pro_AI

AI 自动瞄准开源学习项目

pro_AI 是一个面向计算机视觉、目标检测、PID 控制与 Windows 输入控制的开源学习项目。仓库整理了恢复出的 Python 模块与一个 ONNX 推理模型，适合研究“视觉感知 -> 目标筛选 -> 平滑控制 -> 输入输出”的工程链路。

本仓库是学习与实验性质的代码集合，不宣称完整还原原始工程。入口模块原本嵌入为 Python 3.12 字节码，因此当前公开内容以可读的辅助模块、模型和文档为主。

项目亮点

• 视觉控制链路：围绕目标检测结果进行目标筛选、瞄准点计算和控制输出。
• PID 平滑控制：通过比例、积分、微分参数减少突变和抖动。
• 多种输入后端：统一封装 Logitech、Windows SendInput 与 KMBOX_NET 等移动方式。
• ONNX 推理模型：仓库包含 models/SG_V8.onnx，用于本地推理实验。

目录结构

source/
├── smooth_aim.py                         # 准星平滑、阻尼与速度限制
├── mouse_controller.py                   # 鼠标移动后端统一调度
├── logi_driver.py                        # Logitech 驱动接口封装
├── process_randomizer.py                 # 单实例与进程辅助逻辑
└── PID自瞄算法模块(plus版...).py          # PID 目标控制算法
models/
└── SG_V8.onnx                            # ONNX 目标检测模型

快速开始

建议使用 Windows + Python 3.12 创建独立虚拟环境：

py -3.12 -m venv .venv
.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip

算法模块可以独立导入测试：

from smooth_aim import CrosshairSmoother

smoother = CrosshairSmoother()
smoother.configure(damping=0.20, curve_power=1.8, deadzone=1.5)
dx, dy = smoother.process(12.0, -6.0)
print(dx, dy)

models/SG_V8.onnx 是模型文件本身；完整推理还需要根据本机环境安装 ONNX Runtime、图像采集依赖，并编写自己的数据预处理与后处理流程。

仓库边界

仓库不包含可执行文件、Python 字节码、驱动二进制、卡密、令牌、服务地址或签名材料。模型文件仅用于本地学习和推理实验，请确认其来源与使用范围。

请优先使用离线录制数据或自建测试环境验证算法，避免将输入控制用于破坏在线游戏公平性的场景。

当前状态

这是一个持续整理中的学习型项目。部分模块来自恢复分析，命名、注释和边界行为可能与原始工程存在差异；欢迎围绕可读性、测试覆盖率和算法实验继续完善。