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（train）：61,600 张（80%） - 验证集（val）：11,550 张（15%） - 测试集（test）：3,850 张（5%） |
| 类别定义（classes.txt） | <br>0: yellow_enemy<br>（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 model=YOLO('yolov8s.pt')model.train(data='valorant.yaml',epochs=100,imgsz=640,batch=32)💡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。
1
1
1
1
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 GPU）
- Python：3.11
- GPU：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 + PyCharm）
1. 创建虚拟环境
conda create -n valorant_yolopython=3.11-y conda activate valorant_yolo2. 安装依赖（requirements.txt）
torch==2.7.1 torchvision==0.18.1 ultralytics==8.2.0 opencv-python==4.8.0.76 numpy==1.26.0 pyyaml tqdm pillow安装命令：
pipinstall-r requirements.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_id=0 对应）🚀 五、训练脚本train.py
# train.pyfromultralyticsimportYOLOimporttorchdefmain():# 检查设备device='cuda'iftorch.cuda.is_available()else'cpu'print(f"🚀 使用设备:{device}")# 加载预训练模型（YOLOv8s 轻量且适合游戏场景）model=YOLO('yolov8s.pt')# 可替换为 yolov8n / yolov8m# 开始训练results=model.train(data='valorant.yaml',# 数据配置文件epochs=100,# 建议 50~100（数据量大可减少）imgsz=640,# 输入图像尺寸（与数据集一致）batch=32,# 根据显存调整（16/32/64）name='valorant_yellow_v8s',optimizer='AdamW',lr0=0.001,lrf=0.01,patience=15,# 早停：验证损失15轮不下降则停止save=True,exist_ok=False,verbose=True,workers=4# 多进程加载数据)# 导出最佳模型（ONNX/TensorRT 可选）best_model=YOLO(results.save_dir/'weights/best.pt')best_model.export(format='onnx')# 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 └── ...🔍 七、验证与测试
1. 验证集评估
训练完成后自动计算 mAP50、mAP50-95 等指标。
2. 手动测试单张图
fromultralyticsimportYOLO model=YOLO('runs/detect/valorant_yellow_v8s/weights/best.pt')results=model('test_image.jpg')results[0].show()# 显示带框结果3. 批量测试并保存
model.predict(source='valorant_dataset/images/test',save=True,conf=0.4)⚙️ 八、调优建议（针对游戏场景）
| 问题 | 解决方案 |
|---|---|
| 误检技能光效 | 增加负样本权重；使用copy_paste=0.3数据增强 |
| 漏检烟雾中敌人 | 启用mosaic=1.0和mixup=0.1增强遮挡鲁棒性 |
| 训练过拟合 | 减少 epochs，增加dropout（需修改模型头）或使用l2 正则 |
| 推理速度慢 | 改用yolov8n或导出为 TensorRT/ONNX 加速 |
)
