metadata

title: Street Fighter Move Recognizer
emoji: 🎮
colorFrom: red
colorTo: blue
sdk: streamlit
app_file: app.py
pinned: false
tags:
  - deep-learning
  - lstm
  - game-ai
  - sequence-classification
  - streamlit-app
license: mit
sdk_version: 1.45.1

🎮 Street Fighter Move Recognizer

Bu proje, joystick kombinasyonlarını analiz ederek oyuncunun hangi özel hareketi yapmak istediğini tahmin eden bir makine öğrenimi modelini içermektedir. Veri simüle edilmiştir ve Street Fighter benzeri dövüş oyunlarından esinlenilmiştir.

🧠 Proje Hedefi

Joystick sekanslarından (["DOWN", "RIGHT", "PUNCH"] gibi) yola çıkarak hangi move (hareket) yapıldığını sınıflandıran bir sekans model geliştirmek. Bu, oyun AI sistemlerinin temel yapı taşlarından biridir.

📊 Kullanılan Veri

Veri seti manuel olarak oluşturulmuştur ve aşağıdaki gibi örnek joystick girişlerinden ve etiketli hareket isimlerinden oluşur:

Joystick Sequence	Move
DOWN,RIGHT,PUNCH	Hadouken
RIGHT,DOWN,RIGHT,KICK	Shoryuken
LEFT,LEFT,PUNCH	Dash Punch
DOWN,KICK	Low Kick
LEFT,DOWN,RIGHT,PUNCH	Combo Strike
...	...

🔧 Kullanılan Teknolojiler

TensorFlow / Keras – LSTM model ile sekans sınıflandırma
scikit-learn – LabelEncoder
Streamlit – Web arayüzü
Pickle – Model nesnelerinin kaydedilmesi
Hugging Face Hub – Model paylaşımı
GitHub – Kod ve dokümantasyon paylaşımı

🏗️ Model Mimarisi

Tokenizer ile joystick girişleri tokenize edildi
pad_sequences ile sabit uzunlukta girişe dönüştürüldü
LSTM tabanlı sekans modeli eğitildi
LabelEncoder ile sınıf etiketleri dönüştürüldü
Model .keras, tokenizer.pkl, label_encoder.pkl olarak kaydedildi

🚀 Streamlit Uygulaması

Kullanıcıdan joystick kombinasyonu alınır ve model ile eşleşen hareket tahmin edilir.

Uygulamayı Başlatmak İçin:

streamlit run app.py


🔬 Örnek Tahmin
DOWN,RIGHT,PUNCH
Çıktı:
Tahmin Edilen Hareket: Hadouken



💡 Gelecekte Ne Yapılabilir?
Gerçek zamanlı joystick verisi entegrasyonu

Sesli komut tanıma ile komboları tetikleme

Mobil uyumlu arayüz

Daha fazla kombo ile veri setinin genişletilmesi


📚 Eğitim Amaçlıdır
Bu proje, oyun zekası ve sekans modellemeyi birleştiren bir örnek olarak eğitim amaçlı geliştirilmiştir.