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
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 | mAP@50 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：mAP@50 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 model=YOLO('yolov8m.pt')model.train(data='data.yaml',epochs=100,imgsz=640,batch=16,device=0)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