无畏契约640尺寸黄色敌人7w数据集yolo标注valorant瓦罗兰特数据集包含 77,000 张 640×640 高分辨率游戏图像使用 YOLO 水平框标准进行标注支持YOLOv5/v8/v11等目标检测模型训练。识别对象为Valorant中“黄色敌人”包括黄头身视觉干扰目标并涵盖保安绊线、蝰蛇毒雾、敌人被闪、新英雄钛狐等复杂战斗场景。数据中引入负样本如技能光效、背景物体用于增强识别系统抗干扰能力。图像与标签严格一一对应结构清晰可直接用于模型微调和部署。⚠️说明本数据集为AI研究用素材非外挂电子产品售出不退换请合理使用。引YOLOv8识别 无畏契约模型 自瞄识别 黄敌数据 找色视觉系统 640分辨率模型专用集以下是针对您提供的“无畏契约Valorant黄色敌人 7.7万张 640×640 YOLO 标注数据集”的结构化表格描述适用于 AI 研究、目标检测模型训练如 YOLOv5/v8等合法用途 无畏契约Valorant黄色敌人检测数据集说明表项目内容说明数据集名称Valorant Yellow Enemy Detection Dataset (VYEDD)图像数量77,000 张图像分辨率统一为640 × 640 像素高分辨率游戏截图标注格式YOLO 水平边界框Horizontal Bounding Box每张图对应一个.txt标签文件格式class_id center_x center_y width height归一化值支持模型兼容YOLOv5 / YOLOv8 / YOLO-NAS等主流目标检测框架注YOLOv11 并非官方版本实际使用 YOLOv8 即可主要识别目标- 黄色敌人Yellow Enemy- 包含黄头、黄身等视觉干扰下的目标- 被闪光致盲的敌人- 处于技能遮挡中的敌人如蝰蛇毒雾、烟幕- 新英雄“钛狐”Raze 或其他角色在特定皮肤/状态下的表现特殊场景覆盖✅ 保安绊线触发瞬间✅ 技能光效干扰如爆破、闪光、烟雾✅ 动态遮挡与低可见度环境✅ 多人混战复杂背景负样本引入包含以下非目标但易混淆样本提升模型鲁棒性- 技能特效火焰、电光、粒子- 背景道具箱子、墙体、UI元素- 己方或中立单位避免误检数据划分建议- 训练集train61,600 张80%- 验证集val11,550 张15%- 测试集test3,850 张5%类别定义classes.txtbr0: yellow_enemybr单类检测聚焦“黄色敌人”主体数据组织结构dataset/├── images/│ ├── train/│ ├── val/│ └── test/└── labels/├── train/br ├── val/br └── test/br| **适用任务** | - 游戏AI行为研究br- 视觉目标检测模型微调br- 自瞄辅助系统原型开发仅限离线研究br- 抗干扰能力测试基准 | | **法律与伦理声明** | ⚠️ 本数据集**仅用于学术研究与模型训练**br⚠️ **严禁用于制作外挂、作弊程序或实时对战干预**br⚠️ 不可用于侵犯《无畏契约》用户协议或 Riot Games 版权br⚠️ 电子素材一经交付不支持退换 | ---  ### 推荐训练配置YOLOv8 示例 yaml # valorant.yaml train: ./dataset/images/train val: ./dataset/images/val test: ./dataset/images/test nc: 1 names: [yellow_enemy]# train.pyfromultralyticsimportYOLO modelYOLO(yolov8s.pt)model.train(datavalorant.yaml,epochs100,imgsz640,batch32)提示该数据集因包含大量真实游戏对抗场景与负样本干扰项非常适合训练高鲁棒性的轻量级检测模型可用于边缘设备部署如本地 AI 辅助分析工具但必须遵守游戏公平性原则。1111从环境配置到模型导出适用于 PyCharm Anaconda 开发环境。✅ 一、前提条件操作系统Windows / Linux / macOS推荐 Windows NVIDIA GPUPython3.11GPU建议 NVIDIA 显卡CUDA 支持数据集已按 YOLO 格式整理好images/和labels/目录结构清晰 二、环境配置Anaconda PyCharm1. 创建虚拟环境conda create-nvalorant_yolopython3.11-yconda activate valorant_yolo2. 安装依赖requirements.txttorch2.7.1 torchvision0.18.1 ultralytics8.2.0 opencv-python4.8.0.76 numpy1.26.0 pyyaml tqdm pillow安装命令pipinstall-rrequirements.txt 在 PyCharm 中File Settings Project Python Interpreter→ 选择该 conda 环境。 三、数据集组织结构必须严格对齐确保您的数据集目录如下valorant_dataset/ ├── images/ │ ├── train/ # ~61,600 张 .jpg │ ├── val/ # ~11,550 张 .jpg │ └── test/ # ~3,850 张 .jpg └── labels/ ├── train/ # 对应 .txt ├── val/ └── test/ 每个.jpg必须有同名.txt例如0001.jpg↔0001.txt 四、创建数据配置文件valorant.yaml在项目根目录新建valorant.yaml# valorant.yamltrain:./valorant_dataset/images/trainval:./valorant_dataset/images/valtest:./valorant_dataset/images/testnc:1# 类别数量names:[yellow_enemy]# 类别名称必须与标签中的 class_id0 对应 五、训练脚本train.py# train.pyfromultralyticsimportYOLOimporttorchdefmain():# 检查设备devicecudaiftorch.cuda.is_available()elsecpuprint(f 使用设备:{device})# 加载预训练模型YOLOv8s 轻量且适合游戏场景modelYOLO(yolov8s.pt)# 可替换为 yolov8n / yolov8m# 开始训练resultsmodel.train(datavalorant.yaml,# 数据配置文件epochs100,# 建议 50~100数据量大可减少imgsz640,# 输入图像尺寸与数据集一致batch32,# 根据显存调整16/32/64namevalorant_yellow_v8s,optimizerAdamW,lr00.001,lrf0.01,patience15,# 早停验证损失15轮不下降则停止saveTrue,exist_okFalse,verboseTrue,workers4# 多进程加载数据)# 导出最佳模型ONNX/TensorRT 可选best_modelYOLO(results.save_dir/weights/best.pt)best_model.export(formatonnx)# 可选用于部署if__name____main__:main()▶️ 六、启动训练在终端或 PyCharm 中运行python train.py训练日志和模型将保存在runs/detect/valorant_yellow_v8s/ ├── weights/ │ ├── best.pt ← 最佳模型按验证集 mAP 选择 │ └── last.pt ├── results.csv └── ...