Python实现「手势猜拳游戏」：好玩的实时机器学习项目

知识浅谈

发布于 2025-05-18 02:27:51

7000

代码可运行

文章被收录于专栏：分享学习分享学习

运行总次数：0

代码可运行

本教程将带你实现一个实时手势猜拳游戏识别系统，使用Kaggle公开的「Rock-Paper-Scissors」数据集（包含石头、剪刀、布三种手势），全程仅需CPU即可运行。最终效果可通过摄像头实时识别手势，并与电脑进行猜拳对战！

🎈项目亮点

趣味互动：通过摄像头实现真人猜拳对战
轻量模型：专为CPU优化的微型卷积神经网络（仅0.5MB）
即用数据集：使用TensorFlow官方维护的公开数据集
工业级技巧：包含数据泄露预防、类别平衡处理等实战技巧

🎈环境准备

打开Pycharm，新建项目文件夹

安装所需依赖库

# 安装所需库（Python 3.8+）
pip install numpy matplotlib opencv-python tensorflow-cpu

🎈数据集说明

使用TensorFlow Datasets内置的「Rock-Paper-Scissors」数据集：

总样本量：2,892张RGB图像（300x300像素）
类别分布：
- Rock（石头）: 840张
- Paper（布）: 840张
- Scissors（剪刀）: 1212张
数据特点：包含不同肤色、手势角度和背景环境

🎈完整实现代码

📍自动下载并加载数据集

import tensorflow as tf
import tensorflow_datasets as tfds

# 自动下载数据集（首次运行需要等待）
dataset, info = tfds.load('rock_paper_scissors', 
                         split=['train', 'test'],
                         as_supervised=True,
                         with_info=True,
                         shuffle_files=True)

# 提取训练集和测试集
train_ds, test_ds = dataset[0], dataset[1]

# 查看数据集信息
print(f"训练集样本数: {
     info.splits['train'].num_examples}")
print(f"测试集样本数: {
     info.splits['test'].num_examples}")

📍数据预处理与增强

def preprocess(image, label):
    # 统一尺寸 + 归一化
    image = tf.image.resize(image, (150, 150))
    image = tf.image.rgb_to_grayscale(image)  # 转为灰度图减少计算量
    return image/255.0, label

# 配置数据管道
BATCH_SIZE