메시와 모드리치를 위해 오늘 밤 늦게까지 자지 마세요! 이 CV 모델을 사용하면 공을 추측하여 승리할 수 있습니다.

엊그제 호날두 팬들은 가슴이 아팠습니다.

12월 11일 카타르 월드컵에서 포르투갈은 모로코에 패하며 8강에 진출하지 못한 채 아쉽게도 월드컵 여정을 마감했습니다.

#크리스티아누 호날두는 꿈이 끝났다고 말했다 # 이번 뜨거운 검색으로 수많은 가슴 아픈 팬들이 모였습니다.

포르투갈과 모로코의 경기는 0:1이라는 역전승을 거두었습니다. 호날두가 울고 있다, 네이마르가 울고 있다, 다음은 누구일까?

그러나 크리스티아누 호날두에 대한 슬픔을 잊기 전에 오늘 밤 메시와 모드리치의 또 다른 결투가 있습니다!

마음이 견디지 못할까봐 두렵나요?

이제 이런 모델을 사용하면 경기 시작 5분 이내에 경기가 역전될지 미리 알 수 있을 수도 있습니다.

컴퓨터 비전이 축구에 사용될 때

이 외국인 기계 학습 엔지니어는 항상 컴퓨터 비전(CV)을 자신이 사랑하는 축구와 결합하고 싶어했습니다.

3년 전, 그는 YOLOv3를 사용하여 농구 코트에 있는 운동선수를 감지하고 분류하려고 했습니다.

이번 FIFA 월드컵을 계기로 그는 이 아이디어를 다시 떠올리게 되었습니다.

이번에는 YOLOv5와 ByteTRACK의 조합을 사용하여 필드에서 축구 선수를 추적했습니다.

1단계: 사전 훈련된 검출기 구축

처음에 Skalski는 맞춤형 모델 훈련을 건너뛰고 싶었습니다.

그는 처음부터 끝까지 몇 시간만 걸려서 빠른 승리를 거두기를 바랍니다.

YOLOv5 및 YOLOv7 모델을 훈련하는 데 사용되는 인기 있는 COCO 데이터 세트에는 그가 가장 관심 있는 두 가지 클래스, 즉 사람과 스포츠 공이 포함되어 있으므로 COCO 체크포인트에서 훈련을 수행할 수 있다고 매우 낙관하게 됩니다.

그는 Kaggle의 Bundesliga Data War에서 수십 개의 짧은 축구 경기 비디오를 빠르게 다운로드하고 사전 훈련된 모델을 테스트에 사용했습니다.

iou_threshold, Confidence_threshold, input_solution 등 다양한 구성을 시도한 후 실망스러운 결과를 얻었습니다.

이 모델에서는 공이 몇 개의 비디오 프레임에서만 감지됩니다. 그 이유는 모델이 이렇게 작고 빠르게 움직이는 물체를 안정적으로 추적하기에는 숫자가 너무 작기 때문입니다.

반면에 이 모델은 코치, 팬, 유지 관리 담당자, 카메라 제작진 등 현장 외부의 많은 중복 개체를 감지합니다. 이러한 중복 개체에 대해서는 추가 감지 및 필터링 로직을 작성해야 하는데 이는 너무 번거롭습니다.

데이터 세트에 필수 클래스가 포함되어 있음에도 불구하고 추론에 사용된 비디오는 훈련에 사용된 이미지와 확실히 매우 다르다는 것을 알 수 있습니다.

이 경우 Skalski는 자체 데이터세트만 생성하고 사용자 정의 모델을 교육할 수 있습니다.

2단계: 맞춤 감지기 구축

맞춤 모델을 학습하려면 많은 노력이 필요합니다.

가장 큰 이유는 이미지에 주석을 달기 위해서는 많은 수작업을 해야 한다는 것입니다.

시간이 촉박하여 프로세스를 최대한 단순화해야 합니다.

Skalski는 앞서 언급한 Kaggle 데이터세트에서 수십 개의 동영상을 선택하고 FFmpeg를 사용하여 각 동영상에서 3초마다 하나씩 10개의 프레임을 추출했습니다.

다음 단계는 이미지에 자동 예비 주석을 수행하고 감지된 객체를 txt 파일에 저장하여 사전 훈련된 YOLOv5 모델을 활용하는 것입니다.

다음으로 두 번째 단계는 데이터 개선입니다.

컴퓨터가 작업의 90%를 완료했음에도 불구하고 수동 수정에는 여전히 Skalski가 거의 5시간이 걸렸습니다.

동시에 그는 심판과 골키퍼라는 두 가지 추가 개체 클래스도 도입했습니다. 그의 작업 결과는 Roboflow Universe에서 볼 수 있습니다. 데이터 세트는 오픈 소스이며 누구나 무료로 사용할 수 있습니다.

사전 훈련 대 맞춤형 축구 선수 탐지기

맞춤 학습 결과를 통해 Skalski는 위의 두 가지 문제를 해결할 수 있다고 확신합니다.

하지만 안타깝게도 분류 불균형으로 인해 모델이 여전히 골키퍼 클래스를 감지하는 데 문제가 있습니다.

그래서 다음으로 Skalski는 모든 골키퍼를 평범한 축구 선수로 대합니다.

Skalski의 모델은 그의 데이터 세트와 마찬가지로 Roboflow Universe에서 사용할 수 있습니다. 테스트 이미지를 드래그 앤 드롭하면 됩니다.

3단계: 개체 추적

Skalski는 ByteTRACK(SOTA 다중 개체 추적기 중 하나)을 사용하여 비디오의 개체를 추적합니다.

ByteTRACK은 내부적으로 신경망을 사용하지 않습니다. 이 모델의 힘은 프레임 전체의 경계 상자 위치를 비교하는 단순한 수학에서 전적으로 나옵니다.

가장 중요한 점은 ByteTRACK은 탐지에 대한 책임이 없으며 추적만 담당한다는 것입니다. 따라서 다른 트래커처럼 별도의 교육이 필요하지 않습니다.

따라서 ByteTRACK을 사용하면 전체 코드의 아키텍처를 다시 설계하지 않고도 감지기를 쉽게 교체할 수 있습니다.

다음은 단순화된 코드 조각입니다. 자신의 프로젝트에서 ByteTRACK의 시작 코드를 사용해야 합니다.

ByteTRACK 프로젝트에서 프레임의 모든 개체에는 고유 ID가 있습니다.

모델의 결과는 다음과 같습니다.

ByteTRACK 단일 프레임 결과

보시다시피 각 플레이어에게는 고유한 번호가 할당되며 프레임 사이에 후속 조치가 적용됩니다.

물론 테스트와 추적은 시작에 불과합니다.

이것으로 우리는 다음 레벨로 갈 수 있습니다!

예를 들어, 이제 행동의 과정을 빠르게 분석하고, 선수 사이에서 공이 어떻게 움직이는지 이해하고, 선수가 이동하는 거리를 계산하거나, 선수가 가장 자주 나타나는 필드 영역을 찾는 것이 가능해졌습니다.

네티즌: 축구에 베팅하지 않으면 아쉽겠다

일부 네티즌들은 “정보가 너무 많아서 축구에 베팅하지 않으면 정말 손해다.

일부 흥분한 네티즌들은 "너무 몽환적이다! 이런 걸 만들어서 축구 도박하는 사람들에게 팔고 싶었다"고 반응해 기대감을 높였다. 1초마다 공격하는 선수들의 패스 상태와 준비 상태를 활용해 한 번도 패스한 적이 없는 선수에 대한 360도 경기력 평가가 가능하며, 이는 예상 확률보다 훨씬 정확합니다.

네티즌들은 말했습니다. : 드림은 축구 경기의 실시간 미니맵입니다.

일부 진지한 네티즌들은 "이 스크립트는 한쪽에서 땅 전체를 덮는 등 고정된 카메라 각도에만 적용할 수 있나요? 3~4A 플레이어 등 다른 카메라 각도에서도 사용할 수 있나요?"라고 묻습니다. 가 집중 촬영 중입니다."

포스터는 "다른 각도의 사용 사례에서 데이터를 추가하고 모델을 재교육할 수 있다고 생각하며, 성능도 마찬가지로 좋을 것 같습니다."

그리고 네티즌은 " 다른 각도의 훈련 데이터는 작동하지 않을 것 같습니다. 전체 카메라 각도에서 촬영하는 동안 스크립트를 계속 실행하면서 공과 그 주변의 선수 위치를 기록하고 다른 피드에 표시하는 것이 좋습니다. 데이터."

위 내용은 메시와 모드리치를 위해 오늘 밤 늦게까지 자지 마세요! 이 CV 모델을 사용하면 공을 추측하여 승리할 수 있습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!