关于开发AI自瞄你可能遇到的问题和建议

AI 自瞄听起来非常厉害，甚至让你心动想要自己开发一个？本文将带你深入了解 AI 自瞄的各个难点和细节，帮你实现快速突破，然后快速的发现AI自瞄也不过如此，助你减少花费在这块地方的时间。去折腾其他项目

资源问题

通过百度网盘分享的文件：CS2相关数据集
链接：https://pan.baidu.com/s/1_vigVU5uwv2zkBHzL_ffaQ?pwd=9r5g
提取码：9r5g
–来自百度网盘超级会员V6的分享

鼠标控制问题

在开发 AI 自瞄时，鼠标控制是一个关键问题。使用 Windows API 32 进行开发，虽然直接，但像是“裸奔”，很容易被检测出来。有些人会使用罗技驱动来绕过检测，但软件层面的解决方案容易被识别。

推荐方案：KMBOX

一个更可靠的选择是使用 KMBOX 来控制鼠标，但这需要购买硬件设备，可能会增加成本。如果你不想投资硬件设备，可以参考这篇解决方案文章：《通过 Android 模拟蓝牙并实现自动瞄准——KMBOX 的替代方案》。虽然这个替代方案的效果不如真正的硬件，但它仍然是一种可行的低成本替代方案。

Python 上的性能问题

在开发 AI 自瞄项目时，你会遇到截图、业务逻辑执行以及模型推理等任务。使用多线程开发似乎是一个自然的选择，但 Python 的 GIL（全局解释器锁）限制了多线程的并行执行效率，特别是在处理 CPU 密集型任务时，多线程无法充分利用多核 CPU 的优势。

推荐方案：多进程

在这种情况下，推荐使用多进程来实现并发处理，以获得更好的性能。你可以了解一下 Python 的 multiprocessing 包，它能够有效提升程序的执行效率，特别是在需要频繁处理复杂计算任务时。

截图效率问题

在 AI 自瞄项目中，快速高效地截取屏幕图像至关重要。不同的截图方法有不同的优缺点，下面是几种常见的截图方式：

1. GDI（图形设备接口）

GDI 允许 Windows 应用通过设备上下文（DC）捕获屏幕位图数据。它具有良好的兼容性，不受操作系统版本限制。然而，由于依赖 CPU 处理，GDI 的效率较低，并且无法过滤指定窗口内容。

2. DXGI（DirectX Graphics Infrastructure）

DXGI 是在 Windows 8 及以上系统中引入的图形接口，直接与硬件交互，支持 GPU 处理图形纹理。它的效率高，但由于硬件和 Direct3D 版本的不同，可能会存在兼容性问题。此外，DXGI 无法采集桌面窗口。

3. Magnification API

Magnification API 最初用于辅助视障用户，能够实现屏幕区域放大、颜色转换和窗口过滤等操作，具备一定的灵活性。然而，它的应用场景较为有限。

4. WGC（Windows Graphics Capture）

WGC 是微软在 Windows 10 推出的高效桌面/窗口采集技术，使用 D3D11 库，性能优越且资源消耗低。然而，使用 WGC 采集时会增加无法去除的黄色边框，并且窗口过滤功能仅限于当前进程的子窗口。

推荐方案：DXGI

虽然有些方法存在局限性，但实际使用中，DXGI 的效果相当不错。在我的测试中，截图效率可以达到 5ms，相当于 200 FPS，非常适合高要求的应用场景。

截图黑屏问题

另一个常见问题是，截图时可能捕捉不到游戏内容，得到的只是一个黑屏。这通常是由于截图方法和游戏的图形渲染方式不兼容导致的。在这种情况下，尝试更换截图方法可能会解决问题。

性能优化：游戏中的模型运行效率问题

当你在游戏中运行 AI 自瞄模型时，可能会发现模型的运行效率大幅下降。这通常是因为游戏和 AI 模型在争夺 GPU 资源。

第一步提升建议：优化模型与调整游戏设置

为了应对这种情况，你可以优化你的 AI 模型，使其更小更快。当然，购买更强的显卡也是一个直接的解决方案。但如果不想增加硬件投入，最有效的方法是降低游戏画质，并将游戏分辨率调小。这样可以显著减少游戏占用的 GPU 资源，从而提升 AI 模型的运行效率。

第二步提升建议：使用 C++ 开发

如果你发现 Python 无法满足性能要求，可以考虑使用 C++ 开发。C++ 的运行效率通常比 Python 高出几个数量级，能够显著提升程序的流畅度。不过，C++ 的编程难度较大。如果你对 C++ 不熟悉，可以等待我之后提供的 C++ 实现项目，其中将包含 imgui 的集成。

第三步提升建议：卡尔曼滤波进行插值处理

为了进一步提升效果，可以使用卡尔曼滤波来进行插值处理。卡尔曼滤波可以在两帧画面的两个框之间，通过计算推理得到中间的过渡框。由于游戏人物的移动通常不会在短时间内发生剧烈变化，假设你每 100ms 完成一次截图和推理，那么完全可以通过卡尔曼滤波在两次推理之间插入 10 帧，使得推理结果更加丝滑流畅。这种方法不仅可以提升视觉效果，还能够减少对硬件资源的依赖。

第四步提升建议：使用 TensorRT 进行推理

为了进一步提升模型推理的速度，可以使用 TensorRT。TensorRT 是 NVIDIA 提供的一种高性能深度学习推理库，能够将模型推理效率最大化。
关于是否使用最新的 YOLOv10，经过实际测试，YOLOv10 的运行速度并不明显优于 YOLOv8。事实上，YOLOv5 的架构简洁，并且经过优化，在硬件资源有限的情况下，YOLOv5 通常能够提供更快的推理速度。不过，实际测试发现 YOLOv8 和 YOLOv5 之间的性能差距也不大，可以根据具体需求选择合适的版本。

鼠标拟人轨迹算法

为了让 AI 自瞄显得更加自然，可以考虑使用拟人化的鼠标轨迹算法。这种算法通过模拟人手的自然抖动和移动轨迹，使得 AI 自瞄的动作不容易被检测到。

基本思路

假设你已经推理出瞄准的目标点，可以计算出屏幕中心点到目标点的方向，得到一个矢量数据。然后，根据中心点和目标点的距离来控制矢量的单位。例如，目标越远，向目标方向一次移动的单位数越大，反之则越小。通过这种方式，可以将鼠标的移动分解为若干次微小的移动，从而模拟出人手的自然移动轨迹。

傅里叶算法

此外，还可以使用傅里叶算法将两点之间的线段变得更加丝滑，从而进一步提升拟人化效果。这种算法非常适合用于扩展开发。

CUDA 程序的打包与部署

如果你使用 CUDA 进行模型推理，可能会遇到如何将程序打包并部署到其他 NVIDIA 机器上的问题，而无需为每台机器配置 CUDA 环境。为了解决这个问题，可以使用 NVIDIA 的 CUDA Toolkit 提供的静态链接选项，将 CUDA 库静态链接到你的程序中。这样，程序可以在没有 CUDA 环境的机器上运行，而无需额外的配置。

效果

video_2024-08-21_15-31-06

案例1：自动压枪
https://github.com/ajfkdk/AutoPressDown
案例2：自动瞄准
https://github.com/ajfkdk/CS2_AutoAim_By_YOLOV8
案例3：C++版本的自动瞄准
https://github.com/ajfkdk/CS2_AutoAim
案例4：通过Android模拟蓝牙鼠标
https://github.com/ajfkdk/AndroidMouseSimulator/releases/tag/1.0.0