🃏 BlackjIAck

Proyecto final de la asignatura Imagen y Vídeo Digital
Autores: Christian Bertomeu Rodríguez, Jesús Navarro Prieto, Ricardo Román Martínez

---

🎯 Objetivos

1. Detectar cartas de poker en imágenes/vídeo.
2. Reconocer jugadas en tiempo real en partidas de Blackjack.
3. Recomendar la mejor jugada (Pedir, Quedarse, Doblar) según la estrategia óptima del juego.

---

📦 Dataset

Dataset: (Link)

• 7624 imágenes de entrenamiento
• 265 de validación
• 53 clases distintas
• Formato: JPG, 224x224x3

Para adaptarlo a YOLOv8, se usó un script personalizado de conversión al formato YOLO (imágenes + archivos .txt con etiquetas).

---

🧠 Modelo

Se utilizó YOLOv8s por su buen balance entre velocidad y precisión.
Entrenamiento final:

Train 33:

• Modelo: yolov8s.pt
• Resolución: 640x640
• Epochs: 20
• Batch size: 16
• Aumentos de datos

---

🔧 Data Augmentation

Probamos a usar data augmentation mejorar la detección de cartas pequeñas o solapadas:

• Escalado y rotación aleatoria de cartas.
• Inserción sobre fondos con textura/ruido.
• Distribución aleatoria en zonas de dealer y jugador.
• Se generaron nuevos batches con este método.

Finalmente no se utilizó debido a sus malos resultados

---

⚙️ Funcionamiento del sistema

1. Captura de vídeo desde la webcam (OpenCV).
2. División en zonas:
   • Parte superior: cartas del dealer.
   • Parte inferior: cartas del jugador.
3. Detección de contornos con Canny y filtrado por área para localizar posibles cartas.
4. Zoom a cada ROI y clasificación con YOLOv8.
5. Conversión de etiquetas a valores enteros y paso a la lógica del Blackjack.
6. Determinación de jugada óptima.

---

💡 Lógica de decisión

El archivo mejor_jugada.py implementa una estrategia óptima en base a:

• Tipos de mano: dura, blanda o pares.
• Tabla de decisiones basada en el valor del dealer.

Valores:

• P: Pedir
• Q: Quedarse
• D: Doblar

---

📂 Descripción de archivos

Archivo	Descripción
play.py	Script principal que lanza la detección de cartas en tiempo real desde la webcam, visualiza resultados y calcula la mejor jugada con interfaz gráfica.
eval.py	Evalúa el modelo YOLOv8 entrenado sobre el conjunto de validación. Muestra métricas como precisión, recall y mAP.
mejor_jugada.py	Contiene la lógica de decisión basada en estrategia óptima de Blackjack. Convierte las cartas detectadas a valores numéricos y devuelve la mejor acción recomendada.
train.ipynb	Cuaderno Jupyter utilizado para entrenar los modelos YOLOv8 con distintas configuraciones y datasets aumentados.
convert_to_yolo.ipynb	Cuaderno para convertir el dataset original de Kaggle al formato compatible con YOLOv8 (imágenes + etiquetas).
cards.yaml	Configuración del dataset: nombres de clases y rutas a los conjuntos de entrenamiento/validación.
kaggle.json	Credenciales necesarias para descargar el dataset desde Kaggle.
runs/	Carpeta generada automáticamente por YOLO que contiene modelos entrenados y resultados de validación.
requirements.ipynb	Notebook para descargar las librerias necesarias. Nombres, bibliografía y README incluidos

📚 Librerías necesarias (Python 3.8+)

Para reproducir correctamente este proyecto, asegúrate de tener instalado lo siguiente:

pip install opencv-python ultralytics numpy