🎮 基于 YOLOv10 微信跳一跳 AMD ROCm 版本

微信跳一跳自动化是基于YOLOv10目标检测的微信跳一跳游戏自动化工具，通过计算机视觉识别游戏中的小人和目标平台，自动计算距离并控制手机进行精准跳跃。本项目已支持 AMD ROCm 平台训练和推理，支持 Ryzen AI 系列芯片。

微信跳一跳项目地址：Link

YOLOv10 微信跳一跳训练与控制闭环

OK，那接下来我将会带领大家亲自动手，一步步实现微信跳一跳自动化的训练和使用过程，让我们一起来体验一下吧~

Step 1: 环境准备

本文基础环境如下：

----------------
Windows 11 / Ubuntu 24.04
python 3.12
rocm 7.12.0
pytorch 2.9.1
----------------

📖 ROCm + PyTorch 基础环境安装请参考 00-Environment，完成后再继续以下步骤。

安装本项目专用依赖：

# 激活虚拟环境后
uv pip install -r requirements_rocm_windows.txt

安装 ADB 工具

ADB（Android Debug Bridge）是用于与Android设备通信的命令行工具。

Windows 安装方式：

1. 官方下载：https://developer.android.google.cn/tools/releases/platform-tools?authuser=4&hl=zh-cn
2. 下载并解压后，设置解压路径至系统环境变量中

环境变量配置示例

macOS 安装方式：

# 使用提供的安装脚本
chmod +x install_adb_mac.sh
./install_adb_mac.sh

# 或手动安装
brew install android-platform-tools

安卓手机设置

1. 开启开发者选项
2. 启用USB调试
3. 连接电脑并授权ADB调试
4. 验证连接：adb devices

Step 2: 数据准备

2.1 自动截图收集数据

首先，我们需要收集游戏截图作为训练数据。运行自动截图脚本：

# 自动截图收集训练数据
python simple_screenshot.py

脚本会每2秒自动截图一次，保存到 dataset/screenshot_dataset/ 目录。按 Ctrl+C 停止截图。

建议收集至少 200-500 张不同场景的游戏截图，包括：

• 不同距离的跳跃场景
• 不同形状的平台
• 不同角度和光照条件

2.2 数据标注

使用 labelimg 工具对截图进行标注：

# 启动标注工具
labelimg

标注步骤：

1. 打开 dataset/screenshot_dataset/ 目录
2. 选择 YOLO 格式
3. 标注两个类别：
   • 类别 0 (cube): 目标平台
   • 类别 1 (human): 小人
4. 保存标注文件到 dataset/yolo_label/ 目录

标注完成后，每个图片会对应一个同名的 .txt 标注文件，格式如下：

0 0.5 0.3 0.1 0.15  # 类别 x_center y_center width height (归一化坐标)
1 0.2 0.7 0.05 0.1

2.3 数据集划分

使用 dataset_split.py 脚本将数据集划分为训练集、验证集和测试集：

# 划分数据集（默认比例：训练集80%，验证集10%，测试集10%）
python dataset_split.py

脚本会自动将数据划分到 yolo_dataset/ 目录下：

yolo_dataset/
├── images/
│   ├── train/    # 训练集图片
│   ├── val/      # 验证集图片
│   └── test/     # 测试集图片
└── labels/
    ├── train/    # 训练集标签
    ├── val/      # 验证集标签
    └── test/     # 测试集标签

Step 3: 模型训练

3.1 准备数据集配置文件

在 yolo_dataset/ 目录下创建 data.yaml 文件：

path: ./yolo_dataset
train: images/train
val: images/val
test: images/test

names:
  0: cube
  1: human

3.2 开始训练

运行训练脚本：

python train.py

训练脚本会：

1. 加载预训练的 YOLOv10n 模型
2. 使用 ROCm 加速训练（自动使用 cuda 设备）
3. 训练 500 个 epoch
4. 保存最佳模型到 runs/detect/train/weights/best.pt

训练参数说明：

• 模型: YOLOv10n（轻量级模型，适合移动端和边缘设备）
• 输入尺寸: 640x640
• 训练轮数: 500 epochs
• 设备: 自动使用 ROCm (cuda)

训练时间取决于数据集大小和硬件性能，通常在 Ryzen AI 设备上需要 1-3 小时

3.3 模型测试

训练完成后，可以使用 detect.py 测试模型效果：

# 测试训练好的模型
python detect.py

Step 4: 使用自动化工具

4.1 运行主程序

训练完成后，运行主程序开始自动化游戏：

python main.py

主程序会：

1. 加载训练好的模型（./runs/detect/train/weights/best.pt）
2. 自动截图获取游戏画面
3. 使用 YOLO 模型检测小人和目标平台
4. 计算距离并自动跳跃
5. 实时显示检测结果

4.2 参数调整

在 main.py 中可以调整跳跃系数 k：

jump.jump(k=1.3)  # 根据手机分辨率调整系数，屏幕越大，k值越大

不同手机分辨率的系数参考：

• 1080p: k=1.3
• 1440p: k=1.5
• 需要根据实际测试调整

4.3 核心算法

1. 目标检测

使用 YOLOv10 模型检测游戏中的：

• 目标平台位置（类别 0: cube）
• 小人位置（类别 1: human）

2. 距离计算

# 计算两个目标中心点的欧氏距离
distance = np.sqrt((cube_box[0] - humen_box[0]) ** 2 + 
                   (cube_box[1] - (humen_box[1] + humen_box[3] * 0.5)) ** 2)

3. 跳跃控制

# 根据距离计算按压时间，模拟跳跃
press_time = int(distance * k)  # k 为跳跃系数
jump.adb_tap(x, y, duration_ms=press_time)

写在最后

微信跳一跳自动化项目展示了如何使用深度学习技术解决实际问题。通过 YOLOv10 目标检测模型，我们可以精准识别游戏中的关键元素，并通过 ADB 实现自动化控制。本项目已支持 AMD ROCm 平台，让更多开发者能够在 AMD 硬件上体验深度学习的魅力。

项目特色

• 🤖 智能识别：使用YOLOv10模型精准识别游戏中的小人和目标平台
• 📏 距离计算：通过欧氏距离计算跳跃所需的力度
• 📱 ADB控制：自动控制Android手机进行截图和模拟点击
• 🎯 高精度：基于深度学习的目标检测，识别准确率高
• 🔄 自动化：一键运行，全程自动化操作

性能指标

• 目标检测准确率：>99.5%
• 跳跃成功率：>90%
• 平均响应时间：<2.5秒

注意事项

⚠️ 免责声明：本项目仅供学习和研究使用，使用本工具可能违反游戏服务条款，请自行承担风险。

故障排除

1. ADB连接失败

# 重启ADB服务
adb kill-server
adb start-server

2. 模型文件不存在

• 确保已完成模型训练
• 检查模型路径是否正确（默认：./runs/detect/train/weights/best.pt）

3. 截图失败

• 检查手机USB调试是否开启
• 确认ADB权限已授权
• 验证连接：adb devices

4. 跳跃不准确

• 调整跳跃系数 k 的值
• 检查模型检测效果
• 确保数据集质量足够好

---

⭐ 如果这个项目对你有帮助，请给个星星支持一下！