0
| 本文作者： AI研習社-譯站 | 2018-03-01 15:18 |
本文為雷鋒字幕組編譯的技術(shù)博客，原標題 DeepLeague: leveraging computer vision and deep learning on the League of Legends mini map + giving away a dataset of over 100,000 labeled images to further esports analytics research，作者Farza。
翻譯 | 曹永勝 校對 | 李振 整理 | 凡江
深度聯(lián)盟（DeepLeague）：在英雄聯(lián)盟（League of Legends）的小地圖上應用機器視覺和深度學習，并給出了超過10萬個的標記圖像，用于后續(xù)的電競（esports）研究。
GitHub Repo + Dataset：https://github.com/farzaa/DeepLeague
作者注1：所有這些都是免費和開源的。我在這篇文章的第2部分解釋了所有的技術(shù)細節(jié)，你可以在這里找到。如果您有任何問題，請隨時與我聯(lián)系。
作者注2：如果你是一個LCS團隊（The League of Legends Championship Series，LCS。英雄聯(lián)盟冠軍系列賽），請雇傭我！我將幫助你打敗韓國 Overlords。在Twitter上聯(lián)系我吧。
DeepLeague正在工作。 我輸入的只是一個LCS游戲的VOD（Video-On-Demand，VOD，點播視頻），通過分析VOD的像素，DeepLeague可以告訴我們每個冠軍是如何在地圖上移動的。 厲害!
暫時想象自己是一名足球隊教練，有人給你提供了一個程序。它可以播放足球比賽的視頻，并在比賽的每一個時刻輸出你球隊球員的坐標。 如果我們將數(shù)據(jù)可視化，它看起來就像下面的GIF圖片，你可以看到藍色團隊的玩家們有一個小盒子，上面畫著程序生成的程序。程序替我們“監(jiān)控”比賽。
通過哪些藍色隊員身上的邊界框（the bounding boxes），可以看出我們的程序在監(jiān)控比賽的視頻
你可以看出這個信息將對一個足球教練多么有用么？有了這些數(shù)據(jù)，你可以對你的球員運動做無數(shù)的分析。例如，如果想提高自己球隊的防守能力，可以分析每個球員的運動。不論是對方球隊進了1個球時，或是你想創(chuàng)造1個新的策略來彌補缺陷時，都可以使用。
那么，這個概念可以應用到視頻游戲中嗎?
答案是肯定的，我可以展示給你看。
DeepLeague是什么?
DeepLeague是第一個將計算機視覺、深度學習和英雄聯(lián)盟結(jié)合在一起的算法和數(shù)據(jù)集（超過100,000個圖像），通過讓開發(fā)人員能夠輕松訪問游戲中像素的數(shù)據(jù)，將LoL分析提升到下一個級別。給定一個關(guān)于英雄聯(lián)盟小地圖的圖片，它可以為冠軍選手預測邊界框和標簽。所以，你給DeepLeague的是一個VOD(基本上只是一堆圖像)，它會輸出這樣的東西：
跟著Rengar !對DeepLeague（左）的輸入僅僅是一張迷你地圖的圖像，沒有別的。輸出描述了比賽中所有冠軍的坐標和冠軍的名字。厲害!
它使用深度卷積神經(jīng)網(wǎng)絡(luò)，并在一個非常大的數(shù)據(jù)集上進行訓練，這個數(shù)據(jù)集大約有10萬個標記的迷你地圖圖像（見下圖），我以編程方式創(chuàng)建并免費贈送修改為我編了個程序完成了標注工作，并免費發(fā)布給大家。硅谷AI公司花了很多錢來獲得標簽上的數(shù)據(jù)。我沒有錢，但有時把錢扔在一個問題上不一定是最好的解決辦法。有時候你只是需要一點小聰明！
然后是數(shù)據(jù)集本身，我給出了我創(chuàng)建數(shù)據(jù)集的實際方法，你可以在第2部分中讀到。我想要AI在esports方面的研究成長起來，并且開始有開發(fā)支持它的開發(fā)人員。我希望通過提供數(shù)據(jù)集/方法，人們會變得更感興趣。
Regi’s 在我給他看了 DeepLeague之后的反應。
DeepLeague “監(jiān)控”著小地圖，然后在沒有任何其他輸入的情況下，告訴你，每個冠軍選手在每個時刻的位置。
所以，只要有一段視頻，你就可以在比賽的每一秒內(nèi)聚集冠軍和冠軍的位置。這方面有很多用例，特別是在LoL esport場景中，這些數(shù)據(jù)非常有用，因為你需要給DeepLeague提供一個玩家游戲的VOD。這意味著它適用于scrims、solo-q游戲和其他個人游戲，其中所有需要的都是一個簡單的VOD（甚至ARAM! ）
在DeepLeague之前，沒有辦法得到這種游戲內(nèi)的數(shù)據(jù)，因為Riot API只提供post游戲分析。
當你拿到DeepLeague的輸出數(shù)據(jù)后，可以做的事情：
分析一下打野的路徑，他在哪里開始他的路線，當他在哪里，當他回來的時候，他在什么時候，施加了最大的壓力。
分析團隊什么時候拿“龍”，當他們決定拿“龍”的時候，他們是如何在地圖上以團隊的形式輪換的，作為一個團隊，他們是如何拿下男爵的的。
分析什么時候一路會崩，什么時候他們受到其他路想的壓力時，什么時候他們會失去一條線路，什么他們被單殺，什么時候他們離開推進的線路。
當然. 你可以在Faker的VODs上運行DeepLeague，來收集關(guān)于他如何操作和真正學習的數(shù)據(jù)。
讓我們討論一下。
我為什么做這個？
這個GIF圖片沒有任何用途，我就是喜歡這兩個人
我已經(jīng)在電子競技系統(tǒng)工作了大約四年了，其中最有趣的事情之一就是做一個支持團隊的幕后工作。球員會得到教練、分析師、廚師、健身教練、心理學家等方面的瘋狂支持，而球員們除了比賽本身沒什么可擔心的。 但是，這個行業(yè)剛剛興起，目前使用的方法可能不是最好的。 為了說明這一點，我想談談一個全職英雄聯(lián)盟分析師的一些主要職責：
觀察相當長時間的不同地區(qū)的比賽視頻，比如歐洲和韓國。在比賽水平提升前，抓住其中重要的元素，使自己隊伍處于領(lǐng)先地位。
對那些似乎在特定的補丁上過度使用的冠軍做筆記，這樣他們就可以在自己的游戲中利用這些“力量選擇”。
記錄下無數(shù)其他的事情，比如:守衛(wèi)分布，叢林路線，團隊拿龍的時候，團隊聚集在一起的時機，團隊蹲人的時機，玩家死亡的地方，他們推進的地方等等。
當你想成為一名分析師的時候，閱讀了職位描述時
這適用于每一位辛勤工作的教練/分析師。確保你的團隊有最好的獲勝機會的唯一方法是，先收集所有這些信息，理解它，然后弄清楚如何將信息反饋給那些在游戲中處于主導位置的玩家。我相信你可以看到，沒有教練或分析師的英雄聯(lián)盟球隊是少數(shù)！
但是，分析師的工作聽起來很痛苦。最糟糕的是，因為這個行業(yè)是新興的，目前對分析師來說最好的工具就是微軟的Excel。
現(xiàn)在，您已經(jīng)了解了一些幕后發(fā)生的事情，讓我來談談為什么更有用的工具不存在 。
要理解的最重要的事情之一是，Riot Games沒有任何API，可以讓你知道在游戲中每秒會發(fā)生什么。他們所提供的只是游戲后的統(tǒng)計數(shù)據(jù)，比如死亡，死亡等等。這對人們來說是很糟糕的，就像傳奇隊的職業(yè)聯(lián)盟一樣，他們會從這些詳細的現(xiàn)場游戲信息中獲益。這里有一個非永久性的解決方案，我稍后會解釋，但它只適用于live LCS游戲。讓我們看一看可能的情況。
Riot聽到這句話“Hey Riot! 你是否會給我們一個API，給我們開發(fā)者更多的實時數(shù)據(jù)，這樣我們就可以改進分析，創(chuàng)建其他工具來幫助玩家變得更好?“時的反應
讓我們假設(shè)TSM是另一個團隊，比如Cloud 9。玩家們將在各自的游戲房間里玩他們的個人電腦。游戲結(jié)束后，沒有辦法弄清楚到底發(fā)生了什么，而又不去看VOD。他死在哪里?在哪里他守衛(wèi)嗎?他從哪里開始他的打野?所有這些信息都必須手動聚合。有些人可能會說，“為什么不能直接將數(shù)據(jù)與客戶端聚合?”，1)這是違反服務條款的，2)它是加密的，尤其難以破解。
小地圖
我馬上就知道我想用小地圖來做這個小項目。它以最簡單的方式提供了關(guān)于這個游戲的最簡單的信息。對于你的數(shù)據(jù)集來說，這是一種非常好的獲得數(shù)據(jù)的方式，尤其是在深度學習的時候，因為這意味著你的算法可能會更容易學習。
小地圖還提供了與游戲狀態(tài)相關(guān)的驚人數(shù)量的信息。如果一個人每分鐘看一次微型地圖，他們就會很清楚地了解誰是贏家，有多少建筑被毀，守衛(wèi)的位置等等。下一步你會搞清楚我是如何通過計算機視覺來收集這些數(shù)據(jù)的。
我能在小地圖上訓練一個深度神經(jīng)網(wǎng)絡(luò)來預測邊界框，并分類冠軍隊員么？
在過去，我曾使用過深度神經(jīng)網(wǎng)絡(luò)來處理與自動駕駛汽車相關(guān)的任務，而且很明顯它們的功能非常強大。我知道這篇文章的一些讀者可能不理解神經(jīng)網(wǎng)絡(luò)是如何工作的或者他們有什么能力，但是讓我舉個例子來幫助你理解。
下面是我創(chuàng)建的一個神經(jīng)網(wǎng)絡(luò)的小GIF，它是為一輛汽車訓練的，用來預測轉(zhuǎn)向角度(你可以用自動駕駛汽車來查看我的工作)。我設(shè)計了自己的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，并在8小時的駕駛數(shù)據(jù)上訓練了它。
只用了8個小時的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)就神奇地學會了一些基本的規(guī)則，而不被告知。黑點就是實際的轉(zhuǎn)向角。這就是最初控制車輛的司機的角度。紅點是我的神經(jīng)網(wǎng)絡(luò)預測的轉(zhuǎn)向角度是基于它在圖像中看到的。
你幾乎看不到黑點，因為它通常被紅點覆蓋。這是好!這意味著我們的神經(jīng)網(wǎng)絡(luò)在預測如何以圖像中的像素為基礎(chǔ)來駕駛車輛方面做得很好。 這他tm的笨蛋。
我想再展示更多的經(jīng)網(wǎng)絡(luò)，因為我認為這些概念與DeepLeague背后的思想有很大聯(lián)系。神經(jīng)網(wǎng)絡(luò)也可以用于對象檢測。我見過很多不同的模型，它們專門用于對象檢測，比如SSD、R-CNNs、更快的R-CNN和YOLO9000。對于我的一個項目，我需要在一個大屏幕視頻中實時地執(zhí)行對象檢測。這意味著當一個人開車時，這個神經(jīng)網(wǎng)絡(luò)會說“嘿，那是一個人”或者“嘿，那是一輛車”。 我決定使用YOLO9000，因為它是最快的探測器，但不需要最高的精確率。
下面是一個GIF，是一個預先訓練的YOLO模型，我用它來實時地從行車記錄儀中檢測對象。
那么現(xiàn)在的問題是：用于物體檢測的深層神經(jīng)網(wǎng)絡(luò)，是否被訓練用來識別電子游戲中的物體?
嗯。這是有意義的，對吧？如果我們可以訓練一個神經(jīng)網(wǎng)絡(luò)，來理解在現(xiàn)實世界中復雜場景中的物體是什么樣的，我們應該能夠在視頻游戲?qū)ο笊嫌柧毸?！使用此基礎(chǔ)，我開始創(chuàng)建數(shù)據(jù)集。
未完待續(xù)，敬請期待
用深度學習玩LOL，數(shù)據(jù)集DeepLeague開源（下）
更多文章，關(guān)注雷鋒網(wǎng)
添加雷鋒字幕組微信號（leiphonefansub）為好友
備注「我要加入」，To be a AI Volunteer ！
雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
