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。

BoundingBoxDataFrame示例

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

<table> <tbody> <tr> <td align="center" valign="top" width="14.28%"><a href="https://atomscott.me/"><img src="https://avatars.githubusercontent.com/u/22371492?v=4?s=100" width="100px;" alt="Atom Scott"/><br /><sub><b>Atom Scott</b></sub></a><br /><a href="#maintenance-AtomScott" title="维护">🚧</a></td> <td align="center" valign="top" width="14.28%"><a href="https://github.com/IkumaUchida"><img src="https://avatars.githubusercontent.com/u/48281753?v=4?s=100" width="100px;" alt="Ikuma Uchida"/><br /><sub><b>Ikuma Uchida</b></sub></a><br /><a href="#tutorial-IkumaUchida" title="教程">✅</a></td> <td align="center" valign="top" width="14.28%"><a href="https://github.com/shunsuke-iwashita"><img src="https://avatars.githubusercontent.com/u/129936839?v=4?s=100" width="100px;" alt="shunsuke-iwashita"/><br /><sub><b>shunsuke-iwashita</b></sub></a><br /><a href="https://github.com/AtomScott/SportsLabKit/issues?q=author%3Ashunsuke-iwashita" title="错误报告">🐛</a></td> </tr> </tbody> </table>

本项目遵循all-contributors规范。欢迎任何形式的贡献！

相关论文

<table> <td width=30% style='padding: 20px;'> <a href="https://openaccess.thecvf.com/content/CVPR2022W/CVSports/papers/Scott_SoccerTrack_A_Dataset_and_Tracking_Algorithm_for_Soccer_With_Fish-Eye_CVPRW_2022_paper.pdf"> <img src='https://yellow-cdn.veclightyear.com/ab5030c0/73d11a3d-7777-45f7-baa3-f65d3101548d.jpg'/> </a> </td> <td width=70%> <p> <b>SoccerTrack:</b><br> 基于鱼眼和无人机视频的足球数据集和跟踪算法 </p> <p> Atom Scott*、Ikuma Uchida*、Masaki Onishi、Yoshinari Kameda、Kazuhiro Fukui、Keisuke Fujii </p> <p> <i>在CVPR计算机视觉与体育研讨会（CVSports'22）上发表。*作者贡献相同。</i> </p> <div> <a href='https://openaccess.thecvf.com/content/CVPR2022W/CVSports/papers/Scott_SoccerTrack_A_Dataset_and_Tracking_Algorithm_for_Soccer_With_Fish-Eye_CVPRW_2022_paper.pdf'> <img src='https://img.shields.io/badge/论文-PDF-red?style=for-the-badge&logo=adobe-acrobat-reader'/> </a> <a href='https://github.com/AtomScott/SoccerTrack'> <img src='https://img.shields.io/badge/代码-页面-blue?style=for-the-badge&logo=github'/> </a> <a href='https://soccertrack.readthedocs.io/'> <img src='https://img.shields.io/badge/文档-页面-blue?style=for-the-badge&logo=read-the-docs'/> </a> </div> </td> </table>

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}
}