一、接触前感受
第一次带我领略yolov5风骚的是这个视频：【亦】警惕AI外挂！我写了一个枪枪爆头的视觉AI，又亲手“杀死”了它。
这样一来，我对人工智能打游戏产生了浓厚的兴趣，于是在B站查找人工智能基础，随便一个系列就是几十小时起步。
我心想，值得的。但是，看完某个系列的第一条视频我放弃了，我懵逼啊。
最后，我们来了解一下人工智能的智能在哪里为了让人工智能迅速成长，科学家们决定送它去打游戏

干货主要有：

① 200 多本 Python 电子书（和经典的书籍）应该有

② Python标准库资料（最全中文版）

③ 项目源码（四五十个有趣且可靠的练手项目及源码）

④ Python基础入门、爬虫、网络开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

Python学习交流Q群101677771

二、先入为主，形成概念
学习一样从来没接触过的东西，最怕的是没有概念，没有概念就不能拿来装知识，形成概念最简单最迅捷的方法就是跟着别人操作一遍Yolov5配置傻瓜教程

https://www.icode9.com/content-4-882435.html

其中会遇到各种各样的问题，需要自己去理解和消化，这样就慢慢形成了概念，后续通过学习再逐渐升华到高度。
三、识别九宫图片验证
yolov5能帮助我们实现目标检测，从GITHUB下载前需要配置一些环境，yolov5下载后已经可以检测80种物体。

https://github.com/ultralytics/yolov5

当然，我们也可以训练自己的数据集，我已经尝试训练一组游戏图片，希望让他自动辨别人物，但无奈提供的数据太少而识别不了。
于是，我尝试用来识别九宫图片验证。

需要注意的是，yolov5有四种网络结构，yolov5 s/m/l/x ，yolov5s网络最小，速度最少，AP精度也最低，Yolov5x在Yolov5l基础上，不断加深加宽网络，AP精度也不断提升，但速度的消耗也在不断增加。
当我使用作者训练好的数据集做目标检测时，发现yolov5s.pt不能识别到右边最小的车，用yolov5m.pt才识别到。
所以，平时我们训练自己的数据集，如果想快就使用yolov5s.yaml，如果需要高精准就用其他三种训练。
四、获取坐标
我们做目标检测时，运行的是一yolov5的detect.py，里面不会直接返回坐标，需要加上以下代码（后面我会贴出来免费下载）

我们来看aim返回的值

返回了三个列表，说明检测到了三个目标。
列表中的第一个元素是“类别2”，代表“car”这个类别；
列表中的第二个元素和第三个元素是目标在图中的位置，分别代表横轴和纵轴，按比例显示（图是1920*1080）；
列表中的第四个元素和第五个元素是目标在图中的大小，分别代表宽（横轴方向）和长（纵轴方向），按比例显示；
列表中的第五个元素是检测度。
目标越大越容易辨认，所以我这里截整个屏幕有点大导致目标有点小了。
还需要确认两个参数，weights（权重）和source（待检测图片路径）

若没有相应的.pt，第一个参数weights会在运行自动帮你下载。
最后，根据图片的大小以及自己屏幕分辨率的可以计算出检测目标的位置，鼠标自动点击就完成验证。