关于Yolo在脚本中的应用及介绍

YOLO，全称为"You Only Look Once"，是一种实时目标检测算法。它由Joseph Redmon、Santosh Divvala、Ross Girshick和Ali Farhadi在2016年提出，核心在于将目标检测任务视为一个回归问题，直接从完整的输入图像中预测出边界框（bbox）和类别的概率。

YOLO的基本原理：

统一检测：YOLO摒弃了传统两阶段检测法的复杂流程，采用单阶段策略，无需生成候选区域，直接在整张图像的SxS网格上执行检测。每个网格旨在判断是否有物体存在及其中心位置是否落于该网格。
边界框预测：每个网格预测B个边界框，包含物体的位置信息（x, y, width, height）及置信度分数，该分数反映框内有物体的概率及框的准确度。同时，预测C个类别概率，指明框内物体可能所属的类别。
损失函数：通过一个多任务损失函数整合分类、定位及置信度的误差，以此来训练网络，优化检测性能。
YOLO因其实时性和高效性，在诸如视频监控、自动驾驶、无人机等领域得到广泛应用，成为目标检测技术中的一个重要里程碑。

YOLOv8版本介绍:

YOLOv8是YOLO（You Only Look Once）系列目标检测模型的最新版本，由 Ultralytics 团队开发。YOLO 系列因其速度与准确性平衡而广受欢迎，尤其适合实时对象检测任务。YOLOv8 在继承了前代版本优势的基础上，引入了多项改进和新特性，主要亮点包括：

基于PyTorch的模型架构：YOLOv8完全使用PyTorch构建，这使得模型更易于定制、调试和部署。
无代码训练与推理：Ultralytics为YOLOv8提供了一个强大的命令行界面(CLI)工具，允许用户无需编写代码即可进行模型训练、微调、推理等操作，极大地降低了使用的门槛。
模型优化：YOLOv8对模型架构进行了优化，引入了EfficientNet等高效网络结构作为骨干网络，提升了模型在不同尺寸目标上的检测性能，同时保持了高效的推理速度。
自动注释与数据增强：集成了自动标注工具和先进的数据增强技术，帮助用户更高效地准备训练数据。
多任务学习：除了基本的目标检测外，YOLOv8还支持实例分割、关键点检测等多种任务，实现了统一的模型框架处理多种计算机视觉任务。
模型大小可选：YOLOv8提供了从Nano到X的大规模模型变体，用户可以根据具体需求选择合适的模型大小，平衡精度与速度。
推理优化：针对推理速度进行了特别优化，支持ONNX、TensorRT、OpenVINO等多种推理加速方式，确保在各种硬件平台上都能实现快速推理。
更新的损失函数与训练策略：采用更先进的损失函数和训练策略，如自适应anchors生成、更精细的梯度优化方法等，进一步提升训练效率和检测精度。
总的来说，YOLOv8是一个高度优化且用户友好的目标检测框架，不仅在性能上有所提升，而且在易用性和灵活性方面也做了大量改进，非常适合研究人员和开发者用于各种计算机视觉项目。

阴阳师游戏中的实际应用场景:

探索任务的优化：
1. 在Buff可以实现快速检测出：经验、金币、达摩（Buff）；
2. 同时检测出战斗标志，通过勾股定理找到Buff距离最近的战斗标志；
3. 2步骤的优化：可以检索出所有斜边的值，若在范围内，则点击战斗标志；
4. 3步骤的优化可以避免：场景内有一只需战斗的Buff怪，但没有这只怪的战斗图标时，此根据b的逻辑就会打其它不想打的Buff怪；
场景识别的优化：
1. YOLOv8有分类的功能，可以将游戏中所有场景进行归类，跑一个场景识别模型；
2. 目前根据猜想可以训练的场景分类有：庭院、式神录、战斗场景、斗技、逢魔之时等各种场景；（本人尚未有时间实现）