一个基于yolov5的Apex Legend AI辅瞄外挂

🅿环境依赖

• 罗技驱动(版本不超过21.9)
• python >= 3.10 && python < 3.11
• CUDA 11
• torch >= 2.0
• 更多的依赖在 requirements.txt 中

♿快速开始

默认在windows系统下

配置scoop(非常好用的windows包管理器)

打开PowerShell terminal(version 5.1 or later)

> Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
> Invoke-RestMethod -Uri https://get.scoop.sh | Invoke-Expression

配置anaconda

scoop bucket add extras
scoop install anaconda3

创建conda环境并安装依赖

在项目文件夹下

conda create -n apex python=3.10
conda activate apex
pip install -r requirements.txt

配置cuda、cudnn、pytorch

使用gpu进行推理所必须，配置过程较复杂，请去搜索专门的资料

安装罗技驱动

提供一份2021.9版本，仅供学习

运行

管理员模式打开一个终端

python apex.py

模型训练

数据集地址

https://github.com/goldjee/AL-YOLO-dataset

训练方法

使用Yolov5 的train.py文件，修改数据集路径参数

训练日志

训练日志以及过程的数据存放在exp目录下

屏幕捕捉

使用DXcam截图来替代yolov5自带的mss截图，将截图时间从15ms优化到5ms

使用Dxshot将截图时间进一步优化

注意：因为是通过屏幕截图的方式来获取的图像，所以屏幕刷新率会限制FPS的上限

鼠标控制

如何控制鼠标

加入了win函数控制鼠标移动的选项，但是在训练场里试了试没有效果，有可能游戏更新之后已经把这个给修复掉了(？)，而且正常情况下win函数的效率太低，所以默认还是鼠标驱动控制鼠标

鼠标移动函数

暂时没想出来如何将鼠标直接移过去，网上也找不到前人的经验。

基于内存的外挂自瞄原理是可以拿到三维坐标，直接修改方向角来瞄准敌人，而基于计算机视觉的外挂只能拿到目标在屏幕上的投影，这是一个二维坐标，要解算出移动的向量很依赖游戏底层的参数(视场角等，详见issue)，目前还没想明白怎么一帧锁敌，也许将来会去实现。

况且一帧锁敌会大大提高被检测的风险性，实现的价值不大，短期内不会再向这个方向去努力了。

目前采用的是将准星逐步移动到目标身上的方法，牺牲了一点点效率，达到了准星吸附一样的效果。

update: 将fov的算法初步投入使用，效果还不错

🤔如何使用

• 将代码下载到本地
• 部署环境依赖
• 管理员模式打开一个终端，进入项目文件夹下运行python apex.py

🎯后续改进

• 截图方式优化
• 推理文件多线程并行(python多线程没啥用)
• 加入PID平滑控制鼠标
• tensorrt推理加速
• 添加自瞄开关（2024.4.10更新 添加了使用键盘PgUp和PgDn控制开关）
• 取消对驱动的依赖
• 多目标识别优先级判断
• 项目架构优化
• 对不同机器参数自适应
• 推理部分C++重写
• 数据集清洗，扩充，加入敌我识别 （2024.4.10更新 添加了用于判断敌我的标签，需敌我数据集重训模型）
• 做个前端
• 生成安装包
• 一帧拉枪(太难，与内存挂原理不同)
• [-] 支持更多YOLO系列模型 （2024.4.10更新 目前测试了v8可用，但是为了最小化修改，不是很优雅的实现）

🤩如果有帮到你就点一个star吧

🎉Star History