今天给大家分享一款 AI 小游戏：『寻物大作战』，这款游戏是基于 GitHub 上两个开源项目实现的。
话不多说，先带大家领略下效果！
游戏要求玩家在规定时间内，利用手机摄像头，找出和题目匹配的物品。
虽然受限于数据，这款小游戏尚处于初级阶段，不过麻雀虽小，五脏俱全，这个小游戏囊括了数据准备、模型选择、模型优化、上线部署，四位一体的全部流程！
下面就为大家揭秘在这背后究竟是何原理，你也能轻松拥有自己的专属的 AI 小游戏！
总体来说 “寻物大作战” 小游戏背后所依赖的正是目前 AI 领域最热门的深度学习技术，通过一套端到端的图像分类模型来实现物体识别的效果。
虽然听起来 “高大上”，有了下面这两个开发神器的力量加持，对新手用户，甚至是小白用户可以说非常友好！
这两个神器就是：
百度飞桨图像分类套件 PaddleClas
JavaScript 的深度学习前端推理引擎 Paddle.js
PaddleClas 作为 “开箱即用” 的图像分类套件，拥有 180 + 预训练模型，都只需经过简单配置，即可完成从训练到部署的全流程工作。
以图像识别任务为例，高精度的网络模型往往意味着高算力的需求，『寻物大作战』能够在手机小程序中实现，而且可以针对视频流实时推理，其背后正是 PaddleClas 近期所推出的轻量级 CPU 场景骨干网络模型 PP-LCNet。
链接指路：https://github.com/PaddlePaddle/PaddleClas
PP-LCNet 模型以推理速度作为优化指标，特别针对 Intel CPU 平台所设计，同时兼顾 ARM 等移动端平台，在速度与精度的平衡上更为优秀，与现有 SOTA 模型相比，真正做到速度更快、精度更高。
此外，经过验证，PP-LCNet 在目标检测、语义分割等下游视觉任务上同样具有优秀的性能。
Paddle.js 是百度飞桨基于 JavaScript 的深度学习框架，也是国内首款开源前端智能框架。其应用环境不局限于浏览器，对小程序同样做了支持。
通过 Paddle.js 运行 AI 模型，可以提供给用户高实时性、低延迟的体验，逐渐成为处理 AI 需求的更优解。
在『寻物大作战』小游戏中，使用 Paddle.js 仅仅三个步骤就能赋予小程序 AI 能力。
轻松接入 Paddle.js 后，我们接下来看看在『寻物大作战』小程序上的最终实践效果。
主体实现思路可以归纳为，利用 Paddle.js 连续推理摄像头中的图像信息，判断和题目物品是否相符。仅仅几行代码就可以帮你实现！
不难分析出，推理运算耗时在一定程度上会影响游戏的流畅度。耗时越少，用户感受越好。在 WebGL backend 上对不同机型测试了推理耗时，在红米 K30 上单帧推理耗时仅为 32.1 毫秒，iPhoneX 为 49.24 毫秒，对比采用网络传输数据至服务端推理的方案，性能优势显而易见！
在应对需要推理结果具有较好实时性的需求时，采用 Paddle.js 的方案将是更优的选择。
Paddle.js 作为前端深度学习框架，还提供了模型转换、模型优化、性能工具和预训练模型库，其中预训练模型库包含了人像分割、文字识别、手势识别及物品分类等模型的 SDK， 提供了开箱即用的 AI 能力，帮助用户快速实现 AI 效果。
在性能方面，通过算子融合、数据并行计算以及 FP16 量化等优化策略提升推理性能，给用户更好的使用体验。同时 Paddle.js 也提供了全套的模型加密方案保证用户模型安全。
说了这么多，感兴趣的小伙伴肯定迫不及待了吧～下面就送上我们的项目传送门：
https://github.com/PaddlePaddle/Paddle.js
游戏尝鲜👇
此小游戏是为大家提供底层基础能力抛砖引玉，希望伙伴们可以集思广益，将它应用到 Cocos Creator 游戏开发中，一定会带来更多的创意和玩法哦～
如果本文对你帮助，记得留个赞哦！谢谢！
1728
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
