超级对对碰

“超级对对碰”游戏是一款融合趣味与挑战的益智游戏。其核心玩法在于迅速而准确地从两张卡片中识别出相同的动物图案（图1），这一过程不仅锻炼了学生的观察力和反应速度，更在无形中提升了专注力与记忆力。随着人工智能技术的飞速发展，我们有机会将这种日常游戏转化为一种全新的互动体验。借助人工智能的目标检测技术，让机器参与到游戏过程中，为学生带来更加丰富和智能化的游戏体验，启发他们运用人工智能技术解决身边的问题。

课程目标

本课程设计旨在通过游戏化教学方式，深入探索目标检测技术的奥秘，引导学生亲历从数据收集、数据处理到模型训练、优化，并最终实现模型部署的全过程，培养其工程实践能力。在探寻游戏设计背后机理的过程中，学生能体会到数学组合逻辑在解决复杂问题时的精妙，数形结合在数据分析中的力量。在对动物进行英文标注时，还扩充了学生的英语词汇量，提升了他们对英语学习的兴趣。此外，课程中的游戏元素，也激发了学生的参与热情和探索欲，让学习变得既有趣又高效。

课程内容

通过体验对对碰卡片游戏，引导学生思考游戏规则及游戏设计背后的机理，设计机器参与对对碰游戏的解决方案；通过训练深度学习模型，快速实现动物检测；最后从检测实时性和互动体验等方面进行优化迭代。单元课时划分见表1。

实施过程

探索对对碰游戏背后机理（对应任务2）

对对碰游戏中，每张卡片上有8种不同的动物图案，总共有57种不同的动物，这些动物图案通过特定的排列组合方式分布在57张卡片上。任意取出2张卡片，这2张卡片上一定有且只有1个相同的动物图案。组织学生2人1组体验游戏，探究卡片的设计原理。为了更好地理解原理，将每种动物转换为一个特定的数字代码，形成一套“动物-数字”映射系统。学生需要利用这些数字代码进行比对、分析和推理，找出卡片之间的内在联系。

起初，当每张卡片仅包含2个数字（代表2种动物）时，学生迅速通过简单推理得出了{（1，2），（2，3），（1，3）}3种组合，用3张卡片实现了游戏的设计。然而，随着难度升级至每张卡片包含3个数字，学生遇到了难题。此时，引导学生采用数形结合的策略（图2），将抽象的逻辑问题具象化，通过图形逐步构建出满足条件的卡片组合。经过一番努力，学生不仅解决了问题，还成功实现了7张卡片的游戏设计，{（1，2，3），（1，4，7），（1，5，6），（3，4，5），（3，6，7），（2，5，7），（2，4，6）}。当然，卡片的组合不是唯一的，学生还探究了图形中数字位置发生变化时，可以得出不同的卡片组合。在组合内，每2张卡片都有唯一的共同数字（动物）关联，这一发现极大地增强了学生的自信心和成就感。

面对更进一步的挑战：设计包含2个甚至更多数字（动物）卡片组合时，学生的逻辑推理能力和创新思维遇到了前所未有的考验。教师鼓励学生充分利用丰富的网络资源，找寻解题思路，激发了他们探索未知、解决问题的热情。

目标检测中的数据采集与标定（对应任务4、5）

在进行目标检测前，需要对卡片中的动物图像进行采集和标定。首先，学生使用手机等便携设备进行拍摄，获取目标图像，并通过编写Python脚本自动化图片的命名过程，实现图片库的有序管理和快速访问。随后，学生利用“浦育”平台人工智能工坊提供的数据标注工具，对图像中的每个动物进行精确标注。为每个动物添加不同颜色的检测框，并标注相应的英文名字，以便于识别和分类。在标注过程中，应特别关注图像中可能出现的大动物之间的遮挡现象（图3），并审慎地处理这些遮挡区域，以减少因遮挡或视觉混淆而导致的标注错误，确保数据集的高质量和可靠性。

训练深度学习模型识别不同动物（对应任务7）

学生将采用SSD_Lite这一轻量级模型进行训练。在深度学习模型训练过程中，首先指导学生加载预训练权重文件，这将显著缩短模型在新任务或新数据集上的训练时间，并提高训练的准确率。图4为动物卡片的检测结果，右上角的数字均接近1，表示每个动物的检测结果置信度都非常高。

为了更全面地评估模型的性能和训练策略的有效性，学生将进行一系列实验。首先，调整模型的训练轮次（epoch数），分别设置100、400和1000个epoch，以观察不同训练轮次下模型的表现。然后，比较在不同学习率设置下，模型的收敛速度和最终效果。此外，优化器的选择也是影响模型训练效果的关键因素之一，学生尝试了SGD（随机梯度下降）和Adam（自适应矩估计）等不同的优化器，并评估了它们在训练过程中的性能表现。

模型高效部署与图形界面设计（对应任务8—11）

考虑到原始模型加载速度可能存在的瓶颈问题，学生应先探索将模型转换为ONNX格式，利用ONNX的跨平台兼容性和优化特性，显著提升模型的加载与推理速度。然后，结合OpenCV库，实时捕捉摄像头图像，并利用模型进行目标检测预测，最终将检测结果直观地展示出来。接下来，利用PySimpleGUI这一PythonGUI框架，设计并实现一个简洁易用的图形用户界面。该界面不仅能够实时显示摄像头捕捉的视频流及模型的检测结果，还将提供交互功能，使得整个应用更加贴近实际应用场景，进一步增强用户体验，其结果如图5所示。

学习成果

高中学生通过运用人工智能目标检测知识，完成了“超级对对碰”游戏中的动物检测任务，将复杂的理论知识转化为具体的实践过程，对深度学习有了更深刻的理解。

反思与提高

在课程后续实施过程中，将继续通过实践活动，鼓励学生进一步优化模型的性能，同时提升GUI设计的用户体验。此外，我们希望激发学生的创造力，让他们在现有交互的基础上，探索加入人机博弈机制，将这款游戏设计得更加贴近实际需求，以满足更广泛的应用场景，帮助学生更好地理解人工智能技术的实际应用，并为未来的技术创新打下坚实的基础。