SportsLabKit

简介

认识SportsLabKit：先进体育分析的必备工具包。专为专业人士和业余爱好者设计，我们将原始比赛视频转化为可操作的数据。

我们从足球开始，不久将扩展到其他运动。需要量化你的比赛吗？使用SportsLabKit让人体运动可计算。

特点

核心功能

• 高性能跟踪：体育对象跟踪的内部实现，包括SORT、DeepSORT、ByteTrack和TeamTrack。

灵活性

• 即插即用架构：可随时更换检测和ReID模型。支持的模型包括YOLOv8和torch-ReID。

易用性

• 2D场地校准：将边界框转换为2D场地坐标。

• DataFrame封装：BoundingBoxDataFrame和CoordinatesDataFrame用于轻松操作和分析跟踪数据。

教程

• 入门指南：了解和设置SportsLabKit的第一步。
• 用户指南：在实际场景中有效使用工具包的全面指南。
• 核心组件：深入探讨构成SportsLabKit的基本元素，包括跟踪算法和DataFrame封装。

安装

安装SportsLabKit，只需运行：

pip install SportsLabKit

注意：我们正在积极开发中，请期待更新和变化。

使用示例

要开始跟踪你的第一场比赛，请按照以下简单示例操作：

import sportslabkit as slk

from sportslabkit.mot import SORTTracker

# 初始化相机和模型
cam = slk.Camera(path_to_mp4)
det_model = slk.detection_model.load('YOLOv8x', imgsz=640)
motion_model = slk.motion_model.load('KalmanFilter', dt=1/30, process_noise=10000, measurement_noise=10)

# 配置并执行跟踪器
tracker = SORTTracker(detection_model=det_model, motion_model=motion_model)
tracker.track(cam[:100])
res = tracker.to_bbdf()

save_path = "assets/tracking_results.mp4"
res.visualize_frames(cam.video_path, save_path)

# 跟踪数据现在可以进行分析

输出是一个BoundingBoxDataFrame，这是一个多级Pandas DataFrame，包含队伍ID、球员ID以及边界框尺寸等各种属性。每行都以帧ID为索引，便于分析。DataFrame还可以自定义，允许你根据需要调整队伍和球员ID。

发展路线

• 更好的CV工具：实现最先进的跟踪方法，添加事件检测等。

• 统一数据表示：正在开发事件数据检测和单一DataFrame结构，用于同时处理事件和轨迹数据。

• 增强兼容性：即将支持数据导出为标准格式，以便轻松与其他工具集成。

贡献

请参阅贡献指南了解更多信息。

贡献者

Atom Scott 🚧

Ikuma Uchida ✅

shunsuke-iwashita 🐛

本项目遵循all-contributors规范。欢迎任何形式的贡献！

相关论文

SoccerTrack: 基于鱼眼和无人机视频的足球数据集和跟踪算法 Atom Scott*、Ikuma Uchida*、Masaki Onishi、Yoshinari Kameda、Kazuhiro Fukui、Keisuke Fujii 在CVPR计算机视觉与体育研讨会（CVSports'22）上发表。*作者贡献相同。

在谷歌学术上查看引用SoccerTrack的论文。

引用

@会议论文{scott2022soccertrack,
  标题={SoccerTrack: 一个基于鱼眼和无人机视频的足球追踪数据集和算法},
  作者={Scott, Atom 和 Uchida, Ikuma 和 Onishi, Masaki 和 Kameda, Yoshinari 和 Fukui, Kazuhiro 和 Fujii, Keisuke},
  会议名称={IEEE/CVF计算机视觉与模式识别会议论文集},
  页码={3569--3579},
  年份={2022}
}