python-YoloV5模型目标检测实现CS2自瞄_csgo会检测python鼠标移动

---

前言

在我的前几篇文章中，已经实现的基于Zynq 7010开发板实现的HID模拟鼠标。现在尝试通过YoloV5模型实现一个自动瞄准辅助。

---

首先确保已经安装了pytorch，若没有可以前往pytorch官网进行安装，其官网提供了一键命令，非常方便

一、下载YoloV5仓库

前往yolov5的github项目仓库，克隆到本地
yolov5 github网址

git clone https://github.com/ultralytics/yolov5.git
1

安装其要求库

pip install -r requirements
1

下载后，可以先熟悉一下yolov5的使用方法，可参考其官方文档，我这里给出一个示例，后面的图片路径换成你自己的：

# 在终端中调用其detect.py
python detect.py --source ..\test.png
1
2

具体参数很多，这里不一一列出。可以在其文件夹run->exp**文件夹下查看结果：

首次运行后，会下载一个yolov5s.pt的权重文件在项目地址下

二、图片截取

我的想法是获取一个以准星为中心的一个矩形图片，例如640*640，下面介绍两种截图的方法。主要用到pyautogui（获取鼠标位置）、pillow（截图方案1）、mss（截图方案2）三个库。此外opencv、numpy等是必需的因为会在模型调用中用到。

1.使用PIL

import pyautogui
from PIL import ImageGrab, ImageShow
def screen_catch():
    mouse_x, mouse_y = pyautogui.position()
    box = (mouse_x - half_size, mouse_y - half_size, mouse_x + half_size, mouse_y + half_size)

    screen_shot = ImageGrab.grab(box)
	# ImageShow.show(screen_shot) # 显示图片
    screen_shot_cv = cv2.cvtColor(np.array(screen_shot), cv2.COLOR_RGB2BGR)  # 把PIL捕获的图片转换成opencv支持的格式

    return screen_shot_cv
1
2
3
4
5
6
7
8
9
10
11

2.使用mss

from mss import mss
def screen_catch():
    with mss() as sct:
        mouse_x, mouse_y = pyautogui.position()  # 获取鼠标当前位置

        monitor = {"top": mouse_y - size // 2, "left": mouse_x - size // 2, "width":size, "height": size}
        screenshot = sct.grab(monitor)

        # 将截图数据转换为OpenCV格式
        img = np.array(screenshot)
        img = cv2.cvtColor(img, cv2.COLOR_RGBA2BGR)
        return img
1
2
3
4
5
6
7
8
9
10
11
12

其实一开始我是使用PIL库的，然后发现其截图速度过慢，一张960*960大约需要50ms，换到mss库后截图时间下降到10ms左右

三、调用模型

现在编写一个函数，我希望调用这个函数时，自动截图并返回当前画面的模型检测结果
调用模型的部分主要参照yolov5文档即可

from models.common import DetectMultiBackend
from utils.general import (check_img_size, cv2, non_max_suppression)
from utils.torch_utils import select_device
from utils.plots import Annotator, colors, save_one_box
from utils.augmentations import letterbox
from pathlib import Path
FILE = Path(__file__).resolve()
ROOT = FILE.parents[0]  # YOLOv5 root directory

# Load model
device = select_device('')
weights = ROOT / 'Yolov5ForCSGO/yolov5s.pt'  # model.pt path(s)
data = ROOT / 'Yolov5ForCSGO/data/coco128.yaml'  # dataset.yaml path
model = DetectMultiBackend(weights, device=device, dnn=False, data=data, fp16=False)
stride, names, pt = model.stride, model.names, model.pt
imgsz = check_img_size(imgsz=(size, size), s=stride)  # check image size
bs = 1  # batch_size
model.warmup(imgsz=(1 if pt else bs, 3, *imgsz))  # warmup

def run(
        imgsz=(size, size),
        conf_thres=0.25,  # confidence threshold
        iou_thres=0.45,  # NMS IOU threshold
        max_det=1000,  # maximum detections per image
        classes=None,  # filter by class: --class 0, or --class 0 2 3
        agnostic_nms=False,  # class-agnostic NMS
        augment=False,  # augmented inference
        visualize=False,  # visualize features
):
    img0 = screen_catch()  # 捕获原始图片
    img = letterbox(img0, imgsz, stride=32, auto=True)[0]

    # Convert
    img = img.transpose((2, 0, 1))[::-1]  # HWC to CHW, BGR to RGB
    img = np.ascontiguousarray(img)
    im = torch.from_numpy(img).to(device)
    im = im.half() if model.fp16 else im.float()  # uint8 to fp16/32
    im /= 255  # 0 - 255 to 0.0 - 1.0
    if len(im.shape) == 3:
        im = im[None]  # expand for batch dim

    # Inference
    pred = model(im, augment=augment, visualize=visualize)

    # NMS
    pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)
    
    for i, det in enumerate(pred):  # per image
        if len(det):
        	# 取消注释以实时显示检测结果
            # annotator = Annotator(img0, line_width=3, example=str(names))
            # im0 = annotator.result()
            # for *xyxy, conf, cls in reversed(det):
            #     c = int(cls)  # integer class
            #     label = names[c]
            #     annotator.box_label(xyxy, label, color=colors(c, True))
            # cv2.imshow('the result', im0)
            # cv2.waitKey(1)  # 1 millisecond
            return det
        else:
            print(f"无结果")
            return None
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

四、自动瞄准函数

现在再编写一个函数，期望实现当调用这个函数时，auto_aim函数即可调用刚才的run函数获取模型检测值，然后根据检测值决定鼠标移动量，最后移动鼠标

def auto_aim():
    result = run(
        imgsz=(size, size)
    )
    if result is None:
        return 0, 0
    list_class = []
    det = result
    delta_x_final = 0
    delta_y_final = 0
    all_need = 99999
    for *xyxy, conf, cls in reversed(det):
        c = int(cls)
        label = model.names[c]
        list_class.append(label)
        if label != 'person': # 可能会检测到其他物体、如鸟、火车等等，只对人进行瞄准
            continue
        delta_x, delta_y, all_need_move = delta_calculate_person(xyxy)
        if all_need_move <= all_need:
            delta_x_final = delta_x
            delta_y_final = delta_y
            all_need = all_need_move
    move(delta_x_final, delta_y_final)  # 此处的move鼠标移动我通过开发板实现，也可以用python的pynput、pyautogui等等库实现类似效果

    return delta_x_final, delta_y_final

def delta_calculate_person(xyxy):
    x_start = xyxy[0].item()
    x_end = xyxy[2].item()
    x_总长 = x_end - x_start
    y_start = xyxy[1].item()
    y_end = xyxy[3].item()
    y_总长 = y_end - y_start

    找头系数 = 0.1
    if x_总长 <= 30 and y_总长 >= 100:
        找头系数 = 0.1
    delta_x = (int(x_start / 2 + x_end / 2) - half_size)
    delta_y = int(y_start) - half_size + int(y_总长 * 找头系数)
    all_need_move = abs(delta_x) + abs(delta_y)
    return delta_x, delta_y,all_need_move
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

五、绑定热键

最后，尝试把自瞄函数绑定到一个按键上，按下按键即可完成瞄准操作，我通过python keyboard库实现绑定到alt键，这个选择很多，方便即可

if __name__ == '__main__':
    import keyboard

    keyboard.add_hotkey('alt', auto_aim)
    keyboard.wait('esc+esc') # 不会同时按下esc+esc，即不会退出循环
1
2
3
4
5

六、效果展示

注：在此处训练场时，我在move后增加了一行代码，即瞄准后立即开枪，形成瞬狙效果。

七、写在最后

最后不得不说，yolov5s的模型其实无法很好适配cs2人物，蹲下后难以检测，对于苍蝇头CT探员更是难以辨别，因此若要加强该脚本，仍需针对CS2人物地图进行模型训练，目前尚不能很好运用于实战