这里就不在过多解释了，就是锁定敌人并自动射击，

我们可以使用生活中的一些案例来实现我们这个小测试，例如，高速的违规拍照、行人流量自动检测系统，还有安全识别检测，如果晚上有陌生人考经，则将灯对准那个人或打开警报系统。

然后我使用一些算法为我的模型生成训练数据以准确检测敌人。

测试环境：

这里建议在Ubuntu系统测试，因为在 Ubuntu 上运行 TensorRT 比在 Windows 10 上运行要容易得多（后面才发现的）

首先必须安装TensorFlow、Python 3、Cuda、Cudnn等包，准备TensorFlow环境。

其次，还要下载Steam和CSGO。

下载玩 Steam 和 CSGO 后，我们需要下载训练好的模型库。我已经压缩了我训练好的模型，并将其放入 checkpoints 文件夹中。

现在，一切准备就绪。

我的yolov3/configs.py文件已经配置为自定义训练对象检测，input_size值为 416。

然后运行。

YOLO_INPUT_SIZE如果你需要更高的准确性，你可以更改，但是根据我的测试掉帧很严重。

现在，当您在后台运行 CSGO 游戏时，运行YOLO_aimbot_main.py脚本。

当 YOLO 检测到屏幕上的物体时，他就会自动锁定敌人并击杀

PS：如果鼠标在游戏中飞来飞去，请打开游戏控制台并键入m_rawinput 0，这会禁用原始游戏输入。此外，你可能需要更改灵敏度或其他次要设置。

结果：

上图！

首先，我大概使用了大约 1500 张图像来训练这个自动模型。

大部分训练数据是我参考别人的方法生成的。

为了让它更准确，建议在不同的地图中使用超过 10,000 张图像，

依此类推，这样我们就可以确保我们的模型不会错误地检测到敌人。

无论如何，我运行了三个不同的测试实例：

那么，这些每秒帧数结果告诉我们什么？

一开始，我使用了没有 TensorRT 优化的标准 YOLO TensorFlow 检测。

这是在使用 1080TI GPU 的 Windows 10 上可以获得的结果，

当然如果你有更好的GPU，则可以获得更好的结果。

然后我将我的 TensorFlow 模型转换为输入大小为 416 的 TensorRT INT8 模型。

我们会看到FPS 增加了一倍多。

最后一个是输入大小为 608 的 TensorRT INT8 模型。

可以看到FPS不是很高，但我确信准确度非常高。

如果我有一张 NVIDIA 3080 甚至 3090，那真不知道会发生什么。虽然目前效果还不错吧