CannotMax-Greenvine (Arknights Neural Network)

这是一个基于深度学习的明日方舟游戏辅助工具，用于自动识别游戏画面中的单位并预测战斗结果。本项目集成了高精度的图像识别、战斗模拟以及自动化数据处理流。

功能特点

• 多模式画面捕获：
  • ADB 模式：适配雷电、MuMu、蓝叠等主流模拟器。
  • PC 模式：适配明日方舟官方 PC 客户端。
  • WIN 模式：基于 WinRT 的高性能窗口/屏幕截取，支持直播画面捕捉。
• 深度学习预测：使用神经网络预测战斗胜率，支持 PyTorch (CUDA 加速) 与 ONNX 运行时。
• 战斗模拟器：内置独立的战斗模拟引擎 (main_sim.py)，可手动部署单位进行模拟测试。
• 全自动化流程：支持自动数据收集、自动清洗、模型训练及验证。
• 历史匹配：支持与历史战斗记录进行相似度匹配。

手动安装步骤

1. 安装 uv： 参考 uv 官方文档 进行安装。

2. 配置环境：

   # 安装基础依赖
   uv sync
   # (可选) 安装 CUDA 12.8 支持以加速训练和预测
   uv sync --extra cu128

3. 运行主程序：

   uv run main.py

使用指南

1. 捕获模式选择

• ADB：输入或选择模拟器序列号（如 127.0.0.1:5555）后连接。
  • 设备序列号：
  • 雷电：默认 127.0.0.1:5555
  • MuMu 12：查看设置中的 ADB 端口
  • 蓝叠：查看设置 -> 运行中 -> 开启 ADB
• PC：直接连接已开启的明日方舟官方 PC 客户端。
• WIN：点击“选择窗口”按钮，通过 WinRT 捕获指定窗口或显示器。

2. 核心操作

• 自动获取数据：开启后，程序将自动在战斗结算时保存截图与数据包。
• 预测/识别：
  • “识别”：手动分析当前画面。
  • “预测”：基于当前识别到的单位进行胜率预测。
• 选择范围：主要用于识别非标准布局的画面（如直播间），框选后回车确认，ESC 取消。

3. 获取数据

• 1. 模拟器中打开争锋频道页面
• 2. 点击自动获取数据按钮，程序开始自动获取数据
• 3. 获取足够数据后，点击按钮停止获取
• 4. 点击数据打包按钮，程序自动将获取到的数据打包成zip
• 多开说明
  • 若在同一路径下运行多个main实例收集数据，在点击数据打包前需确保所有实例均处于停止收集状态，数据打包会一次性打包该路径下所有实例收集到的数据
  • 若在不同路径下运行的main实例，实例之间互相独立，互不影响

4. 模型训练

• 建议在训练模型前收集足够的数据

1. 启动训练：

   uv run train.py

开发说明

• 使用AI编程助手时建议导入MAA Framework的Skill库

注意事项

• 分辨率适配：模拟器/客户端建议设置为 1920*1080。
• 依赖冲突：如遇到 OpenCV 报错，请确保环境内不同版本的 OpenCV 不冲突（删除opencv-python-headless(与opencv-python冲突)，推荐仅保留 opencv-python）。

主要文件说明

• main.py: 主程序 GUI，集成识别与预测
• main_sim.py: 独立战斗模拟器
• train.py: 模型训练
• recognize.py: 图像识别与 OCR 逻辑
• winrt_capture.py: 窗口截取模块
• simulator/: 战斗模拟引擎
• tools/: 包含数据清洗、模型转换等实用工具

---

欢迎提交 Issue 和 Pull Request！