Logo
Project Icon

sn-gamestate

创新足球比赛状态重建技术实现运动员追踪与识别

SoccerNet游戏状态重建运动员跟踪运动员识别计算机视觉Github开源项目

SoccerNet Game State Reconstruction项目提出了一种新的计算机视觉任务,通过单个移动摄像头追踪和识别足球运动员,并构建小型地图。该项目引入了包含200个标注视频片段的数据集和新评估指标,提供了基于深度学习的基线系统和开源代码库。这一创新技术为体育行业提供了自动化比赛状态重建的工具,有望推动相关研究的进一步发展。

访问官网访问官网GithubGithub论文论文
介绍相关项目

SoccerNet 比赛状态重建

小地图上运动员的端到端跟踪和识别

[论文] [视频] [演示] [教程] [网站] [TrackLab] [EvalAI]

arXiv PWC

SoccerNet比赛状态重建：小地图上运动员的端到端跟踪和识别, CVPRW'24

Vladimir Somers, Victor Joos, Anthony Cioppa, Silvio Giancola, Seyed Abolfazl Ghasemzadeh, Floriane Magera, Baptiste Standaert, Amir Mohammad Mansourian, Xin Zhou, Shohreh Kasaei, Bernard Ghanem, Alexandre Alahi, Marc Van Droogenbroeck, Christophe De Vleeschouwer

arxiv 2404.11335

比赛状态示例

欢迎使用SoccerNet比赛状态任务和挑战的开发套件。 该套件旨在帮助您开始处理数据和提出的任务。

SoccerNet比赛状态开发套件基于TrackLab构建，TrackLab是一个多目标跟踪研究框架。

⚽ 什么是SoccerNet GSR？ SoccerNet比赛状态重建（GSR）是一项新颖的计算机视觉任务，涉及从单个移动摄像机跟踪和识别球员，以构建类似视频游戏的小地图，无需球员佩戴任何特定硬件。 👉 虽然这项任务对体育产业具有巨大价值，但直到现在还没有适当的开源基准来比较方法！

🔎 工作亮点： 我们为比赛状态重建引入了一个新的基准，包括一个包含200个带注释片段的新数据集和一个新的评估指标。此外，我们发布了这个代码库，利用各种最先进的深度学习方法来支持该任务的进一步研究。

参加我们即将举行的CVPR 2024国际挑战赛（CVSports研讨会）！ 参赛截止日期定于2024年5月30日。 官方挑战规则和提交说明可在ChallengeRules.md中找到。您可以将您的预测提交到EvalAI评估服务器。

🚀 新闻

[!重要] 我们更新了bbox-pitch注释以提高时间一致性。 请确保您至少使用数据集的1.3版本。 在Labels-GameState.json中："info" > "version" >= 1.3

当前最新版本：1.3

这个代码库仍在积极开发中，请务必定期回来获取最新更新！ 别忘了将sn-gamestate和tracklab仓库都更新到最新提交。 如果遇到任何问题，请随时在GitHub上开启issue或在我们的官方Discord频道与我们互动：我们 很乐意提供详细说明来帮助您。

即将推出

更新：

  • [2024.07.10] 添加了"No Bells, Just Whistles"校准。 要测试，请在soccernet.yaml中使用"nbjw_calib"替代"tvcalib"，用于pitch和calibration。
  • [2024.05.13] 发布数据集V1.3版本，更新了边界框-球场注释。
  • [2024.05.08] 发布基线挑战追踪器状态：https://zenodo.org/records/11143697
  • [2024.04.25] 发布基线验证和测试追踪器状态：https://zenodo.org/records/11065177
  • [2024.03.27] 在ChallengeRules.md中发布提交说明。
  • [2024.03.26] EvalAI服务器开放评估
  • [2024.03.21] 发布数据集V1.2版本，修复了左/右队标签
  • [2024.02.13] 完整基线发布
  • [2024.02.11] 数据集可供下载
  • [2024.02.05] 公开发布

⚽️ 关于比赛状态重建任务

比赛状态重建可以被视为一项压缩任务，目标是从原始视频输入中提取体育比赛的高级信息。 需要提取的高级信息包括以下内容：

  • 场上所有运动员的2D位置
  • 他们的角色（球员、守门员、裁判、其他）
  • 对于球员和守门员：
    • 他们的球衣号码
    • 他们的队伍归属（即相对于摄像机视角的左侧或右侧）

这些高级信息可以很好地显示为2D小地图、雷达视图或鸟瞰图（BEV），如上面的GIF所示。 比赛状态重建是一项具有挑战性的任务，因为它需要解决几个子任务，如：

  1. 球场定位和相机校准
  2. 人员检测、重新识别和跟踪
  3. 球衣号码识别
  4. 队伍归属

欲了解更多信息，请观看我们的介绍视频和更详细的教程。

🎯 关于GS-HOTA：比赛状态重建的评估指标

GS-HOTA是一种新的评估指标，用于衡量GSR方法正确跟踪和识别体育场上所有运动员的能力。 GS-HOTA是HOTA指标的扩展，HOTA是一种流行的多目标跟踪评估指标。 为了在图像空间中匹配真实值和预测边界框，标准HOTA指标使用基于IoU的相似度分数。 GS-HOTA与HOTA的关键区别在于使用了一种新的相似度分数，考虑了GSR任务的特殊性，即额外的目标属性（球衣号码、角色、队伍）以及以2D点而非边界框形式提供的检测结果。 这个新的相似度分数，表示为$Sim_{GS-HOTA}(P, G)$，公式如下：

Sim_{\text{GS-HOTA}}(P, G) = \text{LocSim}(P, G) \times \text{IdSim}(P, G)

\text{其中 LocSim}(P, G) = e^{\ln(0.05)\frac{\|P - G\|_2^2}{\tau^2}}

\text{且 IdSim}(P, G) = 
\begin{cases} 
1 & \text{如果所有属性匹配，} \\
0 & \text{否则。}
\end{cases}

$Sim_{\text{GS-HOTA}}$因此是两个相似度指标的组合。 第一个指标，定位相似度$\text{LocSim}(P, G)$，计算预测P和真实值G在球场坐标系中的欧几里得距离$|P - G|_2$。 随后使用高斯核处理这个距离，特殊距离容差参数$\tau$设为5米，得到最终分数落在$[0, 1]$范围内。 第二个指标，识别相似度$\text{IdSim}(P, G)$，仅当所有属性匹配时才设为1，即角色、队伍和球衣号码。 G中未提供的属性将被忽略，例如裁判的球衣号码。 因此，GSR方法必须为非球员角色输出"null"队伍和球衣号码属性，以及在视频中不可见时输出"null"球衣号码。 最后，一旦P和G匹配，DetA和AssA将被计算并整合到最终的GS-HOTA分数中，遵循HOTA指标的原始公式。 GS-HOTA因此对预测检测结果施加了非常严格的约束，因为未能正确预测检测的所有属性会将其变成假阳性。 我们基于将定位数据分配给不正确或不存在的身份可能对下游应用产生的严重影响来证明这种严格约束的合理性。 我们建议读者参考官方论文以获取关于GS-HOTA的详细描述和讨论。

🏟️ 关于比赛状态重建基线

为了这个挑战的目的，我们使用TrackLab框架，这是一个开源模块化跟踪框架。 TrackLab仓库包含所有与多目标跟踪相关的通用代码（对象检测、重新识别、跟踪算法等），而sn-gamestate仓库包含特定于SoccerNet比赛状态重建任务的附加代码（球衣号码识别、队伍归属等）。 下面的图表代表了基线的完整流程。 TrackLab使得在流程中添加/定制/替换模块变得容易。 这使参与者能够专注于挑战的一个或多个特定子任务，而不必担心其他任务。 我们强烈建议参与者分析一些视频，以更好地直观了解应该改进流程的哪些部分。 我们在SoccerNet比赛状态重建论文中提供了关于基线所有组件的更多技术细节。

Tracklab图表

快速安装指南

本指南将告诉您如何安装框架、下载数据集和所有模型权重，并在验证集中的单个视频上运行基线。 Tracklab将在您当前工作目录下的output/{date}/{time}/visualization/videos/021.mp4创建一个.mp4视频，展示比赛状态重建结果。

1. 安装TrackLab和GameState基线

在首次运行基线之前，您需要克隆项目并按照下面的描述设置环境。

克隆仓库

首先在相邻目录中git克隆这个仓库和TrackLab框架：

mkdir soccernet
cd soccernet
git clone https://github.com/SoccerNet/sn-gamestate.git
git clone https://github.com/TrackingLaboratory/tracklab.git

[!注意] 如果您使用的是集成开发环境（如PyCharm或VS Code），我们建议创建一个以soccernet为根目录的单一项目。 操作说明：PyCharm和VS Code

选项1：使用Poetry安装

  1. 安装Poetry：https://python-poetry.org/docs/#installing-with-the-official-installer
  2. 安装依赖项：
cd sn-gamestate
poetry install
poetry run mim install mmcv==2.0.1
poetry shell

要进入Poetry创建的虚拟环境，您可以使用poetry shell， 或者在所有命令前加上poetry run前缀。

选项2：使用conda安装

  1. 安装conda：https://docs.conda.io/projects/miniconda/en/latest/
  2. 创建新的conda环境：
conda create -n tracklab pip python=3.10 pytorch==1.13.1 torchvision==0.14.1 pytorch-cuda=11.7 -c pytorch -c nvidia -y
conda activate tracklab
  1. 安装所有依赖项：
cd sn-gamestate
pip install -e .
pip install -e ../tracklab
mim install mmcv==2.0.1

更新

请务必定期查看官方GitHub以获取更新。 要将此存储库更新到最新版本，请在两个存储库上运行git pull：

git pull
git -C ../tracklab pull

更新后，您应该重新运行依赖项的安装，以防它们已更新 （运行poetry install或两个pip install命令）。

我们会在soccernet discord上发布重大更新。

2. 下载数据集和基线模型权重

自动下载

当您第一次运行基线时，Tracklab将自动下载SoccerNet-gamestate数据集和所有模型权重。 如果脚本在下载完成前停止，请删除数据集文件夹并从头开始，以避免任何错误。 如果您选择此选项，可以直接进入下一步。

手动下载SoccerNet-gamestate

如果您想手动下载数据集，可以在安装soccernet包（pip install SoccerNet）后运行以下代码片段：

from SoccerNet.Downloader import SoccerNetDownloader
mySoccerNetDownloader = SoccerNetDownloader(LocalDirectory="data/SoccerNetGS")
mySoccerNetDownloader.downloadDataTask(task="gamestate-2024",
                                       split=["train", "valid", "test", "challenge"])

运行此代码后，请解压文件夹，使数据结构如下：

data/
   SoccerNetGS/
      train/
      valid/
      test/
      challenge/

您可以使用以下命令行解压它们：

cd data/SoccerNetGS
unzip gamestate-2024/train.zip -d train
unzip gamestate-2024/valid.zip -d valid
unzip gamestate-2024/test.zip -d test
unzip gamestate-2024/challenge.zip -d challenge
cd ../..

更新数据集

[!重要] 当前数据集版本为v1.3。请检查 其中一个"Labels-GameState.json"文件，确保这确实是 您当前使用的版本。

您可以使用上述SoccerNet pip包手动更新数据集，或者 通过（重新）移动数据集目录并使用TrackLab的自动下载功能进行更新。

版本更新日志
1.3改进了边界框场地运动员位置的时间一致性
1.2数据清理
1.1球队左/右注释修正
1.0原始发布

3. 在单个视频上运行基线

设置

[!注意] Tracklab使用Hydra配置库。

在运行代码之前，您需要在soccernet.yaml中设置一些变量：

  • data_dir：存储不同数据集的目录（必须是绝对路径！）。如果您选择了自动下载选项，data_dir应该已经指向正确的位置。
  • "Machine configuration"标题下的所有参数。对于相应的模块：
    • batch_size（如果遇到内存问题，请降低这些值）
    • 您可能想要更改模型超参数

命令行

最后，使用以下命令运行SoccerNet游戏状态重构基线：

python -m tracklab.main -cn soccernet

默认情况下，此命令将在一个SoccerNet验证序列上执行游戏状态重构，在保存到磁盘的.mp4视频中显示结果，并打印最终性能指标。 请记住，在首次运行时，数据集和所有模型权重将自动下载。

您可以通过运行以下命令查看所有可能的配置组：

python -m tracklab.main --help

您可以在soccernet.yaml中查看默认参数。

教程

如何开始

我们邀请用户仔细阅读以下资源：

  1. TrackLab README以获取有关框架的更多说明。
  2. soccernet.yaml以了解可用配置的更多信息。
  3. Hydra的教程以更好地理解如何配置TrackLab。

添加新模块

如果您想在tracklab管道中添加新模块，可以将其添加到此存储库中， 方法是在sn_gamestate中添加代码（新目录），并在 sn_gamestate/configs/modules中添加配置文件，这些文件将自动添加。

如果您想创建一个使用tracklab的独立项目，您需要使用入口点声明 配置文件的位置。入口点组应为tracklab_plugin，并应指向包含名为config_package变量的类， 如这里所示，该变量应指向配置文件夹的位置。 暂时，您也可以使用Hydra的--config-dir指定目录。

下载基线的跟踪器状态

跟踪器状态是Tracklab保存所有跟踪预测的地方，即所有检测结果及其信息，如边界框、reid嵌入、球衣号码、跟踪ID等。 跟踪器状态可以保存到磁盘并重新加载，以节省下次运行的计算时间。 请查看使用跟踪器状态的Tracklab教程以获取更多信息。 我们在Zenodo上提供了验证集、测试集和挑战集的基线跟踪器状态。

故障排除

如果升级到最新版本后遇到问题，请记得运行poetry install或pip install -e .和pip install -e ../tracklab以保持环境更新。 如果需要进一步帮助，请随时在GitHub上提出问题或在Discord上联系我们。

常见问题

我们将尝试收集有趣的问题并在FAQ中回答。

参考文献

引用

如果您在研究中使用本仓库或希望引用我们的贡献，请使用以下BibTeX条目：

SoccerNet游戏状态重建：

@inproceedings{Somers2024SoccerNetGameState,
        title = {{SoccerNet} Game State Reconstruction: End-to-End Athlete Tracking and Identification on a Minimap},
        author = {Somers, Vladimir and Joos, Victor and Giancola, Silvio and Cioppa, Anthony and Ghasemzadeh, Seyed Abolfazl and Magera, Floriane and Standaert, Baptiste and Mansourian, Amir Mohammad and Zhou, Xin and Kasaei, Shohreh and Ghanem, Bernard and Alahi, Alexandre and Van Droogenbroeck, Marc and De Vleeschouwer, Christophe},
        booktitle = cvsports,
	shortjournalproceedings = {2024 IEEE/CVF Conf. Comput. Vis. Pattern Recognit. Work. (CVPRW)},
        month = Jun,
        year = {2024},
        address = city-seattle,
}

TrackLab：

@misc{Joos2024Tracklab,
	title = {{TrackLab}},
	author = {Joos, Victor and Somers, Vladimir and Standaert, Baptiste},
	journal = {GitHub repository},
	year = {2024},
	howpublished = {\url{https://github.com/TrackingLaboratory/tracklab}}
}

PRTReid：

@inproceedings{Mansourian2023Multitask,
	title = {Multi-task Learning for Joint Re-identification, Team Affiliation, and Role Classification for Sports Visual Tracking},
	author = {Mansourian, Amir M. and Somers, Vladimir and De Vleeschouwer, Christophe and Kasaei, Shohreh},
	booktitle = mmsports,
	shortjournalproceedings = {Proc. 6th Int. Work. Multimedia Content Anal. Sports},
	pages = {103–112},
	month = Oct,
	year = {2023},
	publisher = {ACM},
	address = city-ottawa,
	doi = {10.1145/3606038.3616172},
	url = {https://doi.org/10.1145/3606038.3616172}
}
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号