一、AI足球计算机视觉应用介绍

最近关注了Sports Lab开发的足球专用战术和分析支持工具。 （上图可视化示例）发现，近年来，计算机视觉、统计学习和博弈论在足球领域的有机结合碰撞出了巨大的火花。博弈论可以作为一种交互决策理论ai预测足球，在玩家需要与其他玩家互动（合作和对抗）时做出高相关性的决策；统计学习还可以根据玩家在游戏中的表现来学习针对特定游戏情况的战术解决方案；而计算机视觉可以作为输入端，以低成本或无磨损的方式为两种诉求提供高可用性的数据流。从上述开发的决策系统来看，我认为下一阶段的技术进步在于细化球员风格、比赛节奏、裁判判罚等多方面的实时数据挖掘和数据博弈。

二、评估足球比赛双目标跟踪系统

1、YOLOv5 原理

YOLOv5算法有4个版本，包括：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x。网络结构改为YOLOv5s，其他版本在此版本的基础上加深和拓宽网络。

由于我还没有完全理解yolov5，所以就从我理解的yolov3开始，比较yolov3和yolov5的异同。

(1) input:yolov5添加了马赛克数据增强、自适应锚点、自适应图像缩放ai预测足球，这样我们在组织数据集的时候就不用担心数据集的标准化问题了。

(2) : 关于卷积神经网络我只了解Yolov3，但是yolov5引入了Focus（我猜是注意力机制），CSP（还没搞懂）

(3)eck：至于这个网络层，我加了一个PAN，还没研究。

(4) : 加这个东西很重要。IoU推导出的一帧预测的loss计算公式推不出来，但我知道比yolov3有很大的提升。

2.原理

此代码纯粹是从别人那里移植过来的，不会写。该模型不是自己训练的。只需从 Github 下载即可。

3.orm 矩阵变换

直接上面，怎么用就不说了，算起来挺简单的，里面有一个很复杂的变换，x,y代表检测到目标后的坐标。

4.模型评估

为了做到这一点，专门建立了一个大大小小的数据集SFD，数据集的标注点在2W左右。

数据集：训练：1113，验证：123，分辨率：1280×720

具体训练参数如下：epoch 100img-size 640×640

官网预训练数据如下：

结果说明：Box：GIoU损失函数的均值，box越小越准确

：估计为目标检测损失的均值，目标检测越小越准确；

：估计为分类损失的均值，分类越小，分类越准确；

：精度（找到正确的正类/所有找到的正类）；

Recall：召回率（找到正确的正类/所有应该找到的正类）；

mAP@0.5：和Recall为两个轴围成的区域；

mAP@0.5:0.95:@0.5:0.95 表示阈值为0.5:0.05 : 0.95后的平均值；

5.总结

总而言之，这个检测系统比较简单，作者花了2天时间完成。具体源代码不会开源，但训练模型会免费共享。也希望小伙伴们可以按照上诉步骤自己打通，真正学习内涵知识。

附录：

本文模型及评测文档的Github源地址：

Github 主页：

技术栈：python