GG修改器破解版下载地址：https://ghb2023zs.bj.bcebos.com/d/z/p/d/dbzs.apk?GGXGQ
大家好，今天小编为大家分享关于如何检测游戏使用gg修改器_gg修改器如何不被手游检测的内容，赶快来一起来看看吧。
根据上一篇的讲述，我们选择了YOLOv3作为模型，那么本篇文章将继续接着上篇的内容，自己动手基于YOLOv3实现模型训练和mAP的计算。 在自己动手的这个过程中，一边解决遇到的问题，一边体会YOLOv3的原理，让我们学习起来吧。
YOLOv3使用参考官网教程：https:///darknet/yolo/
首先就是下载YOLOv3项目并安装了，如下：
git clone https:///pjreddie/darknet
cd darknet
make
接着就是下载YOLOv3已经提前训练好的一个模型体验下效果了：
wget https:///media/files/yolov3.weights
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
这个条命令运行后，可以看到在项目的安装目录下多了一个predictions.jpg的文件，这就是检查结果的图片。结果如图：
命令也输出了各个网络层的输入和输出，以及最后识别出多少个物体分类和属于这个分类的概率。如下图所示：
上图显示了卷积网络各层的计算过程，下图显示了整张图片检测的耗时，以及图中的物品类别和对应的概率。结果如图所示：
对着输出和结果图片，可以看到识别的准确率还是很高的，但是也相当耗时，耗费了18.66秒。YOLOv3提供了一个层数只有13层的tiny模型，识别速度会更快，下载体验下：
wget https:///media/files/yolov3-tiny.weights
./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg
识别结果如下：
对于同样的图片，可以看到识别耗时从18.66秒直接降到了0.6秒，时间居然能下降97%，当然准确度也下降了。结果图片如图所示：
从结果中tiny的模型准确度可能的确不高，从图中能看出来把一辆truck识别成了2个car和一个truck的组合。
在体验了几次YOLOv3的检测效果后，开始思考如何才能训练自己的模型呢？很自然的想法是先按照YOLOv3开放的数据集做训练，跑通流程后再利用自己的数据集训练。接着就开始我们的第一步，利用开放的数据集进行训练。
首先使用在公开的VOC数据集上进行下验证，下载数据集：
wget https:///media/files/VOCtrainval_11-May-2012.tar
wget https:///media/files/VOCtrainval_06-Nov-2007.tar
wget https:///media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar
下载完毕数据集后，我们还需要对转化数据集的标记格式为YOLOv3的标记方式，YOLOv3采用.txt文件来保存标记，格式如下：
<object-class> <x> <y> <width> <height>
其中object-class就是目标的种类index，x, y, width, height分别是图中目标的起始坐标和宽高。也就是之前提到的。
YOLOv3也提供一个脚本程序，将VOC数据转化并标记为YOLO格式的标记，我们需要下载转化程序并进行转化：
wget https:///media/files/voc_label.py
python3 voc_label.py
转化后，可以看到在项目目录下多了个VOCdevkit的文件夹，包含VOC2007，VOC2012，VOC2022 三个子文件夹，每个子文件夹格式如下：
Annotations保存了每个图片对应的xml标记文件，可以打开看看，内容还是很好理解的，定义了图片的地址，宽、高、包含的物品类别以及各个类别的坐标和宽高。JPEGImages里是图片文件，labels文件夹下的存放着每个图片对应的标记数据，比如：
19 0.482 0.4053333333333333 0.8280000000000001 0.752
表示第19类数据的坐标和宽高。但是这个第19类代表的是什么？后边的坐标信息和宽高信息和Annotations下的标记信息也不同啊，这是怎么回事？
答案就在voc_label.py文件里，打开这个文件，发现类别的定义如下：
classes = [“aeroplane”, “bicycle”, “bird”, “boat”, “bottle”, “bus”, “car”, “cat”, “chair”, “cow”, “diningtable”, “dog”, “horse”, “motorbike”, “person”, “pottedplant”, “sheep”, “sofa”, “train”, “tvmonitor”]
那么第19类就是tvmonitor， 接着往下阅读此文件，发现文件是从Annotations中读入xml文件，通过函数convert把原始图片的坐标和宽高转化为了labels里的坐标和宽高数据。阅读函数，发现这个过程其实是一个归一化的过程，把原始数据映射到[0, 1]区间内，并且把坐标点移动到了图片的几何中心。
数据格式化和归一化完成后，我们还需把训练集合并成一个较大的训练集，从而获得较好的训练结果，合并命令如下：
cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt
接着把合并结果移动到data/voc目录下：
mv train.txt data/voc
(3). 训练VOC数据
在完成上述的数据准备后，再调整下训练模型的data文件，打开cfg/voc.data：
classes = 20
train = <path-to-voc>/train.txt
valid = <path-to-voc>/2007_test.txt
names = data/voc.names
backup = backup
替换<path-to-voc>为自己存储文件地址即可。
最后，调整下训练参数文件cfg/yolov3-voc.cfg:
[net]
# Testing
# batch=1
# subdivisions=1
# Training
batch=64
subdivisions=8
把训练的batch和subdivisions参数打开，关闭测试的batch和subdivisions参数。
batch表示是更新weights和bias的基本单位，可以这样理解每经过batch数量的样本训练后，更新一遍网络参数。
subdivisions表示网络中前向传播、反向传播的基本单位，也可理解为把整个batch分作几份训练，那么一次送入训练器的样本数量实际上是batch/subdivisions。
实际上网络是batch/subdivisions张图片进行训练（前向推理和反向传播），但是升级权值是在batch数目结束后进行的。这样在比较小的显存情况下实现大batch的训练。理论上batch越大，训练效果越好，但是batch太大内存可能吃不消。
在准备完备VOC训练数据后，在正式开始训练前还需要下载一个预训练文件：
wget https:///media/files/darknet53.conv.74
在完成这些后，终于可以开始训练了，利用以下命令开始VOC数据的训练：
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
从程序输出中可以看到，程序在完成了网络加载后开始进行了训练过程，输出如下：
从训练程序的输出分为3类信息：
一些输出信息解释如下：
训练是按照yolov3-voc.cfg中的batch和subdivisions参数一组一组地读取图片训练，每组完成后输出下列信息：
其中内容说明如下：
训练过程很漫长，很漫长，很漫长（用天为单位计算）。
我发现有2个问题需要解决：
第一个问题，如何加速训练过程？
当然是利用GPU了，YOLOv3的Makefile中可以修改gpu和cudnn的参数，有GPU的同学可以修改这两个参数后make出新的darknet程序来进行训练。强烈建议用GPU参与训练，CPU训练可能要等死人的。没GPU的话，现在很多云服务厂商都有GPU的云主机，临时租用一个也划算。
备注：我使用的是Ubuntu 20.04，如何在Ubuntu 20.04下安装gpu驱动和cuda编程组件是另一个需要解决的问题。
第二个问题，训练过程数据可以可视化吗？
肯定是可以可视化的，我们需要考虑如何可视化。简单的想法是把训练过程的输出重定向到一个日志文件，然后通过程序对日志文件中的数据进行提取，再把提取的数据可视化出来。如何完成可视化过程，我们本次不做尝试，等到我们把开始自己训练数据后再做训练过程的可视化。
到此，我们已经能够利用VOC的数据训练YOLOv3了。训练结果保存在backup目录下，可以看到有很多形如xxx_100.weights, xxx_200.weights, xxx_300.weights, … , xxx_10000.weights的模型文件，和一个最终的yolov3-voc_final.weights的模型文件。
训练模型已经完成，我们再把cfg/yolov3-voc.cfg的训练batch和subdvisions参数修改回去，用来验证下模型效果。
[net]
#Testing
batch=1
subdvisions=1
#Trainning
batch=64
subdvisions=16
运行命令进行测试：
./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights test.png
如果结果显示了物品的分类，并且在项目下有predictions.jpg文件生成，那么说明模型成功了。
根据前文的讨论，我们知道通过mAP这个数值来衡量模型的性能，现在的问题是我们有模型了（官方的模型），有数据集了（VOC数据集），就差计算mAP的过程了。可以通过如下命令验证模型：
./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
整个过程花费了135秒，验证结束后会在results目录下生成每个类的验证数据文件。验证数据现在有了，剩下的就是基于验证数据计算mAP了，这个过程需要用到一个计算脚本，这个脚本名叫voc_eval.py，在另一个faster-rcnn的项目下，下载地址：
https:///rbgirshick/py-faster-rcnn/tree/master/lib/datasets
计算mAP，主要是用到voc_eval里的一个函数voc_eval，用法如下：
rec, prec, ap = voc_eval(’results/{}.txt’, ’VOCdevkit/VOC2007/Annotations/{}.xml’, ’VOCdevkit/VOC2007/ImageSets/Main/val.txt’, ’person’, ’.’)
第一个参数是刚才的验证模型结果文件地址，第二个参数是标记数据的地址，第三个参数是验证集地址，第四个参数是要计算准确度的类别名称。函数返回的第三个值就是对应类别的准确度。每次运行这个命令，都会在项目目录下生成一个annots.pkl的文件，如果更换验证集或者类别，需要删除这个文件重新计算。
有了准确度，mAP 就是所有类别的准确度相加，再除以所有类别的数量了。
但是在调用voc_eval的时候有些地方需要修改，voc_eval是根据python2的语法写的，里边用到了python2的cPickle和print的地方，我使用的时候python3，所以在调用的时候修改下几个关于cPickle的地方和print的地方：
import _pickle as cPickle
...
print("Reading annotation for {:d}/{:d}".format(i+ 1, let(imagenames)))
print("Saving cached annotations to {:s}".format(cachefile))
with open(cache file, ’wb’) as f:
cPickle.dump(recs, f)
...
with open(cachefile, ’rb’) as f:
recs = cPickle.load(f)
一个类一个类的输入计算ap再去计算平均值有点费劲，可以写一个简单的脚本程序来完成这个过程，文件如下：
from voc_eval import voc_eval
import os
sub_files = os.listdir("results")
mAPs = []
for i in range(len(sub_files)):
class_name = sub_files[i].split(".txt")[0]
rec, prec, ap = voc_eval(’results/{}.txt’, ’VOCdevkit/VOC2007/Annotations/{}.xml’, ’VOCdevkit/VOC2007/ImageSets/Main/val.txt’, class_name, ’.’)
print("{} : {}".format(class_name, ap))
mAPs.append(ap)
mAP = tuple(mAPs)
print("mAP : {}".format(float(sum(mAP)/len(mAP))))
经过计算，yolov3.weights在VOC数据集上的mAP达到了0.82。
到此，基于VOC数据的准备、训练、验证、mAP计算就已经完成了。我们可以进入在自己的数据集上做这些流程的工作了。
要开始用我们自己的数据训练了，这个过程有5步：
这个步骤就是生成VOC数据时的Animiations、ImagesSets、JPEGImages、labels的过程。在之前VOC数据训练的时候，我们已经知道了这几个文件夹的作用：
那么我们要怎么生成这些数据呢？之前用到的voc_label.py文件就是生成VOC数据的程序，打开参考了下，形成了思路：
在这里我就不展示生成这些数据所用到的脚本程序了，总之就是生成和VOC数据格式一样的文件就行。注意voc_label.py里的classes分类是你要分类的命名，和后面的my.names里的文件中的命名一致。
复制一份voc的.data文件，供修改用，这样也不至于破坏voc的文件。
cp cfg/voc.data cfg/my.data
打开my.data:
classes = 6 # 我要识别6种分类
train = data/my_train.txt # 训练集保存位置
valid = data/my_test.txt # 验证集保存位置
names = data/my.names # 类别名称存储文件
backup = backup # 模型文件输出地址
参考voc的训练文件和验证文件，发现其中内容就是训练图片和验证图片的保存位置。同样通过一个脚本根据我的数据生成这2个文件。接着建立my.names文件，保存类别名称，一行一个，注意要和Animations里标注的类名一致。这里我的my.names文件如下：
Pedestrian
Cyclist
Car
Truck
Tram
Tricycle
好了，my.data文件制作到此结束，接着要制作.cfg了。同样复制一份voc的cfg：
cp cfg/yolov3-voc.cfg cfg/my.cfg
修改如下参数：
[net]
batch=64
subdivisions=16
max_batches=2000
...
[convolutional]
filters=33
[yolo]
classes=6
random=1
...
[convolutional]
filters=33
[yolo]
classes=6
random=1
...
[convolutional]
filters=33
[yolo]
classes=6
random=1
注意：[yolo]和[convolutional]的修改一共有3处，都需要修改。
batch和subdivisions之前说过含义了，就不再讲述了。
其他cfg参数都没有修改，我们先跑通训练自己的数据，然后再回头来调整一些参数。
至此，.cfg文件也准备好了。我们可以开始训练自己的模型了，建议刚开始自己训练的时候不要准备过大的数据集数量，可以有个50张左右的图片先开始执行就行，先完整体验下后边的训练、测试等步骤，没有错误后，再修改训练集数据量，逐步放大这个过程。
准备好以上文件后，通过命令开始训练：
./darknet detector train data/my.data cfg/my.cfg darknet53.conv.74
如果训练到一半终止了，想继续训练可以利用命令：
./darknet detector train data/my.data cfg/my.cfg darknet53.conv.74 backup/xxx.backup
程序输出样式和之前VOC数据训练的输出一样，说明正常开始了。要是没正常开始，会报一些错误，比如有的文件找不到之类的，检查文件名看看是否正确。修改报错，重新训练即可。
一个完备的数据集合训练非常耗时，我用max_batches=50200的配置，在Geforce RTX 2070的GPU下，1.7GB的训练数据，训练了4天才完成。
这个过程我自己在小规模数据集合和小的max_batches上尝试训练了2次，这个过程有助于调整一些配置文件的错误，如果文件有错，最后的.weights文件是不能测试出结果的。可能遇到的错误有：
跟VOC数据集上的验证步骤一样，我们需要先修改my.cfg的参数：
[net]
#Testing
batch=1
subdvisions=1
#Trainning
#batch=64
#subdvisions=16
然后使用命令进行测试:
./darknet detector test cfg/my.data cfg/my.cfg backup/my_final.weights data/test.jpg
同VOC数据集的效果一样，如果成功，会在项目目录下生成predictions.jpg文件，显示目标识别结果。如下图所示：
这一步跟刚才基于VOC数据的mAP计算过程一样，先通过命令计算验证集的数据，然后再通过脚本计算mAP。如下：
./darknet detector valid cfg/my.data cfg/my.cfg backup/my_final.weights
在调用计算mAP的脚本前，注意修改代码里的验证集、数据集的路径就行。
最后，自己模型的mAP达到了0.71。
本系列文章共两篇，总结记录了如何从0开始实现一个目标检测算法的过程。关于算法原理的部分可以参看这篇文章。我们在这个过程中先学习了目标检测任务的主要原理，找到了衡量模型的指标mAP，接着在众多的模型中选取了YOLOv3作为项目的实现方式，然后在VOC数据集上体验了YOLOv3的训练、测试、验证、计算mAP的全过程，接着在自己的数据集上也造作了训练、测试、验证、计算mAP的全过程，最后得到的模型mAP是0.71。这个过程中的数据集准备是非常重要和关键的，然后我们也积累了一些用于数据集生成和结果验证的脚本。
接着有什么可以进一步提高的吗？在这里我也列出一个TODO List，后续有时间会相继完成，到时候再总结记录下来分享给大家。
以上就是关于如何检测游戏使用gg修改器_gg修改器如何不被手游检测的全部内容，希望对大家有帮助。
gg修改器下载中文传说之下,gg修改器下载中文传说之下：一款伟大的工具 大小：19.45MB3,924人安装 在我们玩游戏的时候，总会遇到一些困难。这些困难也许是难度过高，也可能是道具不足……
下载
gg修改器ios版免越狱,gg修改器苹果免越狱 大小：9.72MB4,166人安装 gg修改器正版下载是一款非常好用的游戏修改软件，我们在这款软件中不仅可以进行精……
下载
gg修改器免root版2022,gg修改器免root版2022年最新版v101.1 大小：6.00MB5,032人安装 有一种朋友不在生活里，却在生命里;有一种陪伴不在你身边，却在你心间。 大家好，今……
下载
gg修改器给root权限_gg修改器免root权限 大小：11.32MB4,890人安装 大家好，今天小编为大家分享关于gg修改器给root权限_gg修改器免root权限的内容，赶……
下载
gg修改器最新版2022,GG修改器最新版2020 V9.20.0 大小：18.98MB4,921人安装 v9.20.0 是一款功能非常强大的手机游戏修改器软件，相信大家都知道“八门神器”，这款……
下载
gg修改器怎么连root_gg修改器要怎么使用 大小：8.33MB4,885人安装 大家好，今天小编为大家分享关于gg修改器怎么连root_gg修改器要怎么使用的内容，赶……
下载
gg修改器32位免root下载_gg修改器 免root下载中文版 大小：5.13MB4,731人安装 大家好，今天小编为大家分享关于gg修改器32位免root下载_gg修改器 免root下载中文版……
下载
gg修改器root权限华为,GG修改器在华为手机上获得root权限的神器 大小：3.27MB3,857人安装 华为手机的操作系统深受用户喜欢。但是，为了保护用户的隐私和存储数据的安全，华为……
下载GG修改器和平精英,gg修改器怎么弄和平精英 大小：7.40MB4,974人安装 丰富的游戏美化工具，专业的吃鸡美化修改功能，操作简单便捷; 使用无需root，没有任……
下载
gg修改器苹果下载中文_gg修改器苹果官网下载 大小：15.93MB4,813人安装 大家好，今天小编为大家分享关于gg修改器苹果下载中文_gg修改器苹果官网下载的内容……
下载