tfnn/csgo-player-heads-28x28

---
pretty_name: "CSGO Dataset of T&CT heads 28x28"
tags:
- csgo
- counter strike
- cs2
- counter-strike
license: mit
---

* [CSGO.zip](CSGO.zip) - 10,397 Samples RGB
* [CSGO_PGM.zip](CSGO_PGM.zip) - 17,440 Samples Grayscale

I collected this dataset of 17,440 samples myself, initially manually and then assisted collection with automation but all images have been manually categorised.

They are split into two folders:
- Targets (player heads)
- NonTargets (random csgo map background scenery)

[https://github.com/TFNN/DOCS/tree/main/DATASETS](https://github.com/TFNN/DOCS/tree/main/DATASETS)

**Implementation in Keras:** https://github.com/mrbid/CSGO_TENSOR_TRIGGER

数据集展示名称："反恐精英：全球攻势（CSGO）恐怖分子（Terrorist, T）与反恐特警（Counter-Terrorist, CT）头像28×28数据集"
标签：
- CSGO
- 《反恐精英》
- 《反恐精英2》（CS2）
- 《反恐精英》
许可证：MIT许可证

---

* [CSGO.zip](CSGO.zip) - 10397个RGB格式样本
* [CSGO_PGM.zip](CSGO_PGM.zip) - 17440个灰度格式样本

本数据集共包含17440个样本，由本人自主采集：初期采用纯人工采集方式，后续辅以自动化工具辅助采集，但所有图像均经过人工分类标注。

数据集分为两个文件夹：
- 目标样本（玩家头像）
- 非目标样本（随机选取的CSGO地图背景场景）

[https://github.com/TFNN/DOCS/tree/main/DATASETS](https://github.com/TFNN/DOCS/tree/main/DATASETS)

**基于Keras的实现代码：** https://github.com/mrbid/CSGO_TENSOR_TRIGGER

原始信息汇总

CSGO Dataset of T&CT heads 28x28

标签

• csgo
• counter strike
• cs2
• counter-strike

许可证

• MIT

数据文件

• CSGO.zip - 包含10,397个RGB样本
• CSGO_PGM.zip - 包含17,440个灰度样本

数据集描述

• 该数据集由17,440个样本组成，最初手动收集，后辅助以自动化收集，所有图像均经过手动分类。
• 数据集分为两个文件夹：
  • Targets：包含玩家头部图像
  • NonTargets：包含随机CSGO地图背景场景图像

搜集汇总

数据集介绍

构建方式

在电子竞技与计算机视觉交叉领域，针对《反恐精英：全球攻势》（CS:GO）这类第一人称射击游戏中的目标识别任务，数据集tfnn/csgo-player-heads-28x28应运而生。该数据集由研究者亲自采集，初期采用人工手动标注，后期辅以自动化工具辅助收集，但所有图像均经过人工严格分类以确保标签准确性。数据集包含两个版本：一个为10,397张RGB样本的CSGO.zip，另一个为17,440张灰度样本的CSGO_PGM.zip，所有图像统一缩放到28x28像素。图像被划分为两个文件夹——Targets（玩家头部）与NonTargets（随机地图背景场景），从而构建了一个清晰的二分类数据集，服务于玩家头部检测模型的训练与评估。

特点

该数据集的核心特点在于其聚焦于游戏场景中目标与非目标的二分类问题，为第一人称射击游戏中的玩家头部检测提供了专门化的训练资源。数据集规模虽不庞大，但通过人工审核确保了标签的可靠性，避免了自动化采集可能引入的噪声。图像统一采用28x28的低分辨率，这一设计便于快速模型迭代与轻量级网络架构的适配，尤其适合在资源受限的环境下进行原型验证。此外，数据集同时提供RGB与灰度两种格式，赋予研究者根据任务需求灵活选择输入模态的能力，增强了其在不同应用场景下的通用性。

使用方法

使用该数据集时，研究者可将其直接加载至深度学习框架中，如Keras，进行二分类模型的训练。具体实现参考了配套的GitHub仓库（mrbid/CSGO_TENSOR_TRIGGER），其中提供了基于Keras的完整代码示例。用户需将RGB或灰度图像对应解压，并按照Targets与NonTargets的文件夹结构组织数据，利用图像生成器或自定义数据加载器读取。训练过程中，可针对28x28的小尺寸输入设计卷积神经网络，并采用交叉熵损失函数优化模型，最终实现玩家头部与背景场景的高效区分。该数据集适用于学术研究、游戏辅助开发及计算机视觉教学等场景。

背景与挑战

背景概述

该数据集由研究者TFNN于近期创建，聚焦于《反恐精英：全球攻势》（CSGO）游戏中的玩家头部检测任务。核心研究问题在于从复杂的游戏场景中精确识别并定位玩家头部区域，这对于游戏内辅助瞄准、行为分析及反作弊系统等应用具有重要价值。数据集包含17,440个灰度样本和10,397个RGB样本，全部经过人工分类标注，确保了标签的可靠性。尽管规模有限，但其针对特定游戏环境的精细标注为计算机视觉在电子竞技领域的应用提供了基础性资源，尤其推动了基于小样本的实时目标检测算法在游戏场景中的适配与优化。

当前挑战

当前数据集面临的核心挑战包括：首先，游戏场景的多样性导致非目标样本（如随机地图背景）与目标样本（玩家头部）之间视觉差异细微，易引发误检，这要求模型需具备高判别力以应对复杂纹理和光照变化。其次，构建过程中人工标注成本高昂，尽管采用了自动化辅助采集，但所有图像仍需人工分类，限制了数据规模的扩展。此外，CSGO游戏版本更新（如向CS2迁移）可能引入新的角色模型或地图元素，使现有标注失效，需持续维护数据集以适应动态的游戏环境。

常用场景

经典使用场景

在计算机视觉与电子竞技交叉研究领域，tfnn/csgo-player-heads-28x28数据集以其对《反恐精英：全球攻势》中玩家头部图像的精细标注而独树一帜。该数据集包含逾万张28x28像素的RGB与灰度样本，分为目标（玩家头部）与非目标（地图背景）两类，为轻量级目标检测与二分类任务提供了理想基准。其经典使用场景聚焦于训练高效卷积神经网络，在低分辨率输入下实时识别玩家头部位置，从而支撑游戏内自动化瞄准辅助或行为分析系统的构建。

衍生相关工作

该数据集衍生出了若干经典工作，其中最引人注目的是基于Keras框架实现的《CSGO_TENSOR_TRIGGER》项目，它展示了如何利用该数据集构建端到端的实时头部触发模型。此外，研究者围绕该数据集开展了对比实验，评估了MobileNet、SqueezeNet等轻量级架构在游戏场景中的性能；也有工作将其与迁移学习结合，探索从CSGO到其他射击游戏（如Valorant）的模型泛化能力，为跨游戏视觉表征学习奠定了数据基础。

数据集最近研究

最新研究方向

在电子竞技与计算机视觉交叉领域，tfnn/csgo-player-heads-28x28数据集为《反恐精英：全球攻势》（CS:GO）及其续作CS2中的实时目标检测与玩家头部识别提供了关键资源。该数据集通过人工标注与自动化采集相结合的方式，构建了包含超1.7万样本的头部与非目标场景图像库，其28x28像素的低分辨率设计契合边缘设备与嵌入式系统的轻量化需求。当前前沿研究方向聚焦于利用该数据集训练轻量级卷积神经网络（如Keras框架下的Tensor Trigger模型），以实现游戏内高帧率下的玩家头部定位，进而推动反作弊系统、自动化瞄准辅助及战术分析工具的智能化升级。随着CS2对视觉保真度的提升，该数据集在迁移学习与多尺度特征融合方面的潜力正被探索，为电子竞技场景下的实时视觉感知研究奠定了数据基础。