观前提醒
本文仅用于自身经验分享，无任何教导、引诱、教唆、制作外挂等违法行为。
本声明适用于 suzhiYOLO / suzhiCyolo 等由 su素质（以下简称"作者"）发布的开源项目。 在下载、使用或修改本项目代码前，请仔细阅读以下条款。使用即表示您已同意本免责声明全部内容。
1. 项目性质
本项目 仅供学习、研究及技术交流使用，旨在帮助开发者理解：
- 内存读写与逆向工程原理
- 深度学习目标检测在游戏场景中的应用
- Windows / Android 平台下的系统编程与驱动开发
严禁将本项目或其衍生版本用于任何违反法律法规、游戏服务条款或破坏他人合法权益的场景。
2. 使用限制
使用本项目时，您同意并承诺：
- 不得 将本项目用于任何商业目的（包括但不限于出售、租赁、捆绑收费等）；
- 不得 将本项目用于任何线上/线下游戏的作弊行为，或破坏游戏公平性的活动；
- 不得 利用本项目侵犯任何第三方的知识产权、隐私权或其他合法权益；
- 不得 绕过游戏运营商的反作弊系统（Anti-Cheat）进行非法数据修改；
- 不得 将本项目代码用于恶意软件、勒索病毒、间谍软件等非法开发行为。
3. 免责条款
3.1 无担保声明
本项目以 "按原样"（AS IS） 方式提供，作者不提供任何明示或暗示的担保，包括但不限于：
- 适销性（Merchantability）
- 特定用途的适用性（Fitness for a Particular Purpose）
- 无侵权（Non-infringement）
- 代码的正确性、稳定性、安全性或兼容性
3.2 风险自负
您理解并同意，使用本项目所产生的一切风险（包括但不限于账号封禁、设备损坏、数据丢失、法律责任、经济损失等）均由您自行承担。作者不对任何直接、间接、偶然、特殊或惩罚性的损害承担责任。
3.3 第三方依赖
本项目可能包含第三方开源库或工具，相关版权及许可条件请参考各自独立的许可文件。作者不对第三方库的安全性、合法性或性能负责。
4. 法律合规声明
- 用户应自行确认所在国家或地区的法律法规，确保使用本项目的合法性。
- 若本项目被用于违反游戏运营商服务条款的行为，作者不承担任何连带责任。
- 作者保留随时修改、更新或停止本项目维护的权利，恕不另行通知。
5. 开源许可证
本项目采用 MIT 许可证（或您实际使用的许可证），具体条款见项目根目录的 LICENSE 文件。
在遵守 MIT 许可的前提下，您有权使用、复制、修改、合并、发布、分发本项目代码，但必须保留原始版权声明和本免责声明。
6. 最终解释权
本免责声明的最终解释权归作者所有。如有任何疑问，可通过项目仓库的 Issue 或作者指定的联系方式进行咨询。
继续观看视为同意上述协议
环境配置
在使用 YOLO 框架前，我们需要先配置基础环境。
Python 环境（3.10+ 推荐）：
pip install ultralytics
pip install onnxruntime # CPU 推理
pip install onnxruntime-directml # GPU 推理（Windows，需要 DirectML 支持）
如果你只是跑 YOLO 训练，装好 ultralytics 就够了。ONNX Runtime 和 DirectML 是后面部署到 C++ overlay 时才需要的。
C++ 编译环境（可选，部署阶段才用）：
- Visual Studio 2022 Build Tools（C++ 桌面开发工作负载）
- vcpkg 或 NuGet 安装
Microsoft.ML.OnnxRuntime.DirectML
具体内容可自行查询，不再赘述。
YOLO 的基础认知
有了环境，我们就可以来进行数据集的准备了。
不过，在准备前，我们需要了解下 YOLO 的推理机制，方便我们理解。
YOLO 的推理结果并不是直接返回"这是敌人"或"这是队友"这样的文字描述， 返回的是一个 检测结果数组（列表），数组中的每一个元素对应一个被检测到的目标。
对于一个目标，YOLO 会返回以下信息：
- class_id：一个整数，表示这个目标属于哪个类别。比如你训练时定义了
0=敌人、1=队友，那返回的class_id=0就代表"敌人"。 - confidence：0 到 1 之间的浮点数，表示模型认为这个目标有多大概率属于这个类别。例如
0.85表示模型有 85% 的把握这是一个敌人。 - bounding box：一组坐标，用在屏幕上把这个目标"框"出来。常见的表示方式有：
- 中心点坐标 + 宽高：
(center_x, center_y, width, height)，四个值都在 0~1 之间（相对于图片尺寸的归一化坐标） - 左上角 + 右下角坐标：
(x1, y1, x2, y2)，同样是 0~1 的归一化坐标
- 中心点坐标 + 宽高：
了解了个大概，就可以开始数据集的第一步：截图了。
截图工具已放到文章末尾，欢迎自取。
YOLO 数据集准备
首先，不要认为每一步都这么简单，对于新东西，我们保持严谨。
态度很重要。
虽然无非就是：
- 上游戏
- 打开工具
- 选窗口范围
- 开始截图
- 打两把，或者盯着队友转两圈
- 截图结束，下号
- 标注
但是，角度、距离、分辨率这些同样重要，缺一不可，少一个 YOLO 识别效率都会大打折扣。 而且，一个优秀的模型训练至少需要数以万张的高精度训练数据集，卓越的更是数不胜数。 仅靠双手，如何才能避免误框、多框、少框这个难题？
你觉得我会说："我没有天赋，我只有坚持…… 加大数据量，一个个手动标注。" 但那是弱者的思维。
AI 标注工具：X-AnyLabeling
X-AnyLabeling 提供了一个非常之 nb 克拉斯的东西 —— AI 标注。
工作流程：
- 手动标注 10~20 张作为种子数据集
- 用这 10~20 张训练一个初始模型（哪怕精度一般也行）
- 把这个模型喂回 X-AnyLabeling，让它自动处理文件夹中剩余的图片
- 人工修正自动标注的结果，检查漏标、错标、多标
你只需要 10~20 张图，组成一个小数据集喂给一个模型，它就能直接帮你处理文件夹中剩余的图片，并转换为模型可用的数据集格式。
这将极大缩短我们标注、处理数据集的时间。
7月17日的素质 belike : 🤡
当然，工具虽好不要贪多。它虽然可以帮你处理绝大部分数据，但还是需要人工修正。 不然误标注对模型学习的影响也是很大的。
数据集目录与配置
参数说明
| 参数 | 含义 |
|---|---|
| path | 数据集的总目录，YOLO 会在这里找 train / val 子目录 |
| train / val | 训练/验证图片路径，可以是相对路径（如 images/train）、绝对路径或指向 .txt 文件（逐行列出图片路径） |
| nc | 类别数量（Number of Classes），整数 |
| names | 类别名称字典，键为类别 ID（从 0 开始），值为名称字符串 |
目录结构示例
my_data/ # 这就是 path 指向的目录
├── images/
│ ├── train/ # 训练图片
│ │ ├── img1.jpg
│ │ └── img2.jpg
│ └── val/ # 验证图片
│ ├── img3.jpg
│ └── img4.jpg
├── labels/
│ ├── train/ # 训练标签，与图片一一对应
│ │ ├── img1.txt
│ │ └── img2.txt
│ └── val/ # 验证标签
│ ├── img3.txt
│ └── img4.txt
└── my_data.yaml # 配置文件
my_data.yaml 示例
path: ./my_data # 数据集根目录
train: images/train # 训练集图片
val: images/val # 验证集图片
nc: 2 # 类别数量
names: ["head", "full"] # 类别名称，索引对应 class_id
注意：标签文件名必须与图片文件名一一对应（仅后缀不同）。例如
img1.jpg对应img1.txt。
标签文件 *.txt 格式
每张图片对应的 .txt 标签文件里，每一行代表一个目标：
class_id x_center y_center width height
- class_id：类别 ID（整数，从0开始）
- x_center, y_center, width, height：归一化浮点数（0~1之间）
例如，一张 640x480 的图片里，有一个"敌人"在中心，宽高是 100x100：
class_id = 0
x_center = 320/640 = 0.5
y_center = 240/480 = 0.5
width = 100/640 = 0.15625
height = 100/480 = 0.20833
那么 .txt 文件里就是一行：
0 0.5 0.5 0.15625 0.20833
提示：X-AnyLabeling 导出时会自动生成这个格式的标签文件，不需要手算。
YOLO 的训练
弄完了漫长的数据集，接下来就要喂给初始模型了。
依旧 YOLOv8n，轻量、够用。
训练脚本（Python）
在项目根目录新建 train.py：
from ultralytics import YOLO
# 加载预训练模型
model = YOLO("yolov8n.pt")
# 开始训练
results = model.train(
data="my_data.yaml", # 数据集配置文件
epochs=100, # 训练轮数
imgsz=320, # 输入图片尺寸
batch=8, # 批大小
device=0, # GPU ID，CPU 用 device="cpu"
workers=4, # 数据加载线程数
patience=50, # 早停轮数
optimizer="auto", # 优化器（auto 自动选）
lr0=0.01, # 初始学习率
momentum=0.937, # 动量
weight_decay=0.0005, # L2 正则化
warmup_epochs=3, # 预热轮数
warmup_momentum=0.8,
warmup_bias_lr=0.1,
box=7.5, # 边界框损失权重
cls=0.5, # 分类损失权重
dfl=1.5, # 分布焦点损失权重
hsv_h=0.015, # 色相增强
hsv_s=0.7, # 饱和度增强
hsv_v=0.4, # 明度增强
translate=0.1, # 平移
scale=0.5, # 缩放
fliplr=0.5, # 左右翻转
mosaic=1.0, # Mosaic 增强
mixup=0.0, # Mixup 增强
project="runs/train", # 结果保存目录
name="suzhiyolo_exp", # 实验名
exist_ok=True, # 覆盖同名目录
amp=True, # 混合精度
plots=True, # 生成曲线图
val=True, # 边训练边验证
)
print("✅ 训练完成，模型保存在:", results.save_dir)
参数详解（训练）
核心参数
| 参数 | 含义 | 说明 |
|---|---|---|
| data | 数据集配置文件 | YAML 路径，指定了数据位置和类别 |
| model | 预训练权重 | 选 yolov8n.pt 最轻量，显存不够就用它 |
| epochs | 训练轮数 | 配合 patience 早停，不是越多越好 |
| imgsz | 输入图片尺寸 | 320 速度最快，640 精度更高，显存约 4 倍 |
| batch | 批大小 | 受显存限制，6G 推荐 8，12G 可上 16 |
| device | 设备 | 0 表示第一张 GPU，cpu 表示 CPU |
优化器参数
| 参数 | 含义 | 说明 |
|---|---|---|
| lr0 | 初始学习率 | 默认 0.01，震荡明显可降到 0.005 |
| momentum | 动量 | SGD 使用，默认 0.937，加速收敛 |
| weight_decay | L2 正则化 | 防止过拟合，默认 0.0005 |
| optimizer | 优化器 | auto 自动选（SGD for YOLO），也可指定 AdamW |
| warmup_epochs | 预热轮数 | 前几轮 lr 从小变大，避免初期震荡 |
损失权重
| 参数 | 含义 | 说明 |
|---|---|---|
| box | 边界框损失权重 | 默认 7.5，决定框的位置准不准 |
| cls | 分类损失权重 | 默认 0.5，决定类别判断准不准 |
| dfl | 分布焦点损失权重 | 默认 1.5，影响边框回归的精细度 |
数据增强（重要）
| 参数 | 含义 | 说明 |
|---|---|---|
| hsv_h/s/v | 色相/饱和度/明度扰动 | 增强对光照变化的鲁棒性 |
| translate | 平移 | 模拟目标在画面不同位置 |
| scale | 缩放 | 模拟目标远近变化，我开 0.5 |
| fliplr | 左右翻转 | 默认 0.5，对对称场景有用 |
| mosaic | 马赛克增强 | 将 4 张图拼成 1 张，默认 1.0，建议保留 |
| mixup | 混合增强 | 两张图叠加，适合小数据集 |
训练管理
| 参数 | 含义 | 说明 |
|---|---|---|
| patience | 早停轮数 | 验证集 mAP 连续 N 轮不提升就停止 |
| project | 结果根目录 | 默认 runs/train |
| name | 实验子目录 | 每次训练单独存一份，方便对比 |
| exist_ok | 覆盖允许 | True 则覆盖同名目录，False 则自动加后缀 |
| resume | 断点续训 | 填 True 或具体权重路径 |
| amp | 混合精度 | 开启后显存占用降低约 30%，速度提升 |
| plots | 生成曲线图 | True 自动生成 loss/mAP 曲线图 |
训练过程看什么
终端日志重点关注：
Epoch GPU_mem box_loss cls_loss dfl_loss mAP50 mAP50-95
1/100 4.8G 1.25 2.63 1.91 0.12 0.08
20/100 5.1G 0.92 1.24 1.54 0.43 0.27
50/100 5.2G 0.73 0.81 1.32 0.61 0.39
100/100 5.2G 0.61 0.58 1.18 0.72 0.48
box_loss/cls_loss/dfl_loss持续下降 → 模型在学- mAP50：0.6 以上基本可用，0.7+ 算不错
- mAP50-95：更严格，0.4~0.5 正常
如果 loss 降但 mAP 不动 → 数据标注有问题或类别不平衡。 如果 mAP 涨到某点后开始下降 → 过拟合，提前停或减 epochs。
导出 ONNX 模型
训练完成后，YOLO 会在 runs/train/suzhiyolo_exp/ 下生成 best.pt。
但 C++ 端不能直接用 .pt 文件，需要导出为 ONNX 格式。
from ultralytics import YOLO
model = YOLO("runs/train/suzhiyolo_exp/best.pt")
model.export(
format="onnx",
imgsz=320,
opset=17, # ONNX opset 版本，17 兼容性好
simplify=True, # 简化模型图，减小体积
)
导出后会在同目录下生成 best.onnx，这就是我们 C++ overlay 要加载的模型文件。
suzhiCyolo：开箱即用的 C++ Overlay
经过上述流程，我们已经得到了一个能识别头部/全身的 YOLO 模型（best.onnx）。
现在，我们需要给它造一副身体 —— 一个 C++ overlay 程序，让模型真正在屏幕上跑起来。
suzhiCyolo 做了什么？
- 基于 ImGui + DirectX 11 的透明 overlay，实时渲染在游戏窗口上方
- 加载你训练好的
yolov8n.onnx，通过 ONNX Runtime + DirectML 在 GPU 上推理 - 支持多种瞄准算法（直接瞄准 / 卡尔曼滤波 / 线性插值）
- IoU 跟踪器，稳定锁定目标，减少跳帧
- 动态瞄准范围，距离越近范围越小，避免贴脸甩枪
不想从 0 开始写？没问题，suzhiCyolo 提供开箱即用包，导入你自己的模型即可开始使用。
具体用法参考 suzhiCyolo 仓库。
截图建议
截图是数据集质量的根基，这里给几个实用建议：
- 多地图、多角度：不同地图的光照、背景差异很大，只截一张图训练出来的模型换个地图就瞎
- 固定分辨率：训练和推理的分辨率要一致，别拿 1920 的截图训练、用 1280 的窗口推理
- 多姿态：蹲下、站立、跳跃、持枪、不持枪，每种姿态都要覆盖
- 距离梯度：近处、中距离、远处各截一些，模型才能学会不同距离的识别
- 数量建议：至少 500 张起步，1000~3000 张效果明显提升，5000+ 趋于稳定
工具
截图工具
X-AnyLabeling
GitHub - CVHub520/X-AnyLabeling