官方文档说在1920 x1080屏幕上应该需要1-2秒。你的时间似乎有点慢。我会尝试通过以下方式优化代码：

• 除非需要考虑颜色信息，否则使用灰度（包括grayscale=True应该可以提高大约30%的速度）。
• 使用较小的图像进行检测（仅要求所需目标的一部分是唯一的并识别目标的位置）。
• 搜索目标时不要从本地存储器加载标识符图像，将其保存在内存中。
• 如果您知道或可以预测其可能的位置，则传入区域参数（例如从以前的运行）。

这一切都在上面链接的文档中描述。
如果这仍然不够快，你可以检查sources of pyautogui，看到'locate on screen'使用了Python中实现的特定算法（Knuth-Morris-Pratt搜索算法）。在C中实现这一部分可能会导致相当明显的加速。

make a function and use threading confidence（需要opencv）

import pyautogui
import threading

def locate_cat():
    cat=None
    while cat is None:
        cat = pyautogui.locateOnScreen('Pictures/cat.png',confidence=.65,region=(1722,748, 200,450)
        return cat

字符串
如果知道区域在屏幕上的大致位置，则可以使用区域参数
在某些情况下，您可以在屏幕上找到区域并将区域分配给变量，并使用region=somevar作为参数，使其看起来与上次找到的位置相同，以帮助加快检测过程。
例如：

import pyautogui

def first_find():
    front_door = None
    while front_door is None:
        front_door_save=pyautogui.locateOnScreen('frontdoor.png',confidence=.95,region=1722,748, 200,450)
        front_door=front_door_save
        return front_door_save

def second_find():
    front_door=None
    while front_door is None:
        front_door = pyautogui.locateOnScreen('frontdoor.png',confidence=.95,region=front_door_save)
        return front_door

def find_person():
    person=None
    while person is None:
        person= pyautogui.locateOnScreen('person.png',confidence=.95,region=front_door)

while True:
    first_find()
    second_find()
    if front_door is None:
        pass
    if front_door is not None:
        find_person()

型

我在pyautogui上遇到了同样的问题。虽然这是一个非常方便的图书馆，但它很慢。
我依靠cv2和PIL获得了x10的加速：

def benchmark_opencv_pil(method):
    img = ImageGrab.grab(bbox=REGION)
    img_cv = cv.cvtColor(np.array(img), cv.COLOR_RGB2BGR)
    res = cv.matchTemplate(img_cv, GAME_OVER_PICTURE_CV, method)
    # print(res)
    return (res >= 0.8).any()

字符串
其中使用TM_CCOEFF_NORMED效果良好。（显然，您也可以调整0.8的阈值）
来源：Fast locateOnScreen with Python
为了完整起见，下面是完整的基准测试：

import pyautogui as pg
import numpy as np
import cv2 as cv
from PIL import ImageGrab, Image
import time

REGION = (0, 0, 400, 400)
GAME_OVER_PICTURE_PIL = Image.open("./balloon_fight_game_over.png")
GAME_OVER_PICTURE_CV = cv.imread('./balloon_fight_game_over.png')

def timing(f):
    def wrap(*args, **kwargs):
        time1 = time.time()
        ret = f(*args, **kwargs)
        time2 = time.time()
        print('{:s} function took {:.3f} ms'.format(
            f.__name__, (time2-time1)*1000.0))

        return ret
    return wrap

@timing
def benchmark_pyautogui():
    res = pg.locateOnScreen(GAME_OVER_PICTURE_PIL,
                            grayscale=True,  # should provied a speed up
                            confidence=0.8,
                            region=REGION)
    return res is not None

@timing
def benchmark_opencv_pil(method):
    img = ImageGrab.grab(bbox=REGION)
    img_cv = cv.cvtColor(np.array(img), cv.COLOR_RGB2BGR)
    res = cv.matchTemplate(img_cv, GAME_OVER_PICTURE_CV, method)
    # print(res)
    return (res >= 0.8).any()

if __name__ == "__main__":

    im_pyautogui = benchmark_pyautogui()
    print(im_pyautogui)

    methods = ['cv.TM_CCOEFF', 'cv.TM_CCOEFF_NORMED', 'cv.TM_CCORR',
               'cv.TM_CCORR_NORMED', 'cv.TM_SQDIFF', 'cv.TM_SQDIFF_NORMED']

    # cv.TM_CCOEFF_NORMED actually seems to be the most relevant method
    for method in methods:
        print(method)
        im_opencv = benchmark_opencv_pil(eval(method))
        print(im_opencv)

型
结果显示出X10的改进。

benchmark_pyautogui function took 175.712 ms
False
cv.TM_CCOEFF
benchmark_opencv_pil function took 21.283 ms
True
cv.TM_CCOEFF_NORMED
benchmark_opencv_pil function took 23.377 ms
False
cv.TM_CCORR
benchmark_opencv_pil function took 20.465 ms
True
cv.TM_CCORR_NORMED
benchmark_opencv_pil function took 25.347 ms
False
cv.TM_SQDIFF
benchmark_opencv_pil function took 23.799 ms
True
cv.TM_SQDIFF_NORMED
benchmark_opencv_pil function took 22.882 ms
True

型

如果您正在寻找图像识别，您可以使用Sikuli。检查Hello World tutorial。