Mit PyTorch, Computer-Vision-Techniken und einem Convolutional Neural Network (CNN) habe ich an einem Modell gearbeitet, das Spieler, Teams und grundlegende Leistungsstatistiken verfolgt. Obwohl ich heute nicht mehr so viel Eishockey spiele, verbinde ich es seit meiner Kindheit mit mir. Kürzlich hatte ich die Gelegenheit, mit dem Schiedsrichtertisch zu helfen und einige Statistiken beim ersten Eishockeyturnier in Lima (3 gegen 3) aufzunehmen. Dieses Ereignis involvierte einen außergewöhnlichen Einsatz der Peruvian Inline Hockey Association (APHL) und einen netten Besuch von der Friendship League. Um dem Ganzen eine KI-Wendung zu geben, habe ich PyTorch, Computer-Vision-Techniken und ein Convolutional Neural Network (CNN) verwendet, um ein Modell zu erstellen, das Spieler und Teams verfolgt und einige grundlegende Leistungsstatistiken sammelt.
Dieser Artikel soll eine schnelle Anleitung zur Gestaltung und Bereitstellung des Modells sein. Obwohl das Modell noch einige Feinabstimmungen benötigt, hoffe ich, dass es jedem helfen kann, sich in die interessante Welt der Computer-Vision im Sport einzuführen. Ich möchte der Peruvian Inline Hockey Association (APHL) dafür danken, dass sie mir erlaubt hat, eine 40 Sekunden lange Videostichprobe des Turniers für dieses Projekt zu verwenden. Bevor ich mit dem Projekt weitermache, habe ich einige Recherchen betrieben, um eine Ausgangsbasis zu finden, von der aus ich arbeiten konnte, und um “das Rad nicht neu zu erfinden”. Ich habe festgestellt, dass es in Bezug auf die Verfolgung von Spielern mit Hilfe von Computer-Vision viel interessante Arbeit im Fußball gibt (was angesichts seiner Popularität als beliebteste Mannschaftssportart der Welt nicht überraschend ist). Ich habe jedoch nicht viele Ressourcen für Eishockey gefunden. Roboflow hat interessante vorab trainierte Modelle und Datensätze für das Training eigener Modelle, aber die Arbeit mit einem gehosteten Modell führte zu Latenzproblemen, die ich weiter unten erläutern werde. Letztendlich habe ich das Fußballmaterial genutzt, um die Videobilder einzulesen und die individuellen Track-IDs zu erhalten und bin dem in diesem Tutorial erklärten grundlegenden Prinzip und Ansatz gefolgt (Wenn Sie ein besseres Verständnis einiger grundlegender Computer-Vision-Techniken gewinnen möchten, empfehle ich Ihnen, mindestens die ersteinhalb Stunden des Tutorials anzuschauen).