7万+数据集！无畏契约VaLoRant YOLO模型专用数据集
截图大小：256
截图数量：7w+
1
1
：
✅7万+ 高质量截图（256×256）
✅标注类别：玩家角色、敌人、血条、技能图标、枪械、地图标记等
✅YOLOv8/v11 训练代码（支持自定义配置）
✅数据增强策略（提升小目标检测能力）
✅模型导出与推理脚本
✅ 一、数据集概览
| 项目 | 内容 |
|---|---|
| 游戏 | 《Valorant》（无畏契约） |
| 截图数量 | 70,000+ 张 |
| 分辨率 | 256×256（统一裁剪） |
| 标注格式 | YOLO 格式（.txt，每张图对应一个标签文件） |
| 类别数 | 8 类（可扩展） |
| 标注工具 | LabelImg / Roboflow / CVAT |
🎯 标注类别（建议）
names:-player# 自己角色-enemy# 敌方角色-teammate# 队友-health_bar# 血条（含护盾）-weapon# 当前武器（Vandal、Phantom 等）-ability_icon# 技能图标（Q/E/X/C）-minimap_marker# 小地图标记-bomb_site# 爆破点（A/B site）💡说明：血条和技能图标为小目标，需特别处理（如 mosaic 增强、高分辨率训练）。
✅ 二、目录结构
valorant_yolo_dataset/ ├── images/ │ ├── train/ # 56,000 张 │ ├── val/ # 7,000 张 │ └── test/ # 7,000 张 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── dataset.yaml # YOLO 数据集配置 └── README.md✅ 三、dataset.yaml配置文件
# dataset.yamlpath:/path/to/valorant_yolo_datasettrain:images/trainval:images/valtest:images/testnc:8names:['player','enemy','teammate','health_bar','weapon','ability_icon','minimap_marker','bomb_site']✅ 四、训练代码（YOLOv8 / YOLOv11）
1. 安装依赖
pipinstallultralytics opencv-python numpy matplotlib# 若使用 YOLOv11（假设为 Ultralytics 最新版）# pip install git+https://github.com/ultralytics/ultralytics.git2. 训练脚本train.py
# train.pyfromultralyticsimportYOLO# 加载预训练模型（YOLOv8s 或 YOLOv11s）model=YOLO('yolov8s.pt')# 或 'yolov11s.pt'# 训练配置results=model.train(data='dataset.yaml',epochs=100,imgsz=256,# 与截图尺寸一致batch=64,# 根据 GPU 显存调整workers=8,name='valorant_yolo_v8s',cache=True,# 缓存图像加速训练augment=True,# 启用默认增强hsv_h=0.015,# 色调扰动hsv_s=0.7,# 饱和度hsv_v=0.4,# 亮度degrees=10.0,# 旋转translate=0.1,# 平移scale=0.5,# 缩放（对小目标有效）mosaic=1.0,# 强烈建议开启 mosaic（提升小目标检出）flipud=0.0,fliplr=0.5,patience=20,# 早停device=0# GPU ID)# 导出为 ONNX（用于部署）model.export(format='onnx')✅ 五、数据增强建议（针对小目标）
由于血条、技能图标在 256×256 图中可能仅占 10×5 像素，建议：
- 开启 Mosaic 增强（默认已启用）：将 4 张图拼接，增加小目标上下文。
- 关闭 Copy-Paste（避免标签错位）。
- 使用更高输入尺寸训练（如 512×512），推理时再缩放到 256。
- 添加自定义增强（如随机锐化、对比度拉伸）。
# 自定义增强示例（在训练前预处理）importcv2importnumpyasnpdefsharpen_image(img):kernel=np.array([[0,-1,0],[-1,5,-1],[0,-1,0]])returncv2.filter2D(img,-1,kernel)✅ 六、推理脚本（检测 Valorant 截图）
# infer.pyfromultralyticsimportYOLOimportcv2 model=YOLO('runs/detect/valorant_yolo_v8s/weights/best.onnx')# 单图推理results=model('test.jpg')# 可视化结果annotated_img=results[0].plot()cv2.imshow('Result',annotated_img)cv2.waitKey(0)# 批量推理results=model(['img1.jpg','img2.jpg'],conf=0.4,iou=0.5)forrinresults:print(r.boxes.cls)# 类别print(r.boxes.conf)# 置信度✅ 七、性能优化建议
| 问题 | 解决方案 |
|---|---|
| 小目标漏检 | 开启mosaic=1.0，使用yolov8m或yolov8l |
| 血条误检 | 添加负样本（无血条区域）到训练集 |
| 实时性要求高 | 导出 TensorRT 引擎（model.export(format='engine')） |
| 多类别混淆 | 检查标注一致性，使用cls_loss权重调整 |
✅ 八、部署到 Web 系统（可选）
结合您之前的系统架构，可将此模型集成到：
- 前端：Vue3 上传 Valorant 截图
- 后端：Flask 调用 ONNX 模型
- 输出：返回 JSON + 标注图 + AI 分析（如“敌方位置分布”）
