基于YOLO11的扑克牌（Playing Cards）检测系统（Python源码+数据集+Pyside6界面）
原创
基于YOLO11的扑克牌（Playing Cards）检测系统（Python源码+数据集+Pyside6界面）
原创
AI小怪兽
发布于 2025-03-18 08:55:55
发布于 2025-03-18 08:55:55
💡💡💡本文摘要：基于YOLO11的扑克牌（Playing Cards）检测，阐述了整个数据制作和训练可视化过程
博主简介
AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；
添加图片注释，不超过 140 字（可选）
1.YOLO11介绍
Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。
添加图片注释，不超过 140 字（可选）
添加图片注释，不超过 140 字（可选）
结构图如下：
添加图片注释，不超过 140 字（可选）
1.1 C3k2
C3k2，结构图如下
添加图片注释，不超过 140 字（可选）
C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck
添加图片注释，不超过 140 字（可选）
实现代码ultralytics/nn/modules/block.py
1.2 C2PSA介绍
借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）
添加图片注释，不超过 140 字（可选）
实现代码ultralytics/nn/modules/block.py
1.3 11 Detect介绍
分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：
添加图片注释，不超过 140 字（可选）
实现代码ultralytics/nn/modules/head.py
2.扑克牌检测系统
扑克牌识别检测技术在多个领域都具有重要意义，以下是详细介绍：
娱乐产业
- 智能纸牌游戏：在智能纸牌游戏中，扑克牌识别技术能够让游戏设备自动识别玩家手中的牌，从而实现自动计分、判断胜负等功能，提高游戏的趣味性和效率。
- 线上扑克防作弊：通过扑克牌识别技术，可以对线上扑克游戏中的牌局进行实时监测，检测是否存在作弊行为，如使用特殊标记的牌等，保障游戏的公平性和公正性。
教育领域
- 教学辅助工具：在数学、概率等课程的教学中，教师可以利用扑克牌识别技术制作教学软件或工具，通过识别扑克牌来演示各种数学概念和概率问题，使抽象的知识更加直观易懂。
- 儿童早教：对于儿童的早教启蒙，扑克牌识别技术可以应用于开发益智玩具和教育游戏。例如，设计一款扑克牌识别游戏，让孩子通过识别不同的扑克牌来学习数字、颜色、图案等知识，培养他们的观察力和认知能力。
工业生产
- 扑克牌生产质量检测：在扑克牌的生产过程中，利用扑克牌识别检测技术可以对生产的扑克牌进行自动质量检测，检查是否存在印刷错误、图案模糊、尺寸不符等问题，确保产品质量符合标准。
- 自动化包装与分拣：在扑克牌的包装和分拣环节，通过识别扑克牌的花色和点数，可以实现自动化的包装和分拣操作，提高生产效率，降低人工成本。
安防监控
- 特殊场所的安全监控：在一些禁止赌博或对纸牌有特殊管理要求的场所，如监狱、戒毒所等，通过扑克牌技术识别可以对监控视频进行分析，及时发现并预警赌博等违规行为，增强场所的安全管理。
- 公共场所的秩序维护：在公共场所，如公园、广场等，利用扑克牌识别技术可以辅助监控系统对聚集赌博等不良行为进行识别和监控，维护公共秩序。
医疗康复
- 辅助视障人士：为视障人士设计的辅助设备可以结合扑克牌识别技术，通过语音提示或震动等方式告知他们手中的扑克牌信息，使他们能够更方便地参与扑克牌游戏，增加生活乐趣和社会互动。
- 康复训练：在一些康复训练中，如手部精细动作训练等，可以利用扑克牌识别技术来监测患者的训练情况，评估康复进度，为康复治疗提供数据支持。
2.1 扑克牌数据集介绍
数据集大小：训练集14000张，验证集4000张，测试集2000张
类别52类：
nc: 52 names: ['10c', '10d', '10h', '10s', '2c', '2d', '2h', '2s', '3c', '3d', '3h', '3s', '4c', '4d', '4h', '4s', '5c', '5d', '5h', '5s', '6c', '6d', '6h', '6s', '7c', '7d', '7h', '7s', '8c', '8d', '8h', '8s', '9c', '9d', '9h', '9s', 'Ac', 'Ad', 'Ah', 'As', 'Jc', 'Jd', 'Jh', 'Js', 'Kc', 'Kd', 'Kh', 'Ks', 'Qc', 'Qd', 'Qh', 'Qs']
细节图：
添加图片注释，不超过 140 字（可选）
标签可视化分析
添加图片注释，不超过 140 字（可选）
2.2 配置PlayingCards.yaml
ps:建议填写绝对路径
train: D:/YOLOv11/data/Playing Cards/train/images
val: D:/YOLOv11/data/Playing Cards/valid/images
nc: 52
names: ['10c', '10d', '10h', '10s', '2c', '2d', '2h', '2s', '3c', '3d', '3h', '3s', '4c', '4d', '4h', '4s', '5c', '5d', '5h', '5s', '6c', '6d', '6h', '6s', '7c', '7d', '7h', '7s', '8c', '8d', '8h', '8s', '9c', '9d', '9h', '9s', 'Ac', 'Ad', 'Ah', 'As', 'Jc', 'Jd', 'Jh', 'Js', 'Kc', 'Kd', 'Kh', 'Ks', 'Qc', 'Qd', 'Qh', 'Qs']2.3 如何训练
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')
model.train(data='data/PlayingCards.yaml',
cache=False,
imgsz=640,
epochs=200,
batch=8,
close_mosaic=10,
device='0',
optimizer='SGD', # using SGD
project='runs/train',
name='exp',
)2.4 训练结果可视化结果
YOLO11 summary (fused): 283 layers, 2,627,396 parameters, 0 gradients, 7.1 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 125/125 [01:41<00:00, 1.23it/s]
all 4000 15159 0.985 0.992 0.992 0.96
10c 180 282 0.998 1 0.995 0.924
10d 188 290 0.998 1 0.995 0.916
10h 201 322 0.998 1 0.995 0.945
10s 165 250 0.998 1 0.995 0.942
2c 193 295 0.998 1 0.995 0.97
2d 167 259 0.998 1 0.995 0.957
2h 187 294 0.998 1 0.995 0.965
2s 192 299 0.998 1 0.995 0.964
3c 201 308 0.998 1 0.995 0.973
3d 167 250 0.998 1 0.995 0.965
3h 200 313 0.998 1 0.995 0.969
3s 229 358 0.998 1 0.995 0.974
4c 178 276 0.995 1 0.995 0.972
4d 183 282 0.999 1 0.995 0.954
4h 199 312 0.998 1 0.995 0.958
4s 198 295 1 0.999 0.995 0.966
5c 182 290 0.998 1 0.995 0.974
5d 178 283 0.998 1 0.995 0.957
5h 168 253 0.998 1 0.995 0.961
5s 194 281 0.998 1 0.995 0.97
6c 183 284 0.998 1 0.995 0.974
6d 185 286 0.998 1 0.995 0.971
6h 210 329 0.998 1 0.995 0.973
6s 185 289 0.998 1 0.995 0.975
7c 196 304 0.998 1 0.995 0.976
7d 192 311 0.998 1 0.995 0.973
7h 201 303 0.999 1 0.995 0.969
7s 195 304 0.998 1 0.995 0.972
8c 184 285 0.949 0.968 0.991 0.968
8d 170 261 0.877 0.931 0.975 0.951
8h 173 255 0.984 0.996 0.995 0.965
8s 218 339 0.847 0.9 0.954 0.933
9c 199 309 0.998 1 0.995 0.976
9d 183 275 0.998 1 0.995 0.971
9h 178 272 0.998 1 0.995 0.967
9s 176 263 0.998 1 0.995 0.971
Ac 185 288 0.962 0.976 0.991 0.951
Ad 192 294 0.947 0.966 0.991 0.944
Ah 192 283 0.775 0.887 0.92 0.874
As 213 322 0.946 0.981 0.993 0.958
Jc 178 265 0.998 1 0.995 0.955
Jd 181 285 0.998 1 0.995 0.942
Jh 183 278 0.998 1 0.995 0.94
Js 188 282 1 1 0.995 0.962
Kc 196 307 0.998 1 0.995 0.974
Kd 186 304 0.998 1 0.995 0.955
Kh 192 297 0.998 1 0.995 0.954
Ks 166 264 0.998 1 0.995 0.97
Qc 202 300 0.999 1 0.995 0.975
Qd 202 317 0.998 1 0.995 0.953
Qh 189 295 1 0.995 0.995 0.963
Qs 205 317 0.996 1 0.995 0.97 
添加图片注释，不超过 140 字（可选）
预测结果：
添加图片注释，不超过 140 字（可选）
3. 扑克牌检测系统设计
3.1 PySide6介绍
受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。
PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。
PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。
3.2 安装PySide6
pip install --upgrade pip pip install pyside6 -i https://mirror.baidu.com/pypi/simple
基于PySide6开发GUI程序包含下面三个基本步骤：
- 设计GUI，图形化拖拽或手撸；
- 响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
- 打包发布；
3.3 扑克牌检测系统设计
原文链接：
https://blog.csdn.net/m0_63774211/article/details/146260233原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
目录
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号