前言

YOLOV5是一个基于视觉识别的开源项目，本人制作的目的是研究YOLO的应用，并非制作游戏外挂。

类似效果

没时间进行游戏实测画面，暂时放一个其他人的效果吧
【APEX目标识别 2000张图的训练结果-哔哩哔哩】

main.py代码

import argparse
import os
import timeimport cv2
import numpy as np
import pynput
import torch
import win32con
import win32gui
from simple_pid import PIDfrom aim_csgo.apex_aim import lock
from aim_csgo.cs_model import load_model
from aim_csgo.screen_inf import (get_parameters, grab_screen_mss,grab_screen_win32)
from aim_csgo.verify_args import verify_args
from utils.augmentations import letterbox
from utils.general import non_max_suppression, scale_coords, xyxy2xywhparser = argparse.ArgumentParser()
parser.add_argument('--model-path', type=str, default='weights/best.pt', help='模型位置 model address')
parser.add_argument('--imgsz', type=int, default=640, help='和训练模型时imgsz一样')
parser.add_argument('--conf-thres', type=float, default=0.1, help='置信度阈值')
parser.add_argument('--iou-thres', type=float, default=0.45, help='交並比閥值')
parser.add_argument('--use-cuda', type=bool, default=False, help='是否使用cuda')
parser.add_argument('--show-window', type=bool, default=True, help='是否显示检测窗口(debug用,若是True,不要去點右上角的X)')
parser.add_argument('--top-most', type=bool, default=True, help='是否保持检测窗口在最上层')
parser.add_argument('--resize-window', type=float, default=1/2, help='缩放窗口大小')
parser.add_argument('--thickness', type=int, default=2, help='边框线条粗细，需大于1/resize-window')
parser.add_argument('--show-fps', type=bool, default=False, help='是否显示fps')
parser.add_argument('--show-label', type=bool, default=True, help='是否显示标签')
parser.add_argument('--use_mss', type=str, default=True, help='是否使用mss截屏；为False時使用win32截屏；笔记本用True')
parser.add_argument('--region', type=tuple, default=(0.4, 0.4), help='检测范围；分别为x轴和y轴，(1.0, 1.0)表示全屏检测，越低检测值范围越小(以屏幕中心为检测中心)')
parser.add_argument('--hold-lock', type=bool, default=False, help='lock模式；True为按住，False为切換')
parser.add_argument('--lock-sen', type=float, default= 3.0, help='lock幅度系數,遊戲中灵敏度(建议不要调整)')
parser.add_argument('--lock-smooth', type=float, default=1.9, help='lock平滑系数；越大越平滑')
parser.add_argument('--lock-button', type=str, default='right', help='lock按键；只支持鼠标按键，调整自瞄键[left, middle, right, x1, x2]')
parser.add_argument('--head-first', type=bool, default=True, help='是否优先检测头部')
parser.add_argument('--lock-tag', type=list, default=[0], help='对应标签；person(倘若模型不同，请自行修改对应标签)')
parser.add_argument('--lock-choice', type=list, default=[0], help='目标选择；决定锁定的目标，从自己标签选择')
args = parser.parse_args()
'------------------------------------------------------------------------------------'
verify_args(args)
cur_dir = os.path.dirname(os.path.abspath(__file__)) + '\\'
args.model_path = cur_dir + args.model_path
args.lock_tag = [str(i) for i in args.lock_tag]
args.lock_choice = [str(i) for i in args.lock_choice]
device = 'cuda' if args.use_cuda else 'cpu'
half = device != 'cpu'
imgsz = args.imgsz
conf_thres = args.conf_thres
iou_thres = args.iou_thres
top_x, top_y, x, y = get_parameters()
len_x, len_y = int(x * args.region[0]), int(y * args.region[1])
top_x, top_y = int(top_x + x // 2 * (1. - args.region[0])), int(top_y + y // 2 * (1. - args.region[1]))
monitor = {'left': top_x, 'top': top_y, 'width': len_x, 'height': len_y}
model = load_model(args)
stride = int(model.stride.max())
names = model.module.names if hasattr(model, 'module') else model.names
lock_mode = False
team_mode = True
lock_button = eval('pynput.mouse.Button.' + args.lock_button)
mouse = pynput.mouse.Controller()#pid系数可自行调整(一般960显卡参数：kp = 0.5，ki = 0.17，kd = 0.03)
pidx = PID(0.5, 0.17, 0.03, setpoint=0, sample_time=0.001,)
pidy = PID(1.22, 0.12, 0.0, setpoint=0, sample_time=0.001,)
pidx.output_limits = (-4000 ,4000)
pidy.output_limits = (-3000 ,3000)if args.show_window:cv2.namedWindow('aim', cv2.WINDOW_NORMAL)cv2.resizeWindow('aim', int(len_x * args.resize_window), int(len_y * args.resize_window))
def on_click(x, y, button, pressed):global lock_modeif button == lock_button:if args.hold_lock:if pressed:lock_mode = Trueprint('locking...')else:lock_mode = Falseprint('lock mode off')else:if pressed:lock_mode = not lock_modeprint('lock mode', 'on' if lock_mode else 'off')listener = pynput.mouse.Listener(on_click=on_click)
listener.start()print('enjoy yourself!')
t0 = time.time()
cnt = 0while True:if cnt % 20 == 0:top_x, top_y, x, y = get_parameters()len_x, len_y = int(x * args.region[0]), int(y * args.region[1])top_x, top_y = int(top_x + x // 2 * (1. - args.region[0])), int(top_y + y // 2 * (1. - args.region[1]))monitor = {'left': top_x, 'top': top_y, 'width': len_x, 'height': len_y}cnt = 0if args.use_mss:img0 = grab_screen_mss(monitor)img0 = cv2.resize(img0, (len_x, len_y))else:img0 = grab_screen_win32(region=(top_x, top_y, top_x + len_x, top_y + len_y))img0 = cv2.resize(img0, (len_x, len_y))img = letterbox(img0, imgsz, stride=stride)[0]img = img.transpose((2, 0, 1))[::-1]img = np.ascontiguousarray(img)img = torch.from_numpy(img).to(device)img = img.half() if half else img.float()img /= 255.if len(img.shape) == 3:img = img[None]pred = model(img, augment=False, visualize=False)[0]pred = non_max_suppression(pred, conf_thres, iou_thres, agnostic=False)aims = []for i, det in enumerate(pred):gn = torch.tensor(img0.shape)[[1, 0, 1, 0]]if len(det):det[:, :4] = scale_coords(img.shape[2:], det[:, :4], img0.shape).round()for *xyxy, conf, cls in reversed(det):# bbox:(tag, x_center, y_center, x_width, y_width)xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist()  # normalized xywhline = (cls, *xywh)  # label formataim = ('%g ' * len(line)).rstrip() % lineaim = aim.split(' ')aims.append(aim)if len(aims):if lock_mode:lock(aims, mouse, top_x, top_y, len_x, len_y, args, pidx, pidy)if args.show_window:for i, det in enumerate(aims):tag, x_center, y_center, width, height = detx_center, width = len_x * float(x_center), len_x * float(width)#print("width:" , width)#print("x_center:", x_center)y_center, height = len_y * float(y_center), len_y * float(height)top_left = (int(x_center - width / 2.), int(y_center - height / 2.))#print("top_left:", top_left)bottom_right = (int(x_center + width / 2.), int(y_center + height / 2.))#print("bottom_right:", bottom_right)cv2.rectangle(img0, top_left, bottom_right, (0, 255, 0), thickness=args.thickness)if args.show_label:cv2.putText(img0, tag, top_left, cv2.FONT_HERSHEY_SIMPLEX, 0.7, (235, 0, 0), 4)if args.show_window:if args.show_fps:cv2.putText(img0,"FPS:{:.1f}".format(1. / (time.time() - t0)), (10, 50), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 0, 235), 4)# cv2.putText(img0, "lock:{:.1f}".format(lock_mode), (10, 100), cv2.FONT_HERSHEY_SIMPLEX, 2,(0, 0, 235), 4)# cv2.putText(img0, "team:{:.1f}".format(team_mode), (10, 150), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 0, 235), 4)print(1. / (time.time() - t0))t0 = time.time()cv2.imshow('aim', img0)if args.top_most:hwnd = win32gui.FindWindow(None, 'aim')CVRECT = cv2.getWindowImageRect('aim')win32gui.SetWindowPos(hwnd, win32con.HWND_TOPMOST, 0, 0, 0, 0, win32con.SWP_NOMOVE | win32con.SWP_NOSIZE)cv2.waitKey(1)pidx(0)pidy(0)cnt += 1

使用方法

1.下载安装罗技驱动，并不需要买一个罗技鼠标。
2.安装必要的python库
3.运行即可

注意

修改这个代码可以选择是否开启和关闭功能

parser.add_argument('--lock-button', type=str, default='right', help='lock按键；只支持鼠标按键，调整自瞄键[left, middle, right, x1, x2]')

完整链接↓

知识付费按钮

关于yolov5进行FPS游戏的目标检测，实现自动瞄准。相关推荐

目标检测论文解读复现之五：改进YOLOv5的SAR图像舰船目标检测
目标检测论文解读复现文章目录目标检测论文解读复现前言一.摘要二.网络模型及核心创新点三.应用数据集四.实验效果(部分展示) 五.实验结论六.投稿期刊介绍前言此前出了目标改进算法专栏 ...
YOLOv5在android端实现目标检测+跟踪+越界识别并报警
YOLOv5在android端实现目标检测+跟踪+越界识别并报警想要获取源码和相关资料说明的可以关注我的微信公众号:雨中算法屋, 后台回复越界识别即可获取,有问题也可以关注公众号加我微信联系我,相互 ...
基于yolov5实现FPS游戏自瞄，理论上通杀所有射击游戏
1.参考大佬细致教学:Python Apex YOLO V5 6.2 目标检测全过程记录_mrathena的博客-CSDN博客 [Yolov5]使用Ai实现FPS游戏自动瞄准 yolov5fps自瞄 ...
使用YOLOv5实现多路摄像头实时目标检测
文章目录前言一.YOLOV5的强大之处二.YOLOV5部署多路摄像头的web应用 1.多路摄像头读取 2.模型封装 3.Flask后端处理 4.前端展示总结前言 YOLOV5模型从发布到现在 ...
Yolov5 安装详细教程及目标检测和识别
文章内容: 1.在 Anaconda 环境下,进行目标检测程序(Yolov5)的下载及安装,实现 Yolov5 的整体安装: 2.通过调用手机摄像头进行简单的目标检测和识别. 目录 1 任务目标 2 ...
利用 Yolo V3 算法对游戏进行目标检测（DNF 为例）
本 Chat 分享了 Python 及深度学习过程中的一个实战案例,详细讲述了利用目标检测算法识别游戏关键信息的实现过程. 本 Chat 不重复算法原理讲解,主要讲述编程思路,具体包括: 基于 Lab ...
使用YOLOv5实现单摄像头实时目标检测
我将在上一节的基础上,一步一步展示如何实现单摄像头实时目标检测,其中包括我在配置过程中遇到的报错和解决方法. 实现单摄像头实时目标检测将'--source'的默认值改为0 parser.add_ar ...
使用YOLOv5实现多摄像头实时目标检测
这篇博客将在单摄像头目标检测的基础上,实现单网络多线程的实时目标检测. 实现方法在detect.py同级目录下新建streams.txt文件,每个视频流源单独成行: 本地摄像头填0 USB摄像头填1 ...
《深度学习与目标检测 YOLOv5》
<深度学习与目标检测 YOLOv5> flyfish 基础深度学习基础 - 向量深度学习基础 - 累加符号和连乘符号深度学习基础 - 最大似然估计深度学习基础 - 朴素贝叶斯深度 ...

关于yolov5进行FPS游戏的目标检测，实现自动瞄准。

yolov5进行FPS游戏的自瞄

前言

类似效果

main.py代码

使用方法

注意

完整链接↓

关于yolov5进行FPS游戏的目标检测，实现自动瞄准。相关推荐

最新文章

热门文章