¡Engañando en CS:2 con Aprendizaje Automático!

¡Engañando en CS:2 con Aprendizaje Automático!

Tabla de contenidos:

1. Introducción al juego Counter-Strike
2. Pérdida de interés en el juego
3. El anuncio de Counter-Strike 2
4. Uso de software de trucos en el juego
5. Arquitectura de Counter-Strike 2
6. Posibilidad de hacer trampa en el nuevo juego
7. Counter-Strike Machine Learning Cheat (CSMLC)
8. Experimentando con el reconocimiento de imágenes
9. Entrenamiento del modelo de reconocimiento de imágenes
10. Obtención de datos para el entrenamiento del modelo
11. Uso de Counter-Strike 2 ESP Cheat para obtener datos
12. Preparando las imágenes y etiquetas para el entrenamiento
13. Entrenamiento del modelo utilizando YOLO V8
14. Resultados del entrenamiento del modelo
15. Uso del modelo para crear bots automáticos en el juego
16. Creación de un Trigger Bot
17. Creación de un Aimbot
18. Disponibilidad del código en GitHub

🎮Cheat en Counter-Strike: Aprendizaje Automático y Reconocimiento de Imágenes🤖

Counter-Strike es un juego con el que estoy bastante familiarizado, aunque en los últimos años he perdido Algo de interés. Sin embargo, el reciente anuncio de Counter-Strike 2 logró despertar nuevamente mi curiosidad, no solo en relación a los aspectos técnicos como los efectos visuales y las texturas, sino también en lo que respecta al funcionamiento interno del juego. Me pregunté si el software de trucos utilizado en Counter-Strike: Global Offensive sería igualmente efectivo en este nuevo juego. ¿Cómo de diferente sería la arquitectura? ¿Sería fácil hacer trampa en este nuevo juego? Estas preguntas me llevaron a una idea un tanto controvertida, y me convertí en un "tramposo" de Counter-Strike.

Creé un pequeño proyecto llamado Counter-Strike Machine Learning Cheat (CSMLC) para experimentar con el uso del reconocimiento de imágenes y el aprendizaje automático para hacer trampa en los videojuegos. Pero antes de profundizar en los detalles de mi proyecto, quiero dejar claro algunas cosas:

1. No recomiendo hacer trampa en los videojuegos, ya que arruina la experiencia de juego para los demás jugadores.
2. No soy un pionero en el ámbito de la trampa en los videojuegos, ya que ya existen programas mucho mejores para hacer trampa en juegos como Counter-Strike: Global Offensive y próximamente en Counter-Strike 2.
3. Este proyecto es simplemente para fines experimentales y no lo he utilizado en partidas multijugador reales.
4. El objetivo de este proyecto era ampliar mis conocimientos en reconocimiento de imágenes y aprendizaje automático.

Dicho esto, ahora quiero explicarte cómo entrené el modelo de reconocimiento de imágenes para hacer trampa en Counter-Strike 2.

En el núcleo de este proyecto se encuentra el entrenamiento de un modelo de aprendizaje automático utilizando imágenes etiquetadas. Imagina enseñarle a un bebé las diferencias entre un gato y un perro mostrándole imágenes de ambos y diciéndole qué animal aparece en cada imagen. Cuantas más imágenes le muestres, más aprenderá a reconocer las características distintivas de los gatos y los perros. El aprendizaje automático funciona de manera similar.

En mi caso, necesitaba una gran cantidad de imágenes etiquetadas de partidas de Counter-Strike para entrenar el modelo. Como no había modelos existentes disponibles en ese momento, tuve que conseguir esos datos por mi cuenta. Al principio, intenté hacerlo manualmente, pero resultó ser tedioso y poco efectivo. Luego se me ocurrió una idea inspirada en otro proyecto llamado "Secuia", que utilizaba un truco real en Counter-Strike: Global Offensive para obtener datos. Pensé que si Podía modificar ese truco para que guardara las coordenadas de los jugadores en un formato adecuado, podría obtener rápidamente una gran cantidad de datos.

Así que encontré un truco de Counter-Strike 2 en un repositorio de GitHub que mostraba cajas alrededor de cada jugador durante toda la partida, lo cual era perfecto para mi propósito. Añadí un pequeño fragmento de código para guardar las coordenadas de las cajas en un formato de etiquetas llamado YOLO y, al mismo tiempo, tomé capturas de pantalla del juego. De esta forma, obtenía automáticamente imágenes etiquetadas. Luego solo necesitaba jugar durante un tiempo para obtener suficientes datos. Para esto, utilicé el modo Deathmatch, ya que permite un rápido respawn de jugadores.

Una vez que tuve suficientes imágenes, tuve que revisarlas y corregir cualquier error utilizando un programa llamado Open Label. Dado que el truco mostraba las cajas de los jugadores, incluso si estaban detrás de las paredes, tuve que eliminar muchas instancias incorrectas.

Con un conjunto de datos de entrenamiento listo, pude proceder al entrenamiento del modelo utilizando YOLO V8 de Ultralytics junto con mi propio conjunto de imágenes de Counter-Strike. Todo el proceso se realizó mediante scripts de Python simples y cortos. El entrenamiento tomó aproximadamente una hora en una tarjeta gráfica RTX 3070, lo cual es bastante aceptable para entrenamiento de aprendizaje automático.

Una vez entrenado, el modelo podía utilizarse para crear bots automatizados en el juego. En primer lugar, desarrollé un "Trigger Bot", que básicamente apretaba el gatillo automáticamente cuando apuntaba a un enemigo. Esto podía ser de gran ayuda para mejorar el tiempo de reacción en situaciones donde era necesario apretar el gatillo rápidamente.

Crear un "Aimbot" fue aún más sencillo. En mi implementación, cuando el modelo detectaba un enemigo cercano, movía automáticamente la mira del jugador hacia el centro de la caja de colisión del enemigo. Por supuesto, tenía limitaciones debido a las restricciones de control en el juego, pero aun así, funcionaba de manera satisfactoria.

En resumen, este proyecto fue una exploración divertida en el reconocimiento de imágenes y el aprendizaje automático aplicado a los videojuegos. No obstante, quiero reiterar que no recomiendo el uso de trucos en partidas multijugador reales, ya que arruina la experiencia de juego para los demás jugadores.

Si estás interesado en explorar más a fondo este proyecto, el código y el modelo están disponibles en mi repositorio de GitHub para que puedas experimentar en partidas privadas. Disfruta del juego, pero siempre juega limpio y respeta a los demás jugadores.