CannotMax-Greenvine

一个基于深度学习的明日方舟游戏辅助工具，自动识别战斗画面、预测胜率、收集数据、训练模型。

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，支持 MaaFramework 后台截图/点击（游戏可最小化）
  • WIN 模式：基于 WinRT 的高性能窗口/屏幕截取
• 会话名机制：数据/模型按名称分组隔离（如 greenvine），同名会话自动追加数据、基于旧模型微调
• 全自动化流程：一键收集数据 → 定时停止 → 备份旧模型 → 基于历史模型微调 → 导出新 ONNX
• 投资策略可选：跟随 GUI "投资" 复选框，可启用模型预测后投资（有偏数据），或禁用预测固定观望（纯净数据）
• 深度学习预测：支持 PyTorch (CUDA 13.0 加速) 训练 + ONNX Runtime 推理，自动选择 CUDA / DirectML / CPU 执行提供器
• NPU/GPU 加速推理：通过 ONNX Runtime DirectML 提供器，支持 Intel/AMD NPU 及任意 GPU
• 历史匹配：与历史战斗记录进行相似度匹配，自动左右镜像对比
• 自动登录：断线重连、自动登录游戏
• 多开管理：支持多个实例并行运行
• 暗色主题：适配暗色模式的 UI 样式

手动安装步骤

1. 安装 uv：参考 uv 官方文档

2. 配置环境：

   # 安装基础依赖（不含 PyTorch）
   uv sync
   # (可选) CUDA 13.0 加速训练
   uv sync --extra cu130
   # (可选) 仅 CPU 运行
   uv sync --extra cpu

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
• PC：连接明日方舟 PC 客户端，自动启用 MaaFramework 后台操作
• WIN：点击"选择窗口"按钮，通过 WinRT 捕获指定窗口

2. 核心操作

• 自动获取数据：按会话名追加到 data/<会话名>/arknights.csv，同会话名累积复用
• 训练设备选择：自动检测 / CUDA / NPU (DirectML) / CPU
• 一键收集并训练：收集数据 → 备份旧模型 → 微调训练 → 导出 ONNX，全自动
• 预测/识别：手动分析当前画面，基于当前识别到的单位进行胜率预测

3. 数据收集

1. 模拟器中打开争锋频道页面
2. 填写会话名（如 greenvine），勾选是否投资
3. 点击"自动获取数据"或"一键收集并训练"
4. 到达设定时长后自动停止，或手动点击"停止"（可选择"仅停止"或"停止并训练"）

4. 模型训练

• 建议收集 100+ 条数据后再训练
• 一键流程会自动使用同会话名历史 .pth 做 warm-start 微调
• 也可通过"训练 ONNX 模型"按钮或 uv run python train_onnx.py --session greenvine 手动触发

注意事项

• 分辨率：模拟器/客户端建议 1920x1080
• Python 版本：需要 >=3.11（onnxruntime 1.24+ 不再支持 3.10）
• MaaFramework：PC 后台模式需要 uv sync 自动安装 maafw 包
• 依赖冲突：如遇到 OpenCV 报错，删除 opencv-python-headless，保留 opencv-python

主要文件说明

文件	说明
main.py	主程序 GUI
auto_fetch.py	自动数据采集引擎（状态机）
auto_collect_and_train.py	一键收集+训练工作流
train.py	PyTorch 模型训练
train_onnx.py	训练 + ONNX 导出全流程
predict.py	PyTorch 模型预测
predict_onnx.py	ONNX Runtime 推理（支持 CUDA/DirectML/CPU）
login.py	自动登录模块
multi_instance.py	多开管理器
recognize.py	图像识别与 OCR
loadData.py	连接器抽象（ADB/PC/WIN）
maa_adb_connector.py	MaaFramework ADB 连接器
data_package.py	数据打包工具
dark_mode_style_fix.py	暗色模式 UI 样式

---

基于 Ancientea/CannotMax 上游开发