Dota2-Vis

Dota2-Vis是由巴西天主教大学·巴拉那分校研究团队构建的计算机视觉数据集，专注于多人在线战术竞技游戏《Dota 2》的可见性分析。该数据集包含两个核心组成部分：一是基于2025年国际邀请赛全部144场职业比赛的双视角高清视频资源，共计288段1920×1080分辨率录像；二是2477张从职业比赛中提取并精细标注的小地图图像，涵盖玩家图标、克隆单位等21个标注类别。数据采集过程通过专业录制工具获取原始视频流，并采用人工标注流程对小地图元素进行边界框标注，确保在视觉密集场景下的标注质量。该数据集主要应用于游戏分析领域，旨在通过计算机视觉技术解决传统结构化数据难以捕捉的动态可见性问题，为战术策略分析、对手侦察和赛后复盘提供数据支持。Dota2-Vis is a computer vision dataset constructed by the research team from the Pontifical Catholic University of Paraná, focusing on visibility analysis for the multiplayer online tactical competitive game *Dota 2*. The dataset comprises two core components: firstly, high-definition dual-perspective video resources sourced from all 144 professional matches of The International 2025, totaling 288 video clips with a resolution of 1920×1080; secondly, 2,477 mini-map images extracted from professional matches and meticulously annotated, covering 21 annotation categories such as player icons and cloned units. During the data collection process, raw video streams are acquired using professional recording tools, and manual annotation workflows are employed to perform bounding box annotation on mini-map elements, ensuring annotation quality in visually dense scenarios. This dataset is primarily applied in the field of game analysis, aiming to address dynamic visibility problems that traditional structured data is unable to capture through computer vision technologies, providing data support for tactical strategy analysis, opponent reconnaissance, and post-match review.

搜集汇总

数据集介绍

构建方式

Dota2-Vis数据集由两部分构成：其一为完整的比赛视频，通过官方游戏引擎回放并利用OBS Studio录制，固定分辨率为1920×1080像素；其二为手动标注的小地图图像。视频部分收录了2025年国际邀请赛的全部144场比赛，每场分别从夜魇和天辉双视角录制，共产生288段全高清视频。小地图图像从其他职业比赛中采集2477张，由人工标注边界框，涵盖玩家图标、克隆体及干扰性元素（如信号标记）等21个类别，图像分辨率为240×240像素。数据集按70/15/15比例划分训练、验证和测试子集，测试集与训练集来源比赛无重叠。

特点

该数据集的核心特点在于聚焦MOBA游戏中难以从结构化数据获取的可见性信息。通过双视角视频录制，数据集能真实反映每支队伍在比赛中实际观察到的对手视野，克服了仅依赖玩家坐标推断可见性的局限。小地图标注方案充分考虑了游戏特性，包含克隆体等特殊单位，并采用颜色与符号图标而非英雄头像，使得检测器与当前英雄池解耦，无需随版本更新重新训练。此外，数据集提供了完整的可见性分析基线，包括基于YOLO11l的玩家图标检测模型，在密集遮挡场景下仍保持高识别率。

使用方法

使用者可通过提供的公开代码库加载视频和标注数据，训练或评估目标检测模型以识别小地图上的玩家图标。每条视频对应具体比赛和队伍视角，利用检测结果可计算每个玩家在对手视角下的可见性百分比，并以五分钟为间隔生成时间序列曲线。该曲线支持多维度分析：比较同英雄同位置玩家的风格差异、分析不同英雄和角色的地图活跃窗口、以及团队级可见性与比赛胜负的关联。结果可用于赛后复盘、选手风格分析、对手战术准备以及即时胜负预测的特征工程。

背景与挑战

背景概述

在电子竞技蓬勃发展的时代，多人在线战术竞技场（MOBA）游戏因其复杂的战略深度与团队协作机制，成为人工智能与游戏分析研究的热点领域。然而，过往研究多依赖结构化数据，如日志、回放文件与公开API，虽能支持选秀推荐、胜负预测等任务，却难以捕捉比赛中的关键视觉语义——例如，通过坐标无法判断敌方视野内的实际可见性，因“战争迷雾”、地形起伏等动态因素使信息推断充满歧义。为突破这一局限，来自巴西巴拉那天主教大学（PUCPR）的Ricardo da Rocha Carvalho等研究团队于2026年提出了Dota2-Vis数据集。该数据集以2025年国际邀请赛全部144场职业比赛为素材，从双方队伍视角录制了288段全高清视频，并人工标注了2477张小地图图像，旨在通过计算机视觉方法系统研究Dota 2职业比赛中的对手可见性分析，为填补这一领域空白奠定了开创性基础。

当前挑战

该数据集面临的核心挑战之一在于所解决的领域问题：MOBA游戏中的可见性分析长期被忽视，因其依赖于“战争迷雾”、地形遮蔽、树木阻挡及临时视野来源等高度动态且上下文敏感的游戏机制，传统结构化数据仅能提供位置信息，无法反映对手实际观察到的画面，导致对地图控制、压力与决策不确定性的量化分析缺乏可靠信号。此外，数据集在构建过程中遭遇了显著困难：小地图图像分辨率仅为240×240像素，其中包含大量微小、重叠的物体，视觉杂乱且颜色相近，手动标注耗时且易出错；同时，英雄克隆、队友标记等非玩家元素的干扰增加了检测目标复杂性；为确保训练与评估的独立性，标注数据需严格避免与后续分析比赛的画面重叠，这进一步提升了数据分集的精心设计难度。最终，即使采用性能最优的YOLO11l模型，其F-score为0.939，仍难以在严重遮挡或极小对象重叠时完全避免漏检，表明在极端视觉条件下保持鲁棒性仍是长期技术挑战。

常用场景

经典使用场景

Dota2-Vis数据集的核心经典使用场景在于从视频流中提取并量化职业Dota 2比赛中的对手可见性情报。研究者可借助该数据集，通过处理双视角录制的比赛视频，利用目标检测模型识别小地图上的玩家图标，从而构建出随时间变化的可见性曲线。这一场景突破了传统结构化数据仅能提供坐标信息的局限，直接捕获了由战争迷雾、地形起伏、树木遮挡及视野道具等复杂因素共同决定的瞬时视野状态，为MOBA游戏中的不完全信息博弈分析提供了全新的可视化数据基础。

解决学术问题

在学术研究层面，Dota2-Vis数据集有效解决了MOBA游戏分析中长期存在的难题：如何从玩家视角还原真实的对手可见性信号。传统依赖日志、回放或API的结构化数据无法精确表达视野的瞬时变化与遮挡关系，而该数据集通过视觉手段直接测量对手可见的地图存在度，弥补了这一关键缺口。它使得研究者能够量化不同选手、英雄、角色及团队在地图上的活动窗口与压力模式，并揭示出视野优势与比赛胜负之间的动态关联，为游戏智能分析、团队协作建模及非完全信息博弈理论提供了实证支撑与可复现的实验框架。

衍生相关工作

Dota2-Vis数据集的发布催生了一系列衍生工作与研究方向。其视频驱动的可见性提取范式可直接借鉴于此前基于玩家镜头分析的团队战预测工作（Tot et al., 2021）及基于YOLO的轨迹提取框架（Kim et al., 2025），而Dota2-Vis首次将这一思路系统性地应用于视野分析。后续研究可在此基础上扩展至更多赛事与游戏版本，结合结构化API数据实现多模态融合，并引入时序跟踪与不确定性估计模块。其方法论同样具备跨游戏迁移潜力，可适配于《英雄联盟》、《王者荣耀》等MOBA作品，推动计算机视觉在电子竞技分析领域的系统化应用。