DeepLeague - 利用《英雄联盟》小地图上的计算机视觉与深度学习技术，结合包含十多万张标注图像的数据集，推动电子竞技领域的AI研究。

请在此处阅读博客文章。此仓库仅说明如何进行环境搭建。博客将详细解释其具体含义！

非常感谢YAD2K的优秀开发者们。DeepLeague基于我对他们仓库的自定义分支构建而成，若没有他们的杰出工作，这一切都不可能实现。

免责声明

我在一场飓风期间，百无聊赖地花了五天时间编写了大部分代码。我的代码虽然不算糟糕，但绝非那种拥有精美文档的高级库。其中很可能存在许多 bug 和效率低下的地方。

不过，设置并运行测试脚本其实相当简单，我会尽力协助你；但如果你想深入修改核心代码，那就只能靠你自己了。不过请相信我，这些代码并不复杂，尤其是如果你熟悉 Python 的话。

如有疑问，请通过Twitter联系我。

如何获取 DeepLeague？

你需要 git、conda 和 brew。安装完成后，可以在终端输入以下命令来检查是否一切正常。我已经确认这些步骤在 Mac OS 上可行。下方提供了使用 Conda 在 Linux 上运行的步骤。对于 Windows 10 用户，我已确认按照 Ubuntu 的安装说明，并使用 Linux 子系统，是你们上手最简便的方式。

$ conda
$ git
$ brew

如果能够顺利执行以上三条命令而无任何错误，即可继续。

使用 Conda 在 OS X 上运行的说明

# 获取仓库。
$ git clone https://github.com/farzaa/DeepLeague.git
$ cd DeepLeague
$ cd YAD2K
$ conda create -n DeepLeague python=3.6
$ source activate DeepLeague
$ conda install python.app # 将 Python 安装为框架，以便支持 Matplotlib。

# 安装所需的一系列包。
# 如果你使用的是 Ubuntu，则应参考此链接：https://www.pyimagesearch.com/2016/10/24/ubuntu-16-04-how-to-install-opencv/
# 而不是直接安装 opencv-python。
$ pip install opencv-python youtube_dl
$ conda install -c menpo ffmpeg
$ pip install numpy h5py pillow matplotlib
$ pip install tensorflow
$ pip install keras

# 下载神经网络所需的辅助文件。
$ brew install wget
$ brew install ffmpeg --with--libvpx # 这个过程可能需要一些时间。
$ wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/yolo.weights
$ wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/trained_stage_3_best.h5
$ wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/yolo.cfg
$ pythonw yad2k.py yolo.cfg yolo.weights model_data/yolo.h5 # 调用 DeepLeague 时必须使用 pythonw！

执行最后一条命令至关重要。可能会出现一些错误，你可以尝试通过 Google 搜索快速解决。我发现这确实很大程度上取决于你的系统和硬件配置。

使用 Conda 在 Ubuntu 16.04 上运行的说明

你可以参照官方文档中的指南来安装 Conda。

# 获取仓库。
git clone https://github.com/farzaa/DeepLeague.git
# 创建新环境
conda env create -f requirements.yml
source activate DeepLeague

cd DeepLeague/YAD2K

# 下载权重文件
wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/yolo.weights
wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/trained_stage_3_best.h5
wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/yolo.cfg

# 运行命令以配置模型
python yad2k.py yolo.cfg yolo.weights model_data/yolo.h5

执行最后一条命令同样非常重要。可能会出现一些错误，你可以尝试通过 Google 搜索快速解决。我发现这确实很大程度上取决于你的系统和硬件配置。

如何运行 DeepLeague？

说实话，这个仓库里有很多细碎的小函数。不过，让我来解释一下最简单的使用方法——如果你只想分析一段录像（我想大多数人都有这样的需求）。关键在于 test_deep_league.py 脚本。这是我编写的一个小型命令行工具，允许你通过三种方式输入要分析的录像：YouTube 链接、本地 MP4 文件路径，或图片目录路径。我个人最喜欢使用 YouTube 链接，但如果遇到问题，也可以改用 MP4 文件。你只需要一段 1080P 分辨率的《英雄联盟》比赛录像。务必确保分辨率为 1080p，否则我的脚本会错误地裁剪小地图。此外，DeepLeague 只针对 1080p 视频中的小地图进行了训练，其他分辨率尚未经过测试。

下面是一个我使用 YouTube 链接运行该工具的例子。这种方法会自动下载 YouTube 视频，并根据你指定的开始和结束时间进行剪辑。它还会自动重命名文件以便后续处理。

这条命令表示从第 30 秒开始，到第 1 分钟结束。当你只想分析录像的一部分时非常有用。输出的帧会被保存到名为 “output” 的文件夹中，正如下面的命令所指定。

pythonw test_deep_league.py -out output youtube -yt https://www.youtube.com/watch?v=vPwZW1FvtWA -yt_path /output -start 0:00:30 -end 0:01:00

# 如果你在使用 Linux
python test_deep_league.py -out output youtube -yt https://www.youtube.com/watch?v=vPwZW1FvtWA -yt_path /output -start 0:00:30 -end 0:01:00

首先你会看到下载开始：

随后 DeepLeague 就会开始预测边界框：

如果你想使用自己录制的本地 MP4 文件，可以使用下面的命令，其中 -mp4 指定了录像在你电脑上的位置。

pythonw test_deep_league.py -out output mp4 -mp4 /Volumes/DATA/data/data/C9_CLG_G_2_MARCH_12_2017/vod.mp4

如何获取数据集：

请从这里下载。

我已将数据集拆分为多个 .npz 文件，而不是只有一个超大文件。这样做的主要目的是为了方便进行批量训练。目前，整个数据集已被压缩成一个 30GB 的大文件，你可以通过 wget 命令从这个链接下载。推荐使用 wget，因为它支持断点续传。最糟糕的体验莫过于下载快完成了，网络却突然中断，导致之前的所有下载都白费了。

此外，我已经将数据集划分为训练集、测试集和验证集，比例分别为 80%、17.5% 和 2.5%。这些 .npz 文件仅包含裁剪后的迷你地图帧以及与每帧对应的边界框信息。

如果你需要帮助读取这些 .npz 文件，可以查看 这里 的 def visualize_npz_data 函数。

DeepLeague 快速上手指南

DeepLeague 是一个利用计算机视觉和深度学习技术，对《英雄联盟》游戏小地图进行分析的开源项目。它基于超过 10 万张标注图像的数据集，旨在推动电竞领域的 AI 研究。

环境准备

系统要求

• 推荐系统: macOS 或 Ubuntu 16.04+。
• Windows 用户: 强烈建议使用 WSL (Windows Subsystem for Linux) 并安装 Ubuntu 子系统，这是最稳定的运行方式。
• 视频源要求: 仅支持 1080P 分辨率的游戏录像（VOD）。其他分辨率会导致小地图裁剪错误，因为模型仅针对 1080P 训练。

前置依赖

请确保已安装以下工具：

• Git
• Conda (推荐使用 Miniconda 或 Anaconda)
• Homebrew (仅限 macOS)

在终端执行以下命令验证安装：

$ conda
$ git
$ brew

安装步骤

方案 A：macOS 用户 (使用 Conda)

# 1. 克隆仓库
git clone https://github.com/farzaa/DeepLeague.git
cd DeepLeague
cd YAD2K

# 2. 创建并激活虚拟环境
conda create -n DeepLeague python=3.6
source activate DeepLeague
conda install python.app # 为 matplotlib 安装框架支持

# 3. 安装依赖包
# 注意：Ubuntu 用户请参考官方 OpenCV 安装指南，不要直接 pip install opencv-python
pip install opencv-python youtube_dl
conda install -c menpo ffmpeg
pip install numpy h5py pillow matplotlib
pip install tensorflow
pip install keras

# 4. 安装系统工具并下载模型权重
brew install wget
brew install ffmpeg --with--libvpx

wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/yolo.weights
wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/trained_stage_3_best.h5
wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/yolo.cfg

# 5. 配置神经网络模型 (关键步骤)
# 注意：macOS 必须使用 pythonw 运行此命令
pythonw yad2k.py yolo.cfg yolo.weights model_data/yolo.h5

方案 B：Ubuntu / WSL 用户 (使用 Conda)

# 1. 克隆仓库
git clone https://github.com/farzaa/DeepLeague.git
cd DeepLeague

# 2. 创建环境 (使用提供的 requirements.yml)
conda env create -f requirements.yml
source activate DeepLeague

cd YAD2K

# 3. 下载模型权重
wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/yolo.weights
wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/trained_stage_3_best.h5
wget https://s3-us-west-2.amazonaws.com/mood1995/deep_league/yolo.cfg

# 4. 配置神经网络模型 (关键步骤)
python yad2k.py yolo.cfg yolo.weights model_data/yolo.h5

注：最后一步配置模型可能会因硬件差异报错，请根据具体错误信息搜索解决。

获取数据集 (可选)

如需进行重新训练或深入研究，可下载 100K 标注数据集（约 30GB）：

• 下载地址: https://archive.org/compress/DeepLeague100K
• 建议: 使用 wget 下载以支持断点续传。数据集已划分为训练集 (80%)、测试集 (17.5%) 和验证集 (2.5%)。

基本使用

核心脚本为 test_deep_league.py，支持分析 YouTube 链接、本地 MP4 文件或图片目录。

示例 1：分析 YouTube 视频片段

此命令会自动下载视频，截取指定时间段（如 30 秒至 1 分钟），并进行分析。结果保存在 output 文件夹。

macOS:

pythonw test_deep_league.py -out output youtube -yt https://www.youtube.com/watch?v=vPwZW1FvtWA -yt_path /output -start 0:00:30 -end 0:01:00

Linux / WSL:

python test_deep_league.py -out output youtube -yt https://www.youtube.com/watch?v=vPwZW1FvtWA -yt_path /output -start 0:00:30 -end 0:01:00

示例 2：分析本地 MP4 文件

如果您已有录制的 1080P 本地视频文件：

macOS:

pythonw test_deep_league.py -out output mp4 -mp4 /Volumes/DATA/data/data/C9_CLG_G_2_MARCH_12_2017/vod.mp4

Linux / WSL:

python test_deep_league.py -out output mp4 -mp4 /path/to/your/video.mp4

运行成功后，程序将先下载/加载视频，随后开始预测并在画面中绘制边界框（Bounding Boxes）。