Dart score system

Objective: (video -> images -> coordinates_points -> score) 分析飞镖扎在飞盘上的得分

Background

国际标准组织（WDF：World Darts Federation）规定：

“标准飞镖靶的 20 分区域必须位于正上方。”

1896 年，Brian Gamlin（一位木工）设计了现在这个数字排列方式，目的:让高分区被低分区夹住，惩罚失误，避免“刷分”。

Task Allocation

• 模型工程师 (Yexin Liu Lu)（处理视觉模型，输入：静态图片；输出：飞镖坐标点列表）
• 几何计算员 (Zhengkai Yan)（处理得分逻辑，输入：飞镖坐标点列表；输出：得分列表）
• 系统集成员 (Zhijun Wang)（建立实时计分系统：做一个程序，调用设备摄像头，输出静态帧列表；测试模型）

Directory Structure

work zone

协作过程中不要去修改其他人负责的工作区！

• model: model engineering
• geometry: calculate the score
• system: test and construct front-end presentation

config

.yaml for parameter configuration.

• setting.yaml is used to put global const variable.
• yolo_data.yaml configures the data format of yolo dataset.
• dart_hyp.yaml is the configuration file for data argument.

data

dataset_address.txt or chaoxing to download the dataset You should arrange your data directory like this:

• darts_dataset
• yolo_dataset (future, you convert darts_datasetand preserve here)

  Certain samples contain negative coordinates, which result in warnings from YOLO. Therefore, we choose to filter out these samples before further training.

report

You can write your work records or thoughts here.

run_dart

The training results save in this folder.

• yolov5_first: Based on yolov5s, directly training with provided dataset (without filtering).
• yolov5_hyp: Based on yolov5s, adding data argument strategy(config/dart_hyp.yaml) with data filtering (filter the data containing negative coordinates).

model

Collaborators should read:

• 首先，你需要运行 model/conver_label.py：
  • 将数据集(data/darts_dataset)标签形式转换成 YOLO 标准，并放在data/yolo_dataset
  • 划分训练集和验证集
  • 文件存储：data/yolo_dataset
• model/predict_darts.py中的predict_image
  • input: 图片
  • output:
    1. xy: 形如[[], [], [], [], ...] 前四个是参考点的 xy 坐标；后面剩下的是飞镖点的 xy 坐标。
    2. img0: original image

---

特性	YOLOv5	YOLOv8
仓库维护	官方已停止更新	官方持续维护
API 风格	依赖命令行或 train.py	统一的 YOLO() 接口
预训练权重兼容性	仅支持 .pt 格式的 YOLOv5 权重	仅支持 .pt 格式的 YOLOv8 权重

---

Yolov5

运行yolov5训练: (You can use commandline or train_yolo.py at your will.)

cd model/yolov5
pip install -r requirements.txt
cd ..
cd ..
python model/yolov5/train.py --img 800 --batch 16 --epochs 100 --data config/data_dart.yaml --weights model/yolov5s.pt --project runs_dart --name yolov5_first

🔍 YOLOv5 要求输入为固定大小（默认是 640×640），因为：

• 模型的卷积结构需要一致输入尺寸；
• 加快训练速度（小图像 -> 快）；
• 减少显存占用；
• 保持 batch 大小不变。

🔧 如果你设置 --img 800，图片会被缩放到 800×800，会显著增加计算量与显存消耗。一般不推荐，除非你目标特别小且贴边。

模型训练后的实验结果会保存在runs_dart文件夹下（由--project指定）。

Yolov8

✅ 不需要 git clone YOLOv8 仓库

YOLOv8（由 Ultralytics 提供）设计为一个 PyPI 包，你只需要通过 pip install ultralytics 安装它即可，不需要手动克隆仓库，这一点是它相比 YOLOv5 的一大优势。

---

📦 安装后你能直接使用的内容包括：

• 命令行工具：yolo
• 模型权重自动下载（如 yolov8s.pt）
• 所有训练/验证/推理/导出等操作

---

🚀 例如，下面这些命令都可以直接用：

# 查看可用任务
yolo help

# 训练
yolo detect train model=yolov8s.pt data=config/data_dart.yaml epochs=100 imgsz=640

# 推理
yolo detect predict model=runs/detect/train/weights/best.pt source=test.jpg

---

🔍 如果你确实需要源码查看或修改底层代码（如改网络结构）：

那你可以选择手动 clone：

git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics
pip install -e .  # 开发模式安装，可调试源码

---

本任务选择在 COCO 数据集预训练权重 yolov8s.pt 的基础上进行微调训练：

yolo detect train \
  model=yolov8s.pt \
  data=config/data_dart.yaml \
  epochs=10 \
  imgsz=640 \
  batch=16 \
  cfg=config/dart_hyp.yaml \
  name=dart-aug-v1 \
  project=runs_dart

有人做过 YOLO 的可解释性方向或者通过结构模块注入让 YOLO 理解“理解”物体的结构、功能或规则？

geometry

geometry/dart_scoring文件实现了两个函数：

• calculate_dart_scores: 计算飞镖得分
  • input
    • calibration_points: 4 个校准点坐标列表，格式为 [[x1, y1], [x2, y2], [x3, y3], [x4, y4]]
    • dart_points: 飞镖坐标列表，格式为 [[x, y], ...]
  • output
    • results: 每个飞镖的得分列表，格式为 [{'score': 分数, 'details': 描述}, ...]
    • total_score: 总得分
• label_dart_scores: 在飞镖盘图片上标记飞镖得分
  • input
    • image: numpy 数组，飞镖盘图片 (800x800x3)
    • dart_points: 飞镖坐标列表，格式为 [[x, y], ...]，归一化坐标
    • scores: 得分列表，格式为 [{'score': 分数, 'details': 描述}, ...]
  • output
    • labeled_image: 标记了得分的 numpy 图片

system

evaluate_dart_image.py模块提供飞镖评分系统的核心交互功能，支持摄像头实时评估与单图处理两种模式。

evaluate_dart_camera()

• 实时摄像头模式
  通过摄像头实时捕获画面，按需分析飞镖得分
• 快捷键：
  • n：捕获当前帧进行评分
  • q：退出程序
• 支持自定义模型路径

evaluate_dart_image()

• 单图处理模式
  输入图片路径，返回标记得分后的图像及详细结果
• 参数说明：

  img_path: str          # 必选，输入图片路径
  model_path: str = None # 可选，自定义模型路径
  show_steps: bool = False # 是否显示处理中间步骤