YOLO扑克牌检测数据集(极高精度)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/b7dec51f83bb59bdda6def6c4ef1a9b0.png)
1
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/d9c67e0be9d93deade0243879e125641.png)


数据集详情
- 检测类别：
10 Diamonds
10 Hearts
10 Spades
10 Trefoils
2 Diamonds
2 Hearts
2 Spades
2 Trefoils
3 Diamonds
3 Hearts
3 Spades
3 Trefoils
4 Diamonds
4 Hearts
4 Spades
4 Trefoils
5 Diamonds
5 Hearts
5 Spades
5 Trefoils
59
6 Diamonds
6 Hearts
6 Spades
6 Trefoils
7 Diamonds
7 Hearts
7 Spades
7 Trefoils
8 Diamonds
8 Hearts
8 Spades
8 Trefoils
9 Diamonds
9 Hearts
9 Spades
9 Trefoils
A Diamonds
A Hearts
A Spades
A Trefoils
J Diamonds
J Hearts
J Spades
J Trefoils
K Diamonds
K Hearts
K Spades
K Trefoils
Q Diamonds
Q Hearts
Q Spades
Q Trefoils
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/bd9b37879c6ada67a5c8a34e701c2fcb.png)

- 图片总量：1285张
- 训练集：964张
- 验证集：193张![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/05e8d36dca09b27664eab21a71df91c0.png)

- 测试集：128张
- 标注状态：全部已标注，即拿即用
- 数据格式：支持YOLO格式及其他格式（可按需提供）

# YOLO扑克牌检测数据集
## 一、数据集信息表
| 项目 | 详细说明 |
| ---- | ---- |
| 数据集名称 | YOLO扑克牌检测数据集（高精度） |
| 图片总数量 | 1285 张 |
| 数据集划分 | 训练集：964 张<br>验证集：193 张<br>测试集：128 张 |
| 检测类别（共53类） | 10 Diamonds、10 Hearts、10 Spades、10 Trefoils、2 Diamonds、2 Hearts、2 Spades、2 Trefoils、3 Diamonds、3 Hearts、3 Spades、3 Trefoils、4 Diamonds、4 Hearts、4 Spades、4 Trefoils、5 Diamonds、5 Hearts、5 Spades、5 Trefoils、59、6 Diamonds、6 Hearts、6 Spades、6 Trefoils、7 Diamonds、7 Hearts、7 Spades、7 Trefoils、8 Diamonds、8 Hearts、8 Spades、8 Trefoils、9 Diamonds、9 Hearts、9 Spades、9 Trefoils、A Diamonds、A Hearts、A Spades、A Trefoils、J Diamonds、J Hearts、J Spades、J Trefoils、K Diamonds、K Hearts、K Spades、K Trefoils、Q Diamonds、Q Hearts、Q Spades、Q Trefoils |
| 标注状态 | 全量完成标注，开箱即用 |
| 数据格式 | 标准YOLO格式，同时支持多种主流标注格式，可按需转换 |
| 数据集特点 | 数据质量高，训练后模型可达到极高检测精度 |
| 适用场景 | 扑克识别、棋牌视觉检测、目标检测算法训练、计算机视觉实训、项目开发、毕业设计 |

## 二、核心标签
#扑克牌检测 #YOLO数据集 #棋牌识别 #目标检测 #AI视觉训练数据集

## 三、数据集目录结构
```
poker_dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── poker.yaml
```

## 四、数据集配置文件 `poker.yaml`
```yaml
path: ./poker_dataset
train: images/train
val: images/val
test: images/test

nc: 53
names:
  0: 10 Diamonds
  1: 10 Hearts
  2: 10 Spades
  3: 10 Trefoils
  4: 2 Diamonds
  5: 2 Hearts
  6: 2 Spades
  7: 2 Trefoils
  8: 3 Diamonds
  9: 3 Hearts
  10: 3 Spades
  11: 3 Trefoils
  12: 4 Diamonds
  13: 4 Hearts
  14: 4 Spades
  15: 4 Trefoils
  16: 5 Diamonds
  17: 5 Hearts
  18: 5 Spades
  19: 5 Trefoils
  20: 59
  21: 6 Diamonds
  22: 6 Hearts
  23: 6 Spades
  24: 6 Trefoils
  25: 7 Diamonds
  26: 7 Hearts
  27: 7 Spades
  28: 7 Trefoils
  29: 8 Diamonds
  30: 8 Hearts
  31: 8 Spades
  32: 8 Trefoils
  33: 9 Diamonds
  34: 9 Hearts
  35: 9 Spades
  36: 9 Trefoils
  37: A Diamonds
  38: A Hearts
  39: A Spades
  40: A Trefoils
  41: J Diamonds
  42: J Hearts
  43: J Spades
  44: J Trefoils
  45: K Diamonds
  46: K Hearts
  47: K Spades
  48: K Trefoils
  49: Q Diamonds
  50: Q Hearts
  51: Q Spades
  52: Q Trefoils
```

## 五、环境依赖安装
```bash
pip install ultralytics torch opencv-python
```

## 六、模型训练代码 `train_poker.py`
```python
from ultralytics import YOLO

def main():
    # 加载预训练模型，支持 YOLOv8 / YOLOv11 等版本
    model = YOLO("yolov8s.pt")

    # 启动训练
    train_results = model.train(
        data="./poker_dataset/poker.yaml",
        epochs=120,
        imgsz=640,
        batch=16,
        device=0,        # 无GPU则改为 device="cpu"
        workers=4,
        patience=20,
        project="runs/train",
        name="poker_detect",
        exist_ok=True,
        pretrained=True
    )
    print("训练完成，权重保存路径：runs/train/poker_detect/weights")

    # 测试集评估
    metrics = model.val(data="./poker_dataset/poker.yaml", split="test")
    print(f"测试集 mAP@50: {metrics.box.map50:.4f}")

if __name__ == "__main__":
    main()
```

## 七、推理测试代码 `predict_poker.py`
```python
from ultralytics import YOLO
import cv2

# 加载训练完成的最优权重
model = YOLO("runs/train/poker_detect/weights/best.pt")

if __name__ == "__main__":
    img_path = "test_poker.jpg"
    # 执行检测并保存结果
    results = model.predict(
        source=img_path,
        conf=0.25,
        iou=0.45,
        save=True
    )
    # 可视化展示
    result_img = results[0].plot()
    cv2.imshow("Poker Detection", result_img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
```

检测类别：10 Diamonds10 Hearts10 Spades10 Trefoils2 Diamonds2 Hearts2 Spades2 Trefoils3 Diamonds3 Hearts3 Spades3 Trefoils4 Diamonds4 Hearts4 Spades4 Trefoils5 Diamonds5 Hearts5 Spades5 Trefoils596 Diamonds6 Hearts6 Spades6 Trefoils7 Diamonds7 Hearts7 Spades7 Trefoils8 Diamonds8 Hearts8 Spades8 Trefoils9 Diamonds9 Hearts9 Spades9 TrefoilsA DiamondsA HeartsA SpadesA TrefoilsJ DiamondsJ HeartsJ SpadesJ TrefoilsK DiamondsK HeartsK SpadesK TrefoilsQ DiamondsQ HeartsQ SpadesQ Trefoils

深度学习YOLO模型如何训练 扑克牌检测数据集(极高精度)

检测类别：10 Diamonds10 Hearts10 Spades10 Trefoils2 Diamonds2 Hearts2 Spades2 Trefoils3 Diamonds3 Hearts3 Spades3 Trefoils4 Diamonds4 Hearts4 Spades4 Trefoils5 Diamonds5 Hearts5 Spades5 Trefoils596 Diamond

人工智能

算法

开发工具

高精度YOLO扑克牌检测数据集包含1285张图片，涵盖53种扑克牌类别（2-A各花色）。数据集已完整标注，支持YOLO格式转换，适用于棋牌识别、目标检测算法训练。包含964张训练集、193张验证集和128张测试集，开箱即用，助力AI视觉项目开发。

计算机视觉

代码解释

YOLO

4核4G3M云服务器 新用户低至38元/年！

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

深度学习YOLO模型如何训练 扑克牌检测数据集(极高精度)-腾讯云开发者社区-腾讯云

深度学习YOLO模型如何训练扑克牌检测数据集(极高精度)

深度学习YOLO模型如何训练扑克牌检测数据集(极高精度)

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

深度学习YOLO模型如何训练 扑克牌检测数据集(极高精度)

深度学习YOLO模型如何训练 扑克牌检测数据集(极高精度)

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

深度学习YOLO模型如何训练扑克牌检测数据集(极高精度)

深度学习YOLO模型如何训练扑克牌检测数据集(极高精度)