营销单页网站模板莱芜区都市网莱芜杂谈

营销单页网站模板,莱芜区都市网莱芜杂谈,wordpress 学习群,上海网站建设招标YOLOv5 是基于深度学习的目标检测算法#xff0c;优势是实时性强、能识别多目标、抗光影干扰#xff0c;适合 FPS 游戏中敌人、武器、爆头点等复杂目标识别。整体流程#xff1a;​ 二、第一步#xff1a;YOLOv5 游戏目标训练#xff08;关键前提#xff09;​需先训练适…YOLOv5 是基于深度学习的目标检测算法优势是实时性强、能识别多目标、抗光影干扰适合 FPS 游戏中敌人、武器、爆头点等复杂目标识别。整体流程​二、第一步YOLOv5 游戏目标训练关键前提​需先训练适配游戏场景的 YOLOv5 模型识别敌人、爆头点等目标​1. 数据准备​截图采集在游戏中截取 100-500 张包含目标如敌人头部、身体的图片窗口化 / 无边框模式覆盖不同距离、光影、姿势。​标注数据用 LabelImg 工具标注目标格式选择 YOLOtxt 文件标签定义如 0:enemy_head敌人头部、1:enemy_body敌人身体。​数据集划分按 8:1:1 拆分训练集、验证集、测试集放入 YOLOv5 的 datasets/游戏名/ 目录。​2. 配置 YOLOv5 训练参数​下载 YOLOv5 源码GitHub 地址安装依赖pip install -r requirements.txt。​复制 models/yolov5s.yaml 为 yolov5_game.yaml修改 nc: 2目标类别数如敌人头部 身体 2 类。​复制 data/coco128.yaml 为 data/game.yaml修改​3. 训练模型​运行训练命令按需调整 epochs 和 batch-size​​训练完成后在 runs/train/exp/weights/ 中获取最佳模型 best.pt。​4. 模型推理测试​编写 Python 脚本测试识别效果输出目标的屏幕坐标x,y、置信度​​# detect_game.py import cv2 import torch import numpy as np # 加载YOLOv5模型 model torch.hub.load(ultralytics/yolov5, custom, pathbest.pt) # 替换为你的模型路径 model.conf 0.5 # 置信度阈值只保留置信度≥0.5的目标 def detect_enemy(screen_img): 输入屏幕捕获的图像numpy数组 输出识别到的目标列表 [{x:中心x, y:中心y, conf:置信度, cls:类别}] results model(screen_img) targets [] # 解析识别结果 for *box, conf, cls in results.xyxy[0]: x1, y1, x2, y2 map(int, box) center_x (x1 x2) // 2 # 目标中心x坐标 center_y (y1 y2) // 2 # 目标中心y坐标 targets.append({ x: center_x, y: center_y, conf: float(conf), cls: int(cls) }) # 按置信度排序优先锁定最清晰的目标 targets.sort(keylambda t: t[conf], reverseTrue) return targets # 测试捕获屏幕并识别需安装mss用于屏幕捕获 from mss import mss sct mss() monitor {top: 0, left: 0, width: 1920, height: 1080} # 游戏窗口坐标范围 while True: # 捕获屏幕画面 img np.array(sct.grab(monitor)) img cv2.cvtColor(img, cv2.COLOR_BGRA2BGR) # 转换颜色空间 # 识别目标 targets detect_enemy(img) if targets: print(识别到目标, targets[0]) # 输出最优先目标 # 按q退出 if cv2.waitKey(1) 0xFF ord(q): break cv2.destroyAllWindows()三、第二步易语言调用 YOLOv5 识别结果​易语言无法直接运行 PyTorch 模型需通过 进程通信 让 PythonYOLOv5将识别结果传递给易语言推荐两种方式​方式 1共享内存高效实时推荐​Python 将目标坐标写入 Windows 共享内存易语言读取共享内存数据延迟10ms适合 FPS 实时瞄准。​1Python 端写入共享内存​安装依赖pip install pywin32​ ​while True:​ img np.array(sct.grab(monitor))​ img cv2.cvtColor(img, cv2.COLOR_BGRA2BGR)​ targets detect_enemy(img) # 调用第一步的识别函数​ write_target_to_mem(targets[0] if targets else None)​ if cv2.waitKey(1) 0xFF ord(q):​ break​ ​ # 关闭资源​ win32file.UnmapViewOfFile(p_buf)​ win32file.CloseHandle(h_map_file)​ ​2易语言端读取共享内存​通过 Windows API 读取共享内存数据核心代码​​.支持库 spec​​// 声明共享内存相关API​.DLL命令 CreateFileMappingA, 整数型, kernel32.dll, CreateFileMappingA​.参数 hFile, 整数型​.参数 lpFileMappingAttributes, 整数型​.参数 flProtect, 整数型​.参数 dwMaximumSizeHigh, 整数型​.参数 dwMaximumSizeLow, 整数型​.参数 lpName, 文本型​​.DLL命令 MapViewOfFile, 整数型, kernel32.dll, MapViewOfFile​.参数 hFileMappingObject, 整数型​.参数 dwDesiredAccess, 整数型​.参数 dwFileOffsetHigh, 整数型​.参数 dwFileOffsetLow, 整数型​.参数 dwNumberOfBytesToMap, 整数型​​.DLL命令 CopyMemory, 整数型, kernel32.dll, RtlMoveMemory​.参数 Destination, 整数型​.参数 Source, 整数型​.参数 Length, 整数型​​.DLL命令 UnmapViewOfFile, 逻辑型, kernel32.dll, UnmapViewOfFile​.参数 lpBaseAddress, 整数型​​方式 2Socket 网络通信跨设备 / 调试方便​Python 作为服务端易语言作为客户端通过 TCP 发送识别结果适合调试或非实时场景核心代码简化​Python 端TCP 服务端用 socket 库监听端口持续发送目标 JSON 数据。​易语言端TCP 客户端用 网络通讯支持库 连接服务端接收并解析 JSON。​四、第三步易语言衔接自动化操作瞄准 / 射击​结合 YOLOv5 识别到的目标坐标实现平滑瞄准和射击核心代码​​.版本 2​.支持库 eAPI​​// 声明鼠标操作API同之前代码​.DLL命令 SetCursorPos, 逻辑型, user32.dll, SetCursorPos​.参数 X, 整数型​.参数 Y, 整数型​​.DLL命令 mouse_event, 逻辑型, user32.dll, mouse_event​.参数 dwFlags, 整数型​.参数 dx, 整数型​.参数 dy, 整数型​.参数 cButtons, 整数型​.参数 dwExtraInfo, 整数型​​.常量 MOUSEEVENTF_LEFTDOWN, 2​.常量 MOUSEEVENTF_LEFTUP, 4​​// 全局变量​.全局变量 脚本开关, 逻辑型, , 假​.全局变量 游戏窗口偏移X, 整数型 // 游戏窗口左上角X坐标避免全屏偏移​​