今晚，為梅西和莫德里奇熬夜！這個CV模型，讓你猜球必贏

前天，C羅的球迷們傷心慘了。

12月11日的卡達世界盃上，葡萄牙不敵摩洛哥止步八強，C羅的世界盃之旅，就這樣畫上了遺憾的句點。

#C羅說夢想結束了#的這個熱搜下，集結了不知多少心碎的球迷。

葡萄牙對摩洛哥的這場比賽，出現了0:1的爆冷結果。羅納多哭了，內馬爾哭了，下一個會是誰？

不過，還沒來得及從為C羅傷心中走出來，今晚又要迎來梅西和莫德里奇的對決了！

怕心臟受不了？

現在，有了這麼一個模型，沒能準能讓你在比賽開始的5分鐘內，就提前知道這場球會不會爆冷。

當電腦視覺用於足球

#國外的這位機器學習工程師，一直希望把電腦視覺(CV)和自己熱愛的足球結合。

在三年前，他就曾嘗試用YOLOv3來把籃球場上的運動員進行檢測和分類。

而眼下的FIFA世界杯，讓他重新撿起了這個想法。

這次，他使用的是YOLOv5和ByteTRACK的組合，來追蹤球場上的足球員。

第1步：建立預訓練偵測器

#最初，Skalski希望能跳過自訂模型訓練。

他希望從開始到結束只花幾個小時，速戰速決。

因為用於訓練YOLOv5和YOLOv7模型的流行COCO資料集包含他最感興趣的兩個類別— person和sports ball，這就讓他非常樂觀，認為可以從COCO檢查點進行訓練。

他從Kaggle的德甲數據大戰中快速下載了幾十個簡短的足球比賽視頻，並將預訓練模型用於測試。

在嘗試了iou_threshold，confidence_threshold，input_resolution等各種配置後，他得到的結果令人失望。

在這個模型上，僅僅在幾個視訊畫面上能偵測到球，因為數量太少，模型無法可靠地追蹤如此小且快速移動的物體。

另一方面，這個模型會偵測到場外的許多冗餘物件－教練、球迷、維修人員、攝影人員等。為了這些冗餘對象，需要寫額外的偵測過濾邏輯，太過麻煩。

可見，即使資料集包含所需的類，但用於推理的影片肯定與用於訓練的影像有很大不同。

在這種情況下，Skalski只能建立自己的資料集，並訓練自訂模型。

第2步：建立自訂偵測器

而訓練自訂模型，就需要付出很多努力。

最主要的原因是，為了註解影像，必須完成大量的手動工作。

由於時間匆忙，需要盡可能的簡化流程。

Skalski從前面提到的Kaggle資料集中選擇了幾十個視頻，並使用FFmpeg從每個視頻中提取10幀——每3秒一個。

接下來，就是對影像執行自動初步註釋，並將偵測到的物件儲存到txt文件，來利用預先訓練的YOLOv5 模型。

接下來，第2階段就是要完善資料了。

雖然電腦已經完成了90%的工作，但人工修正仍花了Skalski將近5個小時的時間。

同時，他也引進了兩個額外的物件類別－裁判和守門員。他的工作成果，在Roboflow Universe上可見。該資料集是開源的，任何人都可以免費使用。

預先訓練vs自訂足球員偵測器

#自訂訓練的結果讓Skalski對於解決上述兩個問題充滿自信。

但不幸的是，可能是由於分類不平衡，模型在檢測goalkeeper類別時仍然存在問題。

於是，在接下來，Skalski將每個守門員視為一名普通的足球員。

Skalski的模型和他的資料集一樣，在Roboflow Universe上都是可用的。只需拖放測試圖像即可。

第3步：追蹤物件

Skalski使用的是ByteTRACK（SOTA多物件追蹤器之一）來追蹤影片中的物件。

ByteTRACK在內部並沒有使用任何神經網路。這個模型的強大功能完全來自於簡單的數學計算：比較各個幀上的邊界框位置。

最重要的是，ByteTRACK不負責偵測，只負責追蹤。因此，它不需要像其他一些追蹤器那樣進行單獨訓練。

因而，ByteTRACK讓我們可以輕鬆地更換偵測器，而無需重新設計整個程式碼的架構。

以下是一段簡化的程式碼片段，在自己的專案中，您需要利用ByteTRACK的起始程式碼。

在ByteTRACK專案中，框架上的每個物件都有一個唯一的ID。

這是模型的結果：

ByteTRACK單幀結果

可以看到，每個玩家都被分配了一個唯一的編號，並在幀之間進行追蹤。

當然，偵測和追蹤只是個開始。

#

有了這些，我們就可以更上一層樓了！

例如，現在可以快速分析動作的過程，了解球是如何在球員之間移動的，計算球員移動的距離，或者定位他們最常出現的場地區域。

網友：不去賭球可惜了

#有網友表示：既然你掌握了這麼多訊息，不去賭球真的虧了。

對此，有激動的網友表示：「這也太夢幻了！我一直就想做出這樣一個東西賣給賭球的人。」

「你可以呈現出每個進攻球員的每一秒的傳球狀態和準備狀態。甚至可以對從未被傳球的球員進行360 度的表現評估，這比估計的賠率準確多了！」

也有網友表示：dream一個足球比賽的即時小地圖。

有嚴謹的網友詢問道：「這個腳本是否只適用於一個固定的攝影機角度，例如從覆蓋整個地面的一側？可不可以用在其他攝影角度上，例如對3-4位球員進行對焦拍攝。」

對此帖主回覆：「我認為我們可以添加來自其他角度的用例的數據，重新訓練模型，它應該表現得一樣好。」

而該網友表示：「我感覺換個角度的訓練數據是行不通的。我的想法是，繼續在全攝影機角度拍攝時運行腳本，但要記下球的位置和球周圍的球員，並在任何其他提要上標記資料。」

#

以上是今晚，為梅西和莫德里奇熬夜！這個CV模型，讓你猜球必贏的詳細內容。更多資訊請關注PHP中文網其他相關文章！