魔兽争霸3中的人物模型问题

Posted

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了魔兽争霸3中的人物模型问题相关的知识，希望对你有一定的参考价值。

我下了个3dmax 8 从网上找了些人物模型，可是可是格式不同，不知道3dmax 8怎样才能导出魔兽模型的格式文件
高分求教
问下怎么写入，是删掉原文件，在写入新文件吗？
我是要做地图啊
我想写入地图编辑器中导入自已的模型发在网上的
我看模型文件的格式要是***贴图文件要是blp的格式啊

注意：格式不同

回答:

[工具] 准备
------------------------
首先你要有以下的东西：
1魔兽资源察看器 ：125_warcraft3viewer
2War3File转换工具 ：War3FileConverter
3MDL文件输入max脚本 ： MDLImporter
4魔兽争霸3资源包 ：War3.MPQ

使用说明。。。

直接用War3File把MDX文件转换成MDL文件

打开3Dmax软件，我们在扩展功能中选择MAXScript，它的具体位置在屏幕的右上标签界面中。选择Run Script，打开MDLImporter.mse这个脚本文件。、、

你可以在下面的界面中进行简单的导入设置，
然后选择Import MDL这个按钮，把刚才转换好的mdl文件打开
最好是别选择骨骼动画 否则容易出问题

打开mdl文件之后，可能需要一会儿的运算时间（视机器好坏而定）
然后模型就导到max这里面来了

找到之前导出的贴图贴到模型上，大功告成

其中的你可以在下面的界面中进行简单的导入设置，
然后选择Import MDL这个按钮，把刚才转换好的mdl文件打开

这是教程
【经典问题】. . . 如何导出魔兽3模型到3Dmax里 :

http://bbs.uuu9.com/viewthread.php?tid=160534 参考技术A MPQreader，把模型写入MPQ文件就可以了，不过要注意备份，免得出现悲剧 参考技术B 一般我都是通过War3ModelEditor编辑的，3dsmax都两年没有用了，不过我想是可以相通的，把3dsmax或者maya的材质导入War3ModelEditor然后输出应该可以吧，因为我用War3ModelEditor时里面的建模方式和max很象，只不过最终生成的格式不一样。至于输入，可以通过we的输入管理器（f12)输入，然后在物体编辑时选择模型文件时点击自定义，找到输入的文件就可以（mdx，mdl，blp），而输入mpq中进行重压缩，我没有试过，不过我想会比较麻烦的，因为没有可视界面的图标。 参考技术C 如果你是转过来的应该就没有贴图的文件，因为是在一起了，可以用War3ModelEditor转换为mdx格式再导入到地图里(F12)，然后在地图编辑器-物体编辑器(F6)单位里选你要改模型的单位，在显示-模型文件项目里双击选择你导入的文件。

War3ModelEditor下载地址http://bbs.uuu9.com/viewthread.php?tid=390783&extra=page%3D1 参考技术D 用地图编缉器提取模型文件即可。

深度学习100例-卷积神经网络（VGG-19）识别灵笼中的人物 | 第7天

文章目录

一、前期工作

本文将实现灵笼中人物角色的识别。较上一篇文章，这次我采用了VGG-19结构，并增加了预测与保存and加载模型两个部分。

我的环境：

  • 语言环境：Python3.6.5
  • 编译器：jupyter notebook
  • 深度学习环境：TensorFlow2

往期精彩内容：

来自专栏：【深度学习100例】

1. 设置GPU

如果使用的是CPU可以忽略这步

import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    tf.config.experimental.set_memory_growth(gpus[0], True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpus[0]],"GPU")

2. 导入数据

import matplotlib.pyplot as plt
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

import os,PIL

# 设置随机种子尽可能使结果可以重现
import numpy as np
np.random.seed(1)

# 设置随机种子尽可能使结果可以重现
import tensorflow as tf
tf.random.set_seed(1)

from tensorflow import keras
from tensorflow.keras import layers,models

import pathlib

data_dir = "D:/jupyter notebook/DL-100-days/datasets/linglong_photos"

data_dir = pathlib.Path(data_dir)

3. 查看数据

数据集中一共有白月魁、查尔斯、红蔻、马克、摩根、冉冰等6个人物角色。

文件夹含义数量
baiyuekui白月魁40 张
chaersi查尔斯76 张
hongkou红蔻36 张
make马克38张
mogen摩根30 张
ranbing冉冰60张
image_count = len(list(data_dir.glob('*/*')))

print("图片总数为：",image_count)

图片总数为： 280

二、数据预处理

1. 加载数据

使用image_dataset_from_directory方法将磁盘中的数据加载到tf.data.Dataset中

batch_size = 16
img_height = 224
img_width = 224

"""
关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789
"""
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.1,
    subset="training",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

Found 280 files belonging to 6 classes.
Using 252 files for training.

"""
关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789
"""
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.1,
    subset="validation",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

Found 280 files belonging to 6 classes.
Using 28 files for validation.

我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。

class_names = train_ds.class_names
print(class_names)

['baiyuekui', 'chaersi', 'hongkou', 'make', 'mogen', 'ranbing']

2. 可视化数据

plt.figure(figsize=(10, 5))  # 图形的宽为10高为5
plt.suptitle("微信公众号：K同学啊")

for images, labels in train_ds.take(1):
    for i in range(8):
        
        ax = plt.subplot(2, 4, i + 1)  

        plt.imshow(images[i].numpy().astype("uint8"))
        plt.title(class_names[labels[i]])
        
        plt.axis("off")

在这里插入图片描述

plt.imshow(images[1].numpy().astype("uint8"))

在这里插入图片描述

3. 再次检查数据

for image_batch, labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break

(16, 224, 224, 3)
(16,)
  • Image_batch是形状的张量（32,180,180,3）。这是一批形状180x180x3的32张图片（最后一维指的是彩色通道RGB）。
  • Label_batch是形状（32，）的张量，这些标签对应32张图片

4. 配置数据集

  • shuffle() ： 打乱数据，关于此函数的详细介绍可以参考：https://zhuanlan.zhihu.com/p/42417456
  • prefetch() ：预取数据，加速运行，其详细介绍可以参考我前两篇文章，里面都有讲解。
  • cache() ：将数据集缓存到内存当中，加速运行
AUTOTUNE = tf.data.AUTOTUNE

train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

5. 归一化

normalization_layer = layers.experimental.preprocessing.Rescaling(1./255)

normalization_train_ds = train_ds.map(lambda x, y: (normalization_layer(x), y))
val_ds = val_ds.map(lambda x, y: (normalization_layer(x), y))

image_batch, labels_batch = next(iter(val_ds))
first_image = image_batch[0]

# 查看归一化后的数据
print(np.min(first_image), np.max(first_image))

0.00390696 1.0

三、构建VGG-19网络

在官方模型与自建模型之间进行二选一就可以啦，选着一个注释掉另外一个，都是正版的VGG-19哈。

VGG优缺点分析：

  • VGG优点

VGG的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3x3）和最大池化尺寸（2x2）。

  • VGG缺点

1)训练时间过长，调参难度大。2)需要的存储容量大，不利于部署。例如存储VGG-16权重值文件的大小为500多MB，不利于安装到嵌入式系统中。

1. 官方模型（已打包好）

官网模型调用这块我放到后面几篇文章中，下面主要讲一下VGG-19

# model = keras.applications.VGG19(weights='imagenet')
# model.summary()

2. 自建模型

from tensorflow.keras import layers, models, Input
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout

def VGG19(nb_classes, input_shape):
    input_tensor = Input(shape=input_shape)
    # 1st block
    x = Conv2D(64, (3,3), activation='relu', padding='same',name='block1_conv1')(input_tensor)
    x = Conv2D(64, (3,3), activation='relu', padding='same',name='block1_conv2')(x)
    x = MaxPooling2D((2,2), strides=(2,2), name = 'block1_pool')(x)
    # 2nd block
    x = Conv2D(128, (3,3), activation='relu', padding='same',name='block2_conv1')(x)
    x = Conv2D(128, (3,3), activation='relu', padding='same',name='block2_conv2')(x)
    x = MaxPooling2D((2,2), strides=(2,2), name = 'block2_pool')(x)
    # 3rd block
    x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv1')(x)
    x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv2')(x)
    x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv3')(x)
    x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv4')(x)
    x = MaxPooling2D((2,2), strides=(2,2), name = 'block3_pool')(x)
    # 4th block
    x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv1')(x)
    x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv2')(x)
    x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv3')(x)
    x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv4')(x)
    x = MaxPooling2D((2,2), strides=(2,2), name = 'block4_pool')(x)
    # 5th block
    x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv1')(x)
    x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv2')(x)
    x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv3')(x)
    x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv4')(x)
    x = MaxPooling2D((2,2), strides=(2,2), name = 'block5_pool')(x)
    # full connection
    x = Flatten()(x)
    x = Dense(4096, activation='relu',  name='fc1')(x)
    x = Dense(4096, activation='relu', name='fc2')(x)
    output_tensor = Dense(nb_classes, activation='softmax', name='predictions')(x)

    model = Model(input_tensor, output_tensor)
    return model

model=VGG19(1000, (img_width, img_height, 3))
model.summary()

Model: "model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         [(None, 224, 224, 3)]     0         
_________________________________________________________________
block1_conv1 (Conv2D)        (None, 224, 224, 64)      1792      
_________________________________________________________________
block1_conv2 (Conv2D)        (None, 224, 224, 64)      36928     
_________________________________________________________________
block1_pool (MaxPooling2D)   (None, 112, 112, 64)      0         
_________________________________________________________________
block2_conv1 (Conv2D)        (None, 112, 112, 128)     73856     
_________________________________________________________________
block2_conv2 (Conv2D)        (None, 112, 112, 128)     147584    
_________________________________________________________________
block2_pool (MaxPooling2D)   (None, 56, 56, 128)       0         
_________________________________________________________________
block3_conv1 (Conv2D)        (None, 56, 56, 256)       295168    
_________________________________________________________________
block3_conv2 (Conv2D)        (None, 56, 56, 256)       590080    
_________________________________________________________________
block3_conv3 (Conv2D)        (None, 56, 56, 256)       590080    
_________________________________________________________________
block3_conv4 (Conv2D)        (None, 56, 56, 256)       590080    
_________________________________________________________________
block3_pool (MaxPooling2D)   (None, 28, 28, 256)       0         
_________________________________________________________________
block4_conv1 (Conv2D)        (None, 28, 28, 512)       1180160   
_________________________________________________________________
block4_conv2 (Conv2D)        (None, 28, 28, 512)       2359808   
_________________________________________________________________
block4_conv3 (Conv2D)        (None, 28, 28, 512)       2359808   
_________________________________________________________________
block4_conv4 (Conv2D)        (None, 28, 28, 512)       2359808   
_________________________________________________________________
block4_pool (MaxPooling2D)   (None, 14, 14, 512)       0         
_________________________________________________________________
block5_conv1 (Conv2D)        (None, 14, 14, 512)       2359808   
_________________________________________________________________
block5_conv2 (Conv2D)        (None, 14, 14, 512)       2359808   
_________________________________________________________________
block5_conv3 (Conv2D)        (None, 14, 14, 512)       2359808   
_________________________________________________________________
block5_conv4 (Conv2D)        (None, 14, 14, 512)       2359808   
_________________________________________________________________
block5_pool (MaxPooling2D)   (None, 7, 7, 512)         0         
_________________________________________________________________
flatten (Flatten)            (None, 25088)             0         
_________________________________________________________________
fc1 (Dense)                  (None, 4096)              102764544 
_________________________________________________________________
fc2 (Dense)                  (None, 4096)              16781312  
_________________________________________________________________
predictions (Dense)          (None, 1000)              4097000   
=================================================================
Total params: 143,667,240
Trainable params: 143,667,240
Non-trainable params: 0
_________________________________________________________________

3. 网络结构图

关于卷积计算的相关知识可以参考文章：https://mtyjkh.blog.csdn.net/article/details/114278995

结构说明：

  • 16个卷积层（Convolutional Layer），分别用blockX_convX表示
  • 3个全连接层（Fully connected Layer），分别用fcX与predictions表示
  • 5个池化层（Pool layer），分别用blockX_pool表示

VGG-19包含了19个隐藏层（16个卷积层和3个全连接层），故称为VGG-19

在这里插入图片描述

四、编译

在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：

  • 损失函数（loss）：用于衡量模型在训练期间的准确率。
  • 优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。
  • 指标（metrics）：用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。
# 设置优化器，我这里改变了学习率。
opt = tf.keras.optimizers.Nadam(learning_rate=1e-5)

model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

五、训练模型

epochs = 10

history = model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=epochs
)

Epoch 1/10
16/16 [==============================] - 12s 276ms/step - loss: 5.4474 - accuracy: 0.1501 - val_loss: 6.8601 - val_accuracy: 0.0714
Epoch 2/10
16/16 [==============================] - 2s 133ms/step - loss: 1.7873 - accuracy: 0.3191 - val_loss: 6.8396 - val_accuracy: 0.4643
Epoch 3/10
16/16 [==============================] - 2s 137ms/step - loss: 1.4631 - accuracy: 0.4250 - val_loss: 6.8453 - val_accuracy: 0.5714
Epoch 4/10
16/16 [==============================] - 2s 130ms/step - loss: 1.1500 - accuracy: 0.6090 - val_loss: 6.8554 - val_accuracy: 0.3571
Epoch 5/10
16/16 [==============================] - 2s 130ms/step - loss: 1.0349 - accuracy: 0.6292 - val_loss: 6.8421 - val_accuracy: 0.4643
Epoch 6/10
16/16 [==============================] - 2s 131ms/step - loss: 1.0131 - accuracy: 0.5919 - val_loss: 6.8288 - val_accuracy: 0.5714
Epoch 7/10
16/16 [==============================] - 2s 131ms/step - loss: 0.6961 - accuracy: 0.7776 - val_loss: 6.8388 - val_accuracy: 0.6429
Epoch 8/10
16/16 [==============================] - 2s 130ms/step - loss: 0.3716 - accuracy: 0.8975 - val_loss: 6.8132 - val_accuracy: 0.5714
Epoch 9/10
16/16 [==============================] - 2s 130ms/step - loss: 0.3372 - accuracy: 0.8586 - val_loss: 6.8059 - val_accuracy: 0.6071
Epoch 10/10
16/16 [==============================] - 2s 130ms/step - loss: 0.1256 - accuracy: 0.9736 - val_loss: 6.7767 - val_accuracy: 0.8929

六、模型评估

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.suptitle("微信公众号：K同学啊")

plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

在这里插入图片描述

为体现原汁原味的VGG-19，本文并未对模型参数进行修改，可依据实际情况修改模型中的相关性参数，适应实际情况以便提升分类效果。

较上一篇文章【学习100例-卷积神经网络（VGG-16）识别海贼王草帽一伙 | 第6天】我做了如下三个改变：

  • 将模型从VGG-16改为VGG-19，
  • 将学习率（learning_rate）从1e-4改为了1e-5
  • 更换了数据集

是不是仿佛明白了什么呢

不明白也没关系，后面再逐一讲解，这里先给大家一个体验

七、保存and加载模型

这是最简单的模型保存与加载方法哈

# 保存模型
model.save('model/my_model.h5')

# 加载模型
new_model = keras.models.load_model('model/my_model.h5')

八、预测

# 采用加载的模型（new_model）来看预测结果

plt.figure(figsize=(10, 5))  # 图形的宽为10高为5
plt.suptitle("微信公众号：K同学啊")

for images, labels in val_ds.take(1):
    for i in range(8):
        ax = plt.subplot(2, 4, i + 1)  
        
        # 显示图片
        plt.imshow(images[i]
以上是关于魔兽争霸3中的人物模型问题的主要内容，如果未能解决你的问题，请参考以下文章
 

 魔兽争霸地图编辑器如何制作白虎


 请问谁有魔兽世界单机的人物和道具属性修改器


 魔兽世界3.13单机版为啥打怪都是一下死！高手解答下


 高分提问 大芒果魔兽单机版的问题


 ·求魔兽争霸混乱之治战役中的所有对话


 魔兽争霸中的加速手套效果能叠加吗？