人工智能计算机视觉【免费下载链接】AI-AimbotWorlds Best AI Aimbot - CS2, Valorant, Fortnite, APEX, every game项目地址https://gitcode.com/gh_mirrors/ai/AI-Aimbot点击查看免费下载导读本文以 AI-Aimbot 仓库的 README.md 为主体完整讲解这一纯视觉、可运行在任意含人形角色游戏的 AI 瞄准机器人的安装流程、Fast / Faster / Fastest 三套引擎PyTorch / ONNX / TensorRT的启动方式以及集中化配置文件 config.py 中每一个参数的语义与推荐取值。读完本文你将能独立完成环境搭建、按显卡类型选择对应版本启动程序并根据 main.py、main_onnx.py、main_tensorrt.py 的源码行为理解瞄准逻辑与性能瓶颈为自己的游戏场景做安全、可控的调优。项目背景与定位AI-Aimbot 是一个面向教育用途的开源项目核心思路是使用 YOLOv5 目标检测模型识别屏幕画面中的人形目标再把准星自动移向目标。由于它只做看屏幕和动鼠标两件事不读取游戏内存因此属于典型的视觉外挂visual-only方案——这也意味着它对反作弊系统相对隐蔽但仍存在被玩家举报的风险仓库在 README.md 中明确给出了警告语Use at your own risk!。项目适用性有三点需要先讲清楚不限游戏任何含人形角色的游戏README 中列举了 CS2、Valorant、Fortnite、APEX 等理论上都可用前提是目标以人的形态出现在画面中。仅限 Windows源码依赖win32api/win32con见 main.py通过 Windows API 发送鼠标事件因此运行环境限定为 Windows Python。定位是教育示范项目意在向游戏开发者展示 AI 驱动的作弊手段的脆弱性README 建议把它转告给游戏开发者朋友。三种版本Fast / Faster / Fastest 怎么选README 将项目分为三个入口对应三套推理后端难度与性能依次递进版本入口脚本推理后端适用硬件特点Fastmain.pyPyTorchtorch.hub.load加载 YOLOv5任何电脑最容易配置开箱即用Fastermain_onnx.pyONNX RuntimeCPU / DirectML / CUDA任何电脑需修改config.py的onnxChoiceFastestmain_tensorrt.pyTensorRT.engine引擎文件仅 NVIDIA GPU企业级配置难度性能最高三种版本共享同一套主循环逻辑截屏 → 目标检测 → 计算偏移 → 移动鼠标区别只在于用什么引擎做推理以及数据预处理走哪条路径详见后文源码解析。建议初学者从 Fast 版跑通全流程再根据显卡情况升级。环境准备Python、PyTorch 与依赖安装1. 基础环境按 README 的 Pre-setup Steps你需要Python 3.11仓库配套的 Conda 环境文档 也明确以 Python 3.11 为基准。若用 Conda可以这样创建隔离环境conda create --name RootKit python3.11 conda activate RootKit python --version # 应输出 Python 3.11.xWindows 终端在 PowerShell 或 Command Prompt 中操作。若遇到python is not recognized/pip is not recognized说明 Python 未加入 PATH需先修复环境变量。2. 安装 PyTorch根据显卡类型二选一README 原文命令NVIDIA 显卡CUDA 11.8 版本匹配的 PyTorchpip install torch2.0.1 torchvision0.15.2 torchaudio2.0.2 --index-url https://download.pytorch.org/whl/cu118AMD 显卡或纯 CPUpip install torch torchvision torchaudio3. 安装其余依赖在仓库根目录执行pip install -r requirements.txtrequirements.txt 中锁定的关键包包括PyAutoGUI、PyGetWindow、opencv-python、numpy、pandas、pywin32、bettercam高性能屏幕捕获、dxcam、onnxruntime_directml等。其中bettercam与PyGetWindow是 gameSelection.py 中窗口选择与截屏的核心依赖。注README 开头的硬件要求写的是 Nvidia RTX 980 , higher or equivalent原文如此该型号表述存在笔误并以 NVIDIA CUDA Toolkit 11.8 作为配套 CUDA 环境实际可结合自己的 NVIDIA GPU 与 CUDA 版本判断。运行 Fast 版PyTorch 后端Fast 版即 main.py。安装完成后按以下步骤启动打开 PowerShell 或 Command Prompt。输入cd后把包含机器人代码的文件夹拖入终端回车。执行python main.py。用CAPS_LOCK切换瞄准开关——默认是关闭状态按下后开启。任何时候按q键即可退出程序。启动后终端会弹出游戏窗口选择菜单脚本调用 gameSelection.py 里的gameSelection()用pygetwindow.getAllWindows()列出所有带标题的窗口你输入对应编号回车即可选中游戏窗口。随后脚本会尝试激活窗口最多重试 30 次每次间隔 3 秒并用bettercam.create(region...)以最高 120 FPS 捕获以屏幕中心为基准的screenShotWidth × screenShotHeight区域画面。Fast 版的推理链路源码级从 main.py 可以看到模型加载方式model torch.hub.load(ultralytics/yolov5, yolov5s, pretrainedTrue, force_reloadTrue) stride, names, pt model.stride, model.names, model.pt默认使用YOLOv5ssmall 模型注释中说明追求更高精度可换yolov5m或yolov5l。检测到 CUDA 可用时调用model.half()切换到 FP16 半精度推理main.py。主循环main.py流程为get_latest_frame()取帧 → 剥离 alpha 通道 →movedim调整通道顺序 → 归一化 → 送入模型 → 用 utils/general.py 的non_max_suppression做 NMS 抑制 → 将检测框xyxy2xywh归一化为 DataFrame → 按距离中心排序选目标 → 计算鼠标位移 →win32api.mouse_event移动鼠标。运行 Faster 版ONNX Runtime 后端Faster 版即 main_onnx.py。与 Fast 版唯一的差异是推理走 ONNX Runtime因此必须先在 config.py 中设置onnxChoice与你的硬件对应onnxChoice值含义对应 Provider1CPU ONLY默认CPUExecutionProvider2AMD / NVIDIADmlExecutionProviderDirectML3NVIDIA ONLYCUDAExecutionProvider配合 CuPy若你是 NVIDIA 环境还需要额外安装两个包README 原文pip install onnxruntime-gpu pip install cupy-cuda11x随后执行python main_onnx.py其余操作窗口选择、CAPS_LOCK 开关、q 退出与 Fast 版一致。ONNX 版的推理链路源码级main_onnx.py 展示了 Provider 选择与会话初始化if onnxChoice 1: onnxProvider CPUExecutionProvider elif onnxChoice 2: onnxProvider DmlExecutionProvider elif onnxChoice 3: import cupy as cp onnxProvider CUDAExecutionProvider so ort.SessionOptions() so.graph_optimization_level ort.GraphOptimizationLevel.ORT_ENABLE_ALL ort_sess ort.InferenceSession(yolov5s320Half.onnx, sess_optionsso, providers[onnxProvider])要点解读加载的模型文件是yolov5s320Half.onnx即 320 分辨率、半精度的 ONNX 模型需要预先放在运行目录下可从模型的.pt导出方法见 Fastest 版章节的导出思路。ORT_ENABLE_ALL开启 ONNX Runtime 全量图优化。推理前对输入张量的处理与 Fast 版不同main_onnx.pyonnxChoice 3时数据走torch半精度路径并借助cp.asnumpy(im)与 CuPy 交互CPU / DirectML 时则走纯 NumPy 半精度路径。运行 Fastest 版TensorRT 后端Fastest 版即 main_tensorrt.py只支持 NVIDIA GPU是配置最繁琐、性能上限最高的版本。README 给出了完整的 12 步流程这里完整继承并补充说明安装 CuPypip install cupy-cuda11x。安装 CUDNN下载与 CUDA 11.x 匹配的 CUDNN 8.9.6 本地安装包需要 NVIDIA 账号免费解压后把全部文件夹/文件复制到 CUDA Toolkit 所在目录通常是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8。获取 TensorRT 8.6 GA下载 TensorRT 8.6.1.6Windows x86_64、CUDA 11.8 对应的 zip 包同样解压后复制到 CUDA Toolkit 目录。安装 Python 版 TensorRT复制完成后CUDA 目录下应出现python子文件夹执行pip install C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\python\tensorrt-8.6.1-cp311-none-win_amd64.whl若提示失败不要慌张whl 文件名中的cp311对应你安装的 Python 版本找到与你 Python 版本匹配的 whl注意避开 lean 与 dispatch 变体替换路径重试即可。设置环境变量把以下三个路径加入系统环境变量C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvpC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\binREADME 特别提醒教程视频里遗漏了这一步务必补上。准备预训练模型可以先用仓库提供的.engine模型若不可用则需重新导出。从 YOLOv5 v7.0 release 下载.pt权重推荐yolov5s.pt或yolov5m.ptREADME 原文写的是yolov5s.py/yolov5m.py应为.pt文件按实际下载到的权重为准。运行导出脚本执行 export.py 生成 TensorRT 引擎耐心等待——导出过程可能长达 20 分钟看起来像卡住实为正常python .\export.py --weights ./yolov5s.pt --include engine --half --imgsz 320 320 --device 0参数含义结合 export.py 的 argparse 定义--weightsPyTorch 权重路径--include engine指定导出 TensorRT 引擎格式export_formats()中engine列仅支持 GPU见 export.py--halfFP16 半精度导出。源码中对此有硬性断言--half仅兼容 GPU 导出--device 0且与--dynamic互斥export.py--imgsz 320 320输入尺寸为 320×320与截屏区域尺寸一致--device 0指定 CUDA 设备。如果硬件允许也可以选用更大的 YOLOv5 模型如yolov5mTensorRT 的算力足以支撑更大模型。全部完成后执行python main_tensorrt.py启动交互方式不变。TensorRT 版的推理链路源码级main_tensorrt.py 使用 YOLOv5 官方后端加载引擎model DetectMultiBackend(yolov5s320Half.engine, devicetorch.device(cuda), dnnFalse, data, fp16True)预处理走 CuPy 全流程main_tensorrt.pycp.array([frame])直接进入 GPU 显存 → 去 alpha 通道 → 除以 255 →astype(cp.half)→moveaxis调整通道 → 转回 torch CUDA 张量后送入model(im)。相比 PyTorch 版在 CPU/GPU 之间反复拷贝TensorRT 版将大部分预处理留在显存内这正是其速度优势的来源之一。集中配置config.py 参数详解自 v2 起全部可调参数集中在 config.py。README 指出默认设置对绝大多数场景已经足够以下是每个参数的完整语义默认值取自 config.py 当前源码参数默认值含义与建议screenShotHeight/screenShotWidth320/320屏幕捕获区域尺寸围绕屏幕中心的矩形也是模型输入尺寸。除非有明确需求不建议改动useMaskFalse是否启用遮罩避免把干扰物误检为目标maskSideleft遮罩方向仅useMaskTrue时生效。第三方人物模型或大型枪械出现在画面哪一侧就填left或right源码中非法值会抛出ERROR: Invalid maskSide!见 main.pymaskWidth/maskHeight80/200遮罩区域的宽和高仅useMaskTrue时生效遮罩从捕获画面的右下角right或左下角left开始覆盖aaMovementAmp0.4鼠标移动放大系数。README 建议推荐区间0.5–2数值越小瞄准越平滑默认值已适配 99% 的玩家confidence0.4人形目标的置信度阈值低于该值的结果会被 NMS 抑制普通用户保持默认即可aaQuitKeyQ全局退出键与游戏按键冲突时可换headshot_modeTrue瞄准偏移模式。True时向上偏移量为检测框高度的0.38偏向头部False时为0.2更偏向躯干中心见 main.pycpsDisplayTrue是否在终端每秒打印一次 CPSCorrections Per Second每秒修正次数用于实时观察性能visualsFalse是否打开 Live Feed 调试窗口绘制每个目标的边界框与置信度标签便于排查识别问题centerOfScreenTrue是否按距屏幕中心欧氏距离排序目标优先瞄准最靠近准星的人见 main.pyonnxChoice1仅 ONNX 版生效1 CPU2 AMD/NVIDIADirectML3 NVIDIACUDA CuPy在 README 的 Configurable Settings 中aaQuitKey默认写作q而源码 config.py 中的默认值是Q大小写均被win32api.GetAsyncKeyState(ord(aaQuitKey))识别两者并不冲突。目标选择与瞄准数学理解 bot 的思考过程三种版本的目标选择逻辑完全一致值得单独拆解以 main.py 为例候选收集把 NMS 后的检测框转成 DataFrame列为current_mid_x、current_mid_y、width、height、confidence。中心优先若centerOfScreenTrue计算每个目标中心与屏幕中心的欧氏距离dist_from_center升序排序——离准星最近的人优先。历史目标跟踪若存在上一帧选中的目标last_mid_coord再计算其与所有候选的距离dist并按降序处理帮助在多目标场景下锁定同一人源码注释说明这是按欧氏距离排序后取第一个。瞄准偏移取排序后第一个目标的中心坐标headshot_modeTrue时向上偏移box_height * 0.38否则box_height * 0.2。位移执行mouseMove [xMid - cWidth, (yMid - headshot_offset) - cHeight]仅在win32api.GetKeyState(0x14)即 CAPS_LOCK 按下时通过win32api.mouse_event(win32con.MOUSEEVENTF_MOVE, int(mouseMove[0] * aaMovementAmp), ...)移动鼠标。同一份逻辑也完整存在于 main_onnx.py 与 main_tensorrt.py可以对照阅读。性能数据与已知问题官方自测数据README 的 Current Stats 给出了项目作者的测试环境与成绩非第三方评测仅供参考硬件AMD Ryzen 7 2700、64 GB DDR4、NVIDIA RTX 3080结果达到100–150 CPSCorrections Per Second。提示机器学习环境偶发 CUDA 报错README 建议遇到 CUDA walls 时直接重启机器。已知可被检测的游戏README 记录了社区反馈SplitgateDiscord 用户上报会被 EQU8 反作弊检测到 win32 鼠标移动库的调用。这提醒使用者即使纯视觉方案鼠标事件 API 层面的行为特征仍可能被部分反作弊系统识别。自定义与社区生态仓库鼓励通过 Pull Request 提交自定义脚本与模型自定义脚本放在 customScripts 目录目前已有多个社区变体例如customScripts/Villageslayer/ 的main.py/main_onnx.py/main_tensorrt.py提供另一套三后端实现customScripts/AimAssist/main_onnx_amd_perf.py面向 AMD 的 ONNX 性能优化版customScripts/Tector101/main_alt.py、customScripts/yolov8_live_overlay/yolov8_live_overlay.pyYOLOv8 实时叠加等。自定义模型放在 customModels 目录customModels/Fortnite/readme.md、customModels/rust/readme.md 等子目录展示了不同游戏/地图的专用模型说明。模型结构定义YOLOv5 各尺寸 yaml位于 models/ 目录例如 models/yolov5s.yaml、models/yolov5m.yaml推理工具箱NMS、坐标转换等位于 utils/general.py。如果你想从零构建自己的 aimbotREADME 还指向了一个 Starter Code Pack 作为起点——可按需参考仓库本体始终是只读的示例源码。风险提示仅限教育用途项目定位是展示 AI 作弊对游戏生态的威胁而不是鼓励实际作弊账号风险视觉方案虽对反作弊较隐蔽但仍可能被玩家手动举报README 原文措辞为 If youre caught... youve been warned!合规责任在任何在线游戏中使用辅助瞄准均可能违反游戏服务条款后果由使用者自行承担。小结从 README 的三版本框架到源码级的行为解析AI-Aimbot 的完整脉络可以浓缩为三点Fast 版用来跑通全流程Faster 版用onnxChoice匹配 CPU/AMD/NVIDIA 三档硬件Fastest 版以 TensorRT 换取 NVIDIA 平台下的最高性能。所有调优入口都收敛在 config.py 的十几个参数中理解了目标排序、遮罩、瞄准偏移与 CPS 显示这四类开关你就能在更平滑与更激进之间找到适合自己手感与风险的平衡点。赞分享人工智能计算机视觉【免费下载链接】AI-AimbotWorlds Best AI Aimbot - CS2, Valorant, Fortnite, APEX, every game项目地址https://gitcode.com/gh_mirrors/ai/AI-Aimbot点击查看免费下载相关推荐AI自瞄系统实战指南基于YOLOv5的穿越火线智能瞄准解决方案想要在穿越火线游戏中获得更精准的射击体验吗今天我们将带你深入了解如何利用先进的YOLOv5目标检测技术打造一个智能化的自动瞄准系统。无论你是游戏爱好者还是A计算机视觉深度学习AI自瞄系统基于YOLOv5的穿越火线自动瞄准实战教程AI自瞄系统基于YOLOv5的穿越火线自动瞄准实战教程 项目概述 AIMCF_YOLOv5是一个基于YOLOv5深度学习框架开发的AI自动瞄准系统专门计算机视觉深度学习YOLOv8 Aimbot完整使用手册快速掌握AI瞄准技术想要在FPS游戏中实现精准射击却苦于枪法不准YOLOv8 Aimbot就是你的终极解决方案这款基于人工智能技术的自动瞄准助手通过先进的YOLOv8目标检测人工智能计算机视觉游戏开发上一篇TiXL 关键帧编程实战深入解析 Lib.numbers.anim.utils 的 FindKeyframes 与 SetKeyframes 运算符下一篇OmO 原生遥测并行度卡片开发实战从 parallelism_summary 事件到统一仪表盘的可信度量与零数据路径创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考