使用YOLOv11制作打地鼠游戏辅助器完整指南

1. 环境准备

1.1 安装Python

• 下载安装Python 3.9：Python官网
• 验证安装：

  python --version
  

1.2 安装核心依赖

pip install torch torchvision torchaudio
pip install ultralytics
pip install labelimg
pip install numpy pyautogui opencv-python

1.3 下载预训练模型

下载YOLOv11n模型：

https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt

2. 数据集准备

2.1 目录结构

icon/
├── images/
│   ├── train/    # 训练图片
│   └── val/      # 验证图片
└── labels/
    ├── train/    # 训练标签
    └── val/      # 验证标签

2.2 数据标注

1. 启动labelImg：

   labelimg
   

2. 标注步骤：
   • 打开目录：icon/images/train
   • 设置输出目录：icon/labels/train
   • 选择YOLO格式
   • 标注地鼠出现区域为"mouse"

3. 模型训练

3.1 配置文件

icon.yaml内容：

path: icon
train: images/train
val: images/val
names:
  0: mouse

3.2 训练脚本

train.py：

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # 加载预训练模型

if __name__ == '__main__':
    model.train(
        data='icon.yaml',
        workers=0, 
        epochs=300,
        batch=16,
    )

3.3 启动训练

python train.py

4. 游戏辅助实现

4.1 模型应用

训练完成后，最佳模型保存在：

runs/detect/train/weights/best.pt

4.2 辅助脚本

game_assistant.py：

import cv2
import numpy as np
import pyautogui as pg
from ultralytics import YOLO

# 初始化
yolo = YOLO('runs/detect/train/weights/best.pt')
pg.PAUSE = 0.1  # 每次操作间隔0.1秒
pg.FAILSAFE = True  # 启用安全模式

while True:
    if cv2.waitKey(1) == ord('q'):  # 按Q退出
        break
    
    # 屏幕截图
    shot = pg.screenshot()
    shot_np = np.array(shot)
    shot_np = cv2.cvtColor(shot_np, cv2.COLOR_RGB2BGR)
    
    # 目标检测
    results = yolo.track(shot_np, persist=True)
    
    # 自动点击
    for box in results[0].boxes:
        x, y, w, h = box.xywh[0].tolist()
        pg.doubleClick(x, y)

cv2.destroyAllWindows()

5. 优化建议

5.1 性能优化

1. 截图区域限制：

   # 只截取游戏区域
   shot = pg.screenshot(region=(x, y, width, height))
   

2. 检测间隔控制：

   import time
   while True:
       start_time = time.time()
       # ...检测代码...
       elapsed = time.time() - start_time
       time.sleep(max(0, 0.1 - elapsed))  # 保持10FPS
   

5.2 功能增强

1. 置信度过滤：

   if box.conf > 0.7:  # 只处理置信度>70%的检测
       pg.doubleClick(x, y)
   

2. 多目标处理：

   # 优先点击最近出现的目标
   boxes = sorted(results[0].boxes, key=lambda b: -b.conf)
   

6. 注意事项

1. 游戏兼容性：

   • 确保游戏窗口保持在前台
   • 分辨率设置应与训练数据一致

2. 防检测机制：

   • 随机化点击间隔
   • 添加鼠标移动轨迹

3. 伦理提醒：

   • 本教程仅用于学习目的
   • 在多人游戏中使用自动化脚本可能违反服务条款

7. 常见问题解决

7.1 检测不准确

• 增加训练数据量
• 调整训练参数（如增大epochs）
• 检查标注质量

7.2 运行速度慢

• 降低检测分辨率：

  results = yolo.track(shot_np, imgsz=320)
  

• 使用GPU加速：

  model.to('cuda')
  

7.3 颜色异常

确保正确处理颜色空间：

shot_np = cv2.cvtColor(np.array(pg.screenshot()), cv2.COLOR_RGB2BGR)