的背景表面并不恒定。有各种各样的桌面纹理，模型需要学会在寻找牌和相应的数字时“调谐”这些纹理。因此，Adam转向牛津可描述纹理数据集（DTD），为他的数据处理合成背景。
在将Uno牌叠加到这些纹理上之前，Adam首先需要标记每张牌的分值。至关重要的是，只有牌的右上角应该被标记。如果模型识别了Uno牌的正面朝上（右上角）和倒置（左下角）的标记，它可能会将某些牌计算两次。
在收集和标记数据后，Adam转向Roboflow，这是一个数据集管理平台，用于预处理、增强和导出数据，以测试多个模型。
Adam的图像都被适当地调整为正方形（416x416），以支持许多模型架构。此外，他对灰度可能会影响模型性能感到好奇，因此他创建了多个版本的数据集，可以进行可重复的实验。
Roboflow的增强选项使Adam能够通过上下文增强选项进一步增加数据集的大小。例如，随机裁剪增强模拟了现实世界场景，其中牌在相机框架的不同部分，并且相对于持有移动设备的人的距离（大小）不同。
由于Roboflow的一致版本控制和易于导出相同数据集到任何注释格式，Adam能够信任进行并行实验的公平性。
鉴于应用程序需要进行实时推理，Adam选择了已知的小而适合移动设备的模型，如YOLOv3和MobileNetSSDv2。
Adam在Google Cloud Platform上启动了训练资源，利用Roboflow模型库中的基线模型架构，插入了来自Roboflow的数据集URL，并开始训练。
最终，Adam发现YOLOv3对他用例的性能最好——但他最近开始重新评估这些结果与YOLOv5的对比。
为了在移动设备上部署，Adam将他的模型编译为TensorFlow Lite模型，并将输出放入他精心开发的应用程序中。就这样，他创建了一个始终可用的自动Uno计分器！
“总的来说，不得不说——在喝了几杯葡萄酒之后，这让Uno游戏的计分变得简单了一些。”
Adam Crawshaw非常慷慨地通过Roboflow公共数据集发布了他的8,992张（和26,976个注释！）数据集，供公众使用，与其他免费计算机视觉对象检测数据集一起使用。
这个数据集包含8,992张Uno牌的图像和26,976个在各种纹理背景上标记的示例。这个数据集由Roboflow用户Adam Crawshaw收集、处理和发布，并带有修改后的MIT许可证。