新闻详情

新闻详情

首页 / 资讯中心 / 详情

MaaEnd节点测试教程:如何用测试用例验证识别稳定命中

发布时间:2026/11/14 12:34:00来源:尧图网络
MaaEnd节点测试教程:如何用测试用例验证识别稳定命中
MaaEnd节点测试教程如何用测试用例验证识别稳定命中【免费下载链接】MaaEndMaaEnd 终末地小助手基于视觉 AI 的「明日方舟终末地」自动化工具项目地址: https://gitcode.com/gh_mirrors/maa/MaaEndMaaEnd 是基于视觉 AI 的《明日方舟终末地》自动化工具。本文讲解 MaaEnd 的节点测试玩法用一张张静态截图 一份 JSON 测试用例快速验证识别节点该命中的命中、不该命中的不命中把靠感觉能跑的流程变成可回归、可维护的稳定识别。一、节点测试是什么什么时候用MaaEnd 的自动化流程由一个个识别节点串成。某个按钮模板改动了、某个 ROI 调过了、某个新场景上线了都会影响识别稳定性。节点测试就是给这些节点做体检✅ 适合验证识别节点、通用节点、场景判断节点是否稳定命中✅ 适合补回归改完模板 / ROI / 阈值后确认没有误伤旧场景❌ 不适合验证完整流程时序流程正确性要结合开发工具和实机调试官方开发手册详见 node-testing.md这是编写测试用例前最值得先读的一份资料。二、3 分钟看懂目录结构测试用例和截图都放在tests/下约定如下内容位置测试用例JSONtests/下任意子目录文件名必须匹配test_*.json测试截图tests/MaaEndTestset/控制器/资源服/下几个关键约定image字段要写完整截图文件名并显式包含扩展名例如帝江号_大世界.png截图分辨率统一 1280×720模板和坐标都以 720p 为基准运行时自动缩放用 VS Code 的 Maa Pipeline Support 插件CtrlShiftP→Maa: Screenshot截图放到对应目录即可。以现有用例 test_region.json 为例它针对地区识别准备了一组正例大世界主页应命中InWorld四号谷地地区建设应命中InRegionalDevelopmentValleyIV武陵则命中InRegionalDevelopmentWuling。一个测试文件只测一类能力失败时也好定位原因。三、测试用例怎么写hits 是灵魂每个用例文件都受 test.schema.json 约束顶层只有两个部分configs这组测试跑在哪个控制器Win32/ADB和哪个资源服官服上cases一张截图对应一个用例每个用例必须有image和hits。hits表示这张图期望命中的节点列表支持三种写法只写节点名——只关心有没有命中最常用节点名 box——同时校验识别框位置格式为[x, y, 宽, 高]适合全屏搜索、同屏多个相似目标的节点box 写成矩阵——不同控制器坐标有差异时可以为Win32和ADB各写一份坐标还能用default做兜底。另外别忘了负例hits写成空数组[]就表示这张图上不该命中任何节点。负例是拦住误识别的关键尤其适合那些容易串台、容易和相邻按钮混淆的节点。四、控制器矩阵一份用例跑两个平台configs.controller写成数组时同一个测试文件会在Win32和ADB两个截图目录里各执行一轮坐标差异用 box 矩阵解决即可不必维护两份重复文件。展开逻辑实现见 loader.mts。如果差异只体现在坐标上保留一个文件 矩阵 box如果截图和命中节点本身都不一样再拆成独立文件。五、一键运行pnpm test安装依赖后在项目根目录执行pnpm test这条命令由 package.json 中的test脚本映射到maa-tools testCI 跑的也是同一条命令。测试日志默认输出到tests/maatools/跑失败了怎么排查先看终端输出定位失败的用例再打开tests/maatools/error_details.json查看具体原因节点没命中、box 不匹配等。如果只是想先检查配置和资源是否符合约定可以执行pnpm check。六、提交前自查清单文件名符合test_*.jsonconfigs.resource/configs.controller在 maatools.config.mts 中有映射image写全了扩展名且对应目录里真的存在这张截图正例、负例都覆盖了真实易错场景Hover 态、弹窗、相邻地区 UI 等位置敏感的节点补了box断言改完模板、ROI、阈值后重跑过一遍pnpm test。写在最后节点测试的价值是在后续重构、调阈值、换模板时帮你兜底。用例写得越完善识别就越稳——这正是 MaaEnd 这类视觉 AI 自动化工具长期可用、可持续维护的底气所在。动手写第一份用例吧从你最近改过的那个按钮节点开始 【免费下载链接】MaaEndMaaEnd 终末地小助手基于视觉 AI 的「明日方舟终末地」自动化工具项目地址: https://gitcode.com/gh_mirrors/maa/MaaEnd创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉