1.王者荣耀百里自瞄卡盟

一、文章前言☯ 本文只用于学习参考，禁止用于违法用途 ☯玩王者的时候用的百里，有一个瞄准技能，因为经常瞄不准，所以想到使用 yolov5 识别模型，识别目标位置，通过反馈的位置，用脚本瞄准目标：

2.王者荣耀百里自瞄挂免费

游戏画面最终做出的效果如下：

3.王者荣耀百里自瞄挂

运行结果本篇文章简单的分享一下实现思路和步骤二、工暗区突围雷达辅助具&环境准备2.1 安装必要环境工具IDE：使用 Pycharm 2021 社区版，推荐安装参考博文：pycharm安装教程，超详细[1]CUDA 和 CUDNN：用于使用 GPU 加速训练和推理，推荐安装参考博文：

4.王者荣耀百里自瞄购买

Cuda和cuDNN安装教程(超级详细)[2]Git：便于进行模型操作和环境配置，推荐安装参考博文：Git安装教程（Windows安装超详细教程）[3]Anconada：便于配置管理 Python 环境，推荐安装参考博文：

5.王者荣耀百里自瞄脚本

Win10+Anaconda3 的详细安装教程（图文并茂）[4]AnLink：将手机画面投屏到电脑的工具，下载链接暗区突围雷达辅助：AnLink官网[5]2.2 获取 yolov5 源码源码获取推荐参考文章：YOLOv5的详细使用教程，以及使用yolov5训练自己的数据集[6]

6.王者荣耀百里自瞄怎么设置

步骤简单总结一下就是：使用 Git 工具拉取源码使用 Conda 安装配置 yolo 需要的环境三、模型训练准备一段用于训练的视频，这里我用的小鲁班作为目标

7.王者荣耀百里自瞄软件

鲁班7号将这段视频导出为图片，推荐训练的张数为 100 - 400 张，导出可以使用 PR 或者一些网页进行转化，转换网页推荐：Convert To JPG[7]有了图片后使用 Labelimg 进行标注，在 Git 中使用如下命令下载：

8.王暗区突围雷达辅助者荣耀百里自瞄代码

pip install labelimg 下载后启动：labelimg 选择 yolo 标注模式进行标注，设置目标标签为 luban，标注文件生成的是 txt，用于后续的训练

9.王者荣耀百里自瞄透视挂

yolo检测这里的 labelimg 标注工具有一些使用细节要注意，推荐大家参考阅读这篇文章：labelImg 使用教程 图像标定工具[8]数据集准备好后，我们放到同一个文件夹下

10.王者荣耀百里自瞄怎么开

文件目录用 pytorch 打开代码工程，在如下位置新建一个数据集配置文件

pytorch工程输入配置参数：train: D:\yolo_v5\d暗区突围雷达辅助atasets\trains2 # train images (relative to path) 128 images val: D:\yolo_v5\datasets\trains2 # val images (relative to path) 128 images nc: 1 # number of classes names: [luban] # class names

train：训练集标签路径val：验证集标签路径（理论上两个数据集应该不一样，训练效果更好，这里我使用了同一个）nc：识别的种类数目names：识别的标签，和标注时设置的暗区突围雷达辅助标签要对上之后修改训练脚本 train.py 参数：

修改训练脚本配置 pycharm 运行此程序，python 的运行环境是我用 conda 新建的环境

修改程序运行参数训练现象：GPU 进入打工人状态，整体 200 多张图片训练了 4 个小时左右

运行过程模型训练完成后测试训练结果：训练模型结果放在了 yolo_v5\yolov5\runs\train\expxx 目录下面，模型文件是 best.pt 文件

训练结果我们修改 detect.py 检测脚本

检推理脚本然后运行检推理检测程序，运行后在输出目录下生成检测的视频文件，结果如下：

识别结果观察效果也可以看训练目录下的参数结果：

loss参数图整体暗区突围雷达辅助参数还行，loss 曲线正常拟合，没有过拟合和欠拟合情况四、自瞄脚本自瞄脚本基于推理代码进行修改的，这里呢我也参考了 CSDN 博主阿尔法羊写的博客：Yolov5自学笔记之二--在游戏中实时推理并应用（实例：哈利波特手游跳舞小游戏中自动按圈圈）[9]

下面展示部分源码，具体关键源码可以上 Gitee 仓库下载：Gitee仓库|可以阅读原文直接获取[10]传入模型参数def detect( # --------------------这里更改配置-------------------- # --------------------------------------暗区突围雷达辅助------------- weights=runs/train/exp40/weights/best.pt, # 训练好的模型路径 imgsz=(640,640), # 训练模型设置的尺寸 cap=0, # 摄像头 conf_thres=0.25, # 置信度 iou_thres=0.45, # NMS IOU 阈值 max_det=1000, # 最大侦测的目标数 device=0, # 设备 crop=True, # 显示预测框 classes=暗区突围雷达辅助None, # 种类 agnostic_nms=False, # class-agnostic NMS augment=False, # 是否扩充推理 half=False, # 使用FP16半精度推理 hide_labels=False, # 是否隐藏标签 hide_conf=False, # 是否隐藏置信度 line_thickness=3 # 预测框的线宽 ):

获取 Anlink 投屏到电脑的游戏画面 image_array = grab_screen(region=(88, 暗区突围雷达辅助92, 1914, 914)) array_to_image = Image.fromarray(image_array, mode=RGB) img = np.asarray(array_to_image) # 将图像转成array # 设置labels--记录标签/概率/位置 labels = [] # 计时 t0 = time.time() img0 = img # 填充调整大小 img = letterbox(img0, imgsz, str暗区突围雷达辅助ide=stride)[0] # Convert img = img.transpose((2, 0, 1))[::-1] # HWC to CHW, BGR to RGB img = np.ascontiguousarray(img)

模型推理 # 推断 pred = model(img, augment=augment)[0] 推理完成后处理数据# 获取中心点，即分别求横、纵坐标的中间点 pointx = int((xyxy[0] + xyxy[2]) / 2) pointy =暗区突围雷达辅助 int((xyxy[1] + xyxy[3]) / 2) # # # 移动鼠标到中心点位置，并点击 if mark == 0: pyautogui.moveTo(1437, 662, _pause=False) pyautogui.mouseDown() # 鼠标按下 my_ts1 = time.time() mark = 1 else: my_ts2 = time.time() d2x = pointx - 1826 / 2 d2暗区突围雷达辅助y = pointy - 822 / 2 a = math.atan2(d2y, d2x) if 0 < a < pi / 2: b = a - (pi / 12) * (1 - math.tan(abs(pi / 4 - a))) if pi / 2 <= a < pi: b = a - (pi / 12) * (1 - math.tan(abs(pi * 3 / 4 - a))) if -pi < a < -pi / 2: b = a + (pi / 12) * (1 - mat暗区突围雷达辅助h.tan(abs(pi * 3 / 4 + a))) if -pi / 2 <= a 3: pyautogui.mouseUp() # 鼠标释放 mark = 0

实现原理就是获取目标距离画面中心的位置信息，进入角度转换，因为王者的画面是 2.5D，不是 2D，所以需要做一个坐标转换，就是下面的代码，加一个角度偏置，偏置角度和位置有关，这个转换还是有些小瑕疵，后面需要优化一下，暂时先参考参考，屏幕的触摸使用的是 pyautogui 库

if 0 < a < pi / 2: b = a - (pi / 12) * (1 - math.暗区突围雷达辅助tan(abs(pi / 4 - a))) if pi / 2 <= a < pi: b = a - (pi / 12) * (1 - math.tan(abs(pi * 3 / 4 - a))) if -pi < a < -pi / 2: b = a + (pi / 12) * (1 - math.tan(abs(pi * 3 / 4 + a))) if -pi / 2 <= a <= 0: b = a - (pi / 12) * (1 - math.tan(abs(pi / 4 + a)))

最后暗区突围雷达辅助将识别结果标记画面显示在屏幕上，方便我们直观看到结果imshow=cv2.cvtColor(im0,cv2.COLOR_BGR2BGRA)cv2.imshow("copy window",imshow

)key=cv2.waitKey(2)五、测试效果运行程序，观察现象，最后就是开始的画面了：

运行结果六、整体思考从模型部署到脚本完成大概花了一天，麻烦的点就是那个 2.5D 到 2D 的坐标转换，花了一些时间，最后出来的自瞄效果还算可以，测试的对象是个人机小鲁班，命中率挺高，我也做过真人测试，测试结果不是很理想，自瞄反应速率跟不上，主要还是处理的帧率太慢，对此可以进行改进：

对模型进行量化，用精度的暗区突围雷达辅助牺牲换取速度的提升瞄准脚本可以做优化，加入距离判断，合理的设置技能释放时间参考资料[1] pycharm安装教程，超详细: https://blog.csdn.net/qq_448097

07/article/details/122501118[2] Cuda和cuDNN安装教程(超级详细): https://blog.csdn.net/jhsignal/article/details/111401628

暗区突围雷达辅助并茂）:

https://blog.csdn.net/scorn_/article/details/106591160[5] AnLink官网: https://anl.ink/?lang=en&uuid={4FB8B6DE-7C41-4117-A963-864773E23C88}

[6] YOLOv5的详细使用教程，以及使用yolov5训练自己的数据集: https://blog.csdn.net/sinat_28371057/article/details/120598220[7] Convert To JPG:

暗区突围雷达辅助labelImg 使用教程 图像标定工具: https://blog.csdn.net/Dontla/article/details/102662815

[9] Yolov5自学笔记之二--在游戏中实时推理并应用（实例：哈利波特手游跳舞小游戏中自动按圈圈）: https://blog.csdn.net/qq_41597915/article/details/122738456

王者荣耀免刷机辅助

本文来自网址：https://caihongdaishuawang.com/pc/yxgl/4068.html