### 图像采集与预处理 通过 `WindowCapture()` 方法截取游戏窗口画面，将小地图区域的图像保存到指定路径。该方法可以使用 OpenCV 库实现，确保截取的画面包含小地图信息，以便后续进行目标检测和方向判断。 ```python import cv2 import numpy as np import os def capture_minimap(region=None): # 使用 OpenCV 截取窗口画面 from mss import mss with mss() as sct: if region is None: # 默认截取整个屏幕 monitor = sct.monitors[1] else: # 截取指定区域 monitor = {"top": region[0], "left": region[1], "width": region[2], "height": region[3]} img = sct.grab(monitor) # 转换为 OpenCV 可处理的格式 return np.array(img) ``` 将截取的小地图图像保存到指定路径，便于 YOLO 模型进行训练和推理： ```python file_path = "E:\\pycharmProject\\dnf-ai\\yolov5-6.0\\VOCData\\images" img = capture_minimap() cv2.imwrite(file_path + "\\minimap_" + str(np.random.randint(1000)) + ".png", img) ``` ### YOLO 模型训练与推理 利用 YOLOv5 模型对小地图图像进行训练，识别门的位置。YOLO 算法基于深度学习，能够高效地完成目标检测任务，适用于实时场景。训练时需标注门的边界框，并确保数据集包含不同方向的门，以提升模型的泛化能力[^1]。 在推理阶段，加载训练好的 YOLOv5 模型，并对截取的小地图图像进行预测： ```python from yolov5 import detect def detect_door_direction(image_path): # 调用 YOLOv5 检测门的位置 results = detect.run(source=image_path) # 解析检测结果，获取门的边界框和方向 for result in results: x1, y1, x2, y2 = result['bbox'] direction = determine_direction(x1, y1, x2, y2) return direction ``` ### 门方向判断与结果展示 根据检测到的边界框坐标计算门的方向。假设小地图的中心为角色位置，通过比较门的中心坐标与小地图中心的相对位置，可以判断门的方向。例如，若门的中心位于小地图左侧，则门朝左；若位于右侧，则门朝右。 ```python def determine_direction(x1, y1, x2, y2): # 计算门的中心坐标 center_x = (x1 + x2) / 2 center_y = (y1 + y2) / 2 # 假设小地图中心为 (map_center_x, map_center_y) map_center_x, map_center_y = 200, 200 if center_x < map_center_x - 20: return "Left" elif center_x > map_center_x + 20: return "Right" else: return "Center" ``` 将检测结果以可视化形式展示，可以在小地图图像上绘制边界框和方向箭头： ```python def visualize_result(image, bbox, direction): x1, y1, x2, y2 = bbox cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(image, f"Door: {direction}", (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) cv2.imshow("Minimap Detection", image) cv2.waitKey(0) cv2.destroyAllWindows() ```