simulator: 沙盘模拟行为系统重构

.gitignore

@@ -1,75 +1,20 @@
-# ===========================
-# 1. Python 环境与缓存
-# ===========================
 venv/
-.venv/
 __pycache__/
-.mypy_cache/
-
-# ===========================
-# 2. Pixi 包管理环境
-# ===========================
-.pixi/*
-!.pixi/config.toml
-
-# ===========================
-# 3. IDE 与编辑器配置
-# ===========================
 .idea/
-.vscode/
-
-# ===========================
-# 4. AI 辅助工具配置
-# ===========================
-.claude/
-.codex/
-.copilot/
-.codeartsdoer
-
-# ===========================
-# 5. 模型权重与构建产物
-# ===========================
-# 模型文件
-models/*.png
-*.pth
-*.onnx
-*.onnx.data
-
-# 构建与输出目录
-build/
-output/
-
-# ===========================
-# 6. 数据集与媒体资源
-# ===========================
-# 基础数据目录
+screenshot.png
+tmp
+log.txt
 data/images/
 data/[0-9][0-9][0-9][0-9]_[0-1][0-9]_[0-3][0-9]__[0-2][0-9]_[0-5][0-9]_[0-5][0-9]/
 images/nums/
-
-arknights_package_[0-9][0-9][0-9][0-9][0-1][0-9][0-3][0-9]_[0-2][0-9][0-5][0-9][0-5][0-9].zip
-
-# 训练相关数据
+*.log
+models/Local_models/*
+models/cache/
+!arknights.csv
+build/
+output/
+*.pth
+*.onnx
 data_train/tmp/
 data_train/package/*.zip
-data_train/data_images/
-
-# 单独的截图文件
-screenshot.png
-
-# ===========================
-# 7. 日志与临时文件
-# ===========================
-# 日志
-log.txt
-*.log
-
-# 临时目录
-tmp
-
-# ===========================
-# 8. 其他杂项文件
-# ===========================
-arknights.csv
-multi_ports.txt
-*.bak
+data_train/images/

README.md

@@ -1,132 +1,99 @@
-# CannotMax-Greenvine (Arknights Neural Network)
+# 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。
-
-## 系统要求
-
-- **操作系统**：Windows 10/11
-- **Python 版本**：>= 3.10
-- **显卡**（可选）：NVIDIA GPU（支持 CUDA 12.8/13.0）或纯 CPU 模式
+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。
 
 ## 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。
-
-## 安装指南
-
-### 前置要求
+- 自动识别游戏画面中的单位类型和数量
+- 使用深度学习模型预测战斗结果
+- 支持自动数据收集和训练
+- 提供图形用户界面进行操作
+- 支持自动投资和战斗预测
 
-1. **安装 uv**：
-   参考 [uv 官方文档](https://docs.astral.sh/uv/getting-started/installation) 进行安装。
+## 环境要求
 
-   ```bash
-   # Windows PowerShell
-   powershell -ExecutionPolicy BypassUser -c "irm https://astral.sh/uv/install.ps1 | iex"
-   ```
+- uv
+- Windows 10/11
+- NVIDIA GPU (推荐，用于加速模型训练)
 
-2. **克隆项目**：
-   ```bash
-   git clone https://github.com/Ancientea/CannotMax.git
-   cd CannotMax
-   ```
+## 安装步骤
 
-### 环境配置
-
-根据你的硬件选择对应的安装方式：
-
-#### 运行环境：
-
-##### 方案 1：onnxruntime 模式（最精简）
+1. 克隆项目到本地：
 ```bash
-uv sync
+git clone [项目地址]
+cd [项目目录]
 ```
 
-##### 方案 2：Pytorch CPU 模式（最兼容）
-```bash
-uv sync --extra cpu
-```
+2. 安装uv包管理工具（推荐）：
+https://docs.astral.sh/uv/getting-started/installation
 
-##### 方案 3：Pytorch CUDA 12.8 加速（推荐）
-```bash
-uv sync --extra cu128
-```
-**要求**：NVIDIA 显卡 + CUDA 12.8 工具包（可选，PyTorch 会自动包含运行时）
+   或使用 pip 安装依赖（替代 uv）：
+   ```bash
+   # CPU 版
+   pip install -r requirements.txt
+   # CUDA 12.8 版（NVIDIA GPU）
+   pip install -r requirements.txt --ignore-installed torch torchvision
+   pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128
+   # 国内镜像加速
+   pip install -r requirements.txt -i https://mirrors.cloud.tencent.com/pypi/simple/
+   ```
 
-##### 方案 4：Pytorch CUDA 13.0 加速（最新）
-```bash
-uv sync --extra cu130
-```
-**要求**：NVIDIA 显卡 + CUDA 13.0 工具包（可选）
+3. 修改你的设备序列号:
+- 详情参考使用方法部分，例如雷电模拟器默认设备序列号'127.0.0.1:5555'
+- 你可以从以下网址得知如何找到设备序列号
+- 雷电 https://help.ldmnq.com/docs/LD9adbserver
+- MUMU https://mumu.163.com/help/20230214/35047_1073151.html
+- 蓝叠 https://support.bluestacks.com/hc/en-us/articles/23925869130381-How-to-enable-Android-Debug-Bridge-on-BlueStacks-5
 
-#### 附加开发环境：
-```bash
-uv sync --group dev
-```
 
-## 使用指南
+## 使用方法
 
-### 1. 运行程序
+1. 运行主程序：
 ```bash
 uv run main.py
 ```
 
-### 2. 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。
-
-### 3. 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。
-
-### 4. 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
-
-### 5. 模型训练
-- 建议在训练模型前收集足够的数据
-1. **启动训练**：
+2. 在图形界面中：
+   - 点击"自动获取数据"通过adb链接来自动收集模拟器训练数据
+   - 可通过点击单人按钮来选择单人或30人模式（注意：30人模式要点击投资勾选框）
+   - 投资勾选框来选择是投资或观望
+   - 使用"填写√"和"填写×"按钮记录预测结果
+   - 使用"预测"按钮获取战斗结果预测
+   - 点击选择范围按钮来选择识别范围（主要用于截取直播画面进行预测）
+     - 框选后按回车键确认，框选错误按esc键重新框选
+   - 使用"识别"按钮手动识别当前画面
+   - 输入模拟器序列号后点击更新按钮对模拟器进行重新连接
+
+
+3. 训练模型：
+   - 数据收集完成后，先进行数据清洗，然后训练：
    ```bash
    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](https://github.com/Kutius/maaframework-skills)
+   - 如需使用CUDA加速训练，请在训练前根据安装的CUDA版本执行以下命令：
+   ```bash
+   uv sync --extra cu128
+   ```
 
 ## 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`）。
+- 选择范围时要尽可能按例子框选，且尽可能将直播画面放大再进行框选
+- 建议在训练模型前收集足够的数据
+- 自动获取数据功能游戏窗口可在后台运行
+- 按ESC键可以随时停止自动获取数据
+- 模拟器分辨率目前仅适配了1920*1080
+- 如遇到cv2.error:OpenCV……报错字样务必删除opencv-python-headless(与opencv-python冲突)，仅保留opencv-python
+
+## 文件说明
 
-## 主要文件说明
+- `main.py`: 主程序，包含GUI界面和主要功能
+- `train.py`: 模型训练脚本
+- `loadData.py`: 数据加载和处理模块
+- `recognize.py`: 图像识别模块
+- `requirements.txt`: 项目依赖包列表
+- `data_cleaning.py`: 数据清洗
 
-- `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
+## 贡献
 
----
-欢迎提交 Issue 和 Pull Request！
+欢迎提交问题和改进建议！