深度学习YOLO模型如何训练 PUBG 绝地求生目标检测数据集

pubg数据集 精选原图1.42万数据 1.49万标签

无任何重复、算法增强或冗余图像！
pubg绝地求生目标检测数据集
1分类：e_body，14905个标签，txt格式
共计14244张图，99%为640*640尺寸图像

适合yolo目标检测、AI训练

关键词：pubg数据集，绝地求生数据集，pubg，绝地求生
稀缺资源，共3.44G，

常规训练精度90+

PUBG绝地求生目标检测数据集

数据集信息表

项目详细说明
数据集名称PUBG绝地求生目标检测数据集
图片总数14244张精选原图
标签总数14905个标注标签
数据特点无重复图像、无算法增强、无冗余图片，原始画质优质
目标类别单类别：e_body
标注格式TXT（标准YOLO格式）
图像尺寸99% 图片分辨率为 640×640
数据大小整体压缩包 3.44G
训练效果基于YOLO系列模型训练，精度可达90%以上
适用场景YOLO目标检测模型训练、游戏视觉识别、AI算法实训、毕业设计、游戏AI研发
交付方式电子资料，123网盘发货
相关备注1. 仅负责发货，下载问题需自行解决
2. 虚拟商品，发货后不支持退款
3. 另有多款游戏类数据集、模型资源，可咨询了解

核心标签

#pubg数据集 #绝地求生数据集 #目标检测 #YOLO训练 #游戏视觉 #AI数据集

PUBG绝地求生目标检测数据集

数据集信息表

项目详细说明
数据集名称PUBG绝地求生目标检测数据集
图片总数14244张精选原图
标签总数14905个标注标签
数据特点无重复图像、无算法增强、无冗余图片，原始画质优质
目标类别单类别：e_body
标注格式TXT（标准YOLO格式）
图像尺寸99% 图片分辨率为 640×640
数据大小整体压缩包 3.44G
训练效果基于YOLO系列模型训练，精度可达90%以上
适用场景YOLO目标检测模型训练、游戏视觉识别、AI算法实训、毕业设计、游戏AI研发
交付方式电子资料，123网盘发货
相关备注1. 仅负责发货，下载问题需自行解决
2. 虚拟商品，发货后不支持退款
3. 另有多款游戏类数据集、模型资源，可咨询了解

核心标签

#pubg数据集 #绝地求生数据集 #目标检测 #YOLO训练 #游戏视觉 #AI数据集

一、数据集目录结构

pubg_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── pubg.yaml

二、数据集配置文件pubg.yaml

path:./pubg_datasettrain:images/trainval:images/valnc:1names:0:e_body

三、环境依赖安装

pipinstallultralytics torch opencv-python

四、YOLO训练代码train_pubg.py

fromultralyticsimportYOLOif__name__=="__main__":# 加载预训练权重，支持YOLOv8/YOLOv11等版本model=YOLO("yolov8s.pt")# 开始模型训练results=model.train(data="./pubg_dataset/pubg.yaml",epochs=100,imgsz=640,batch=16,device=0,# 有GPU填写设备编号，无GPU改为 device="cpu"workers=4,patience=15,project="runs/train",name="pubg_detection",exist_ok=True,pretrained=True)# 模型验证评估val_result=model.val()print(f"模型mAP@50：{val_result.box.map50:.4f}")print("训练完成，模型权重保存至 runs/train/pubg_detection/weights 目录")

五、推理测试代码predict_pubg.py

fromultralyticsimportYOLOimportcv2# 加载训练完成的最优模型model=YOLO("runs/train/pubg_detection/weights/best.pt")if__name__=="__main__":# 单张图片检测img_path="test.jpg"preds=model.predict(source=img_path,conf=0.25,save=True)# 可视化展示img=preds[0].plot()cv2.imshow("PUBG 目标检测",img)cv2.waitKey(0)cv2.destroyAllWindows()