PUBG绝地求生游戏内目标检测数据集 | PUBG 游戏目标检测 多目标识别 计算机视觉 YOLO格式9277期数据集概述本数据集专注于第一人称射击游戏《绝地求生》PUBG画面中的多类别目标检测服务于游戏视觉分析、AI 辅助研究及计算机视觉算法验证。数据涵盖载具、人物、武器及 UI 元素等九类目标适配游戏场景理解、目标追踪及端侧算法部署研究。数据集核心信息数据要素详细说明类别共9类载具、头部、枪械、人物、瞄准镜、准星、名牌、降落伞、倒地人员数量1501张图像格式图像为 JPG/PNG游戏实机截图标签为 YOLO 格式的 txt 文件水平边界框数据版本12个版本模型性能mAP50 达74.2%精度83.3%召回率58.8%应用价值1.算法验证为复杂游戏场景下的多目标检测提供真实基准数据。2.游戏视觉分析研究游戏画面中的目标特征提取与 UI 识别。3.端侧部署研究测试轻量化模型在实时游戏画面中的推理速度与精度平衡。4.AI 辅助研究用于研究游戏场景理解与战术分析。完整类别列表共9类序号中文类别名称目标类型说明1载具游戏内的汽车、摩托车等2头部游戏角色的头部常作为瞄准目标3枪械角色手持或掉落的武器4人物游戏角色的身体主体5瞄准镜枪械上的瞄准配件6准星屏幕中心的瞄准点7名牌队友或敌人的身份显示牌8降落伞跳伞阶段的降落伞9倒地人员被击倒等待救援的角色数据三要素解析类别与目标覆盖数据集定义9类目标涵盖了游戏中的物理实体载具、人物、枪械和 UI 元素准星、名牌、瞄准镜。这种混合标注方式要求模型不仅能识别游戏世界内的物体还能理解屏幕界面HUD元素任务具有一定的复杂性。“头部”与“人物”分开标注体现了游戏场景中对精准部位识别的特殊需求。数据规模与性能图像总量约1501张规模适中能支撑检测模型的训练。数据集有12个版本说明经过了多次迭代与数据扩充。公开的模型性能指标显示mAP50 达74.2%精度83.3%召回率58.8%。召回率偏低说明在复杂多变的游戏场景中如草丛遮挡、远距离小目标模型存在一定的漏检具有较大的优化空间。格式与结构采用通用YOLO 格式txt每张图像对应一个同名标签文件包含类别 ID 与归一化边界框坐标可直接接入 YOLOv5、YOLOv8 等主流检测框架。图像与标签一一对应数据结构规范便于进行训练/验证集划分与预处理集成。知识普及游戏画面目标检测的技术要点背景复杂与动态变化游戏地图包含草地、森林、城市等多种环境光影变化剧烈人物常利用迷彩服和掩体伪装导致特征提取困难。尺度与遮挡目标尺度跨度极大远距离的敌人可能只有几个像素且人物常被树木、墙壁或载具部分遮挡。UI 元素的干扰屏幕上的准星、名牌、血条等 UI 元素与游戏世界融合在一起模型需学会区分物理目标和叠加层。合规使用提示此类数据集和模型仅供计算机视觉算法研究、模型训练实验和学术交流使用。严禁用于开发破坏游戏公平性的第三方作弊软件如自瞄、透视外挂等请务必遵守游戏官方的用户协议与相关法律法规。快速开始代码示例配置文件data.yaml示例train:./dataset/images/trainval:./dataset/images/valnc:9names:[载具,头部,枪械,人物,瞄准镜,准星,名牌,降落伞,倒地人员]启动 YOLOv8 训练fromultralyticsimportYOLO modelYOLO(yolov8m.pt)model.train(datadata.yaml,epochs100,imgsz640,batch16,device0)标签PUBG游戏目标检测多目标识别计算机视觉YOLO格式深度学习数据集