基于YOLO8实现篮球与运行动检测系统

编程千纸鹤

于 2025-04-06 09:03:51 发布

阅读量659

点赞数 17

分类专栏：人工智能大数据文章标签：篮球识别运动员识别 YOLO8

本文链接：https://blog.youkuaiyun.com/BS009/article/details/147019345

版权

人工智能大数据专栏收录该内容

15 篇文章

订阅专栏

作者主页：编程千纸鹤

作者简介：Java领域优质创作者、优快云博客专家、优快云内容合伙人、掘金特邀作者、阿里云博客专家、51CTO特邀作者、多年架构师设计经验、多年校企合作经验，被多个学校常年聘为校外企业导师，指导学生毕业设计并参与学生毕业答辩指导，有较为丰富的相关经验。期待与各位高校教师、企业讲师以及同行交流合作

主要内容：Java项目、Python项目、前端项目、PHP、ASP.NET、人工智能与大数据、单片机开发、物联网设计与开发设计、简历模板、学习资料、面试题库、技术互助、就业指导等

业务范围：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码编写、论文编写和辅导、论文降重、长期答辩答疑辅导、腾讯会议一对一专业讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路等。

收藏点赞不迷路关注作者有好处

文末获取源码

项目编号：2024-2025-AI001

一，环境介绍

语言环境：Python3.9

WEB框架：Django

开发技术：YOLO8

开发工具：PyCharm

二，项目简介

本系统基于先进的YOLOv8（You Only Look Once version 8）目标检测算法，专门设计用于篮球运动场景中的物体检测与动作识别。系统能够实时检测篮球、球员以及运球动作，为篮球训练分析、比赛统计和智能裁判辅助提供技术支持。

技术特点

高效检测能力：采用YOLOv8深度学习模型，在保持高精度的同时实现实时检测（可达60FPS）
多目标识别：可同时检测篮球、球员、篮筐等多种目标
动作分析：通过连续帧分析实现运球动作识别
自适应性能：适应不同光照条件和拍摄角度

系统功能

篮球实时检测与追踪
运球动作识别与计数
球员运动轨迹分析
违规动作预警（如走步、二次运球）
数据统计与可视化输出

实现流程

数据采集：收集篮球比赛/训练视频作为原始数据
标注处理：使用LabelImg等工具标注篮球、球员等目标
模型训练：基于YOLOv8框架进行迁移学习和模型优化
系统集成：将训练好的模型部署到检测系统中
性能优化：使用TensorRT加速，提高推理速度

应用场景

篮球训练辅助分析
比赛实时数据统计
智能裁判决策支持
篮球教学视频分析
体育科研数据采集

优势与创新

本系统相比传统计算机视觉方法具有更高的准确率和鲁棒性，能够适应复杂运动场景，且部署简便，可在普通GPU甚至CPU环境下运行，为篮球运动智能化提供了经济高效的解决方案。

三，系统展示

视频识别

图片解析

四，核心代码展示

import cv2
from ultralytics import YOLO
from collections import defaultdict

class BasketballDetectionSystem:
    def __init__(self):
        # 加载预训练的YOLOv8模型
        self.model = YOLO('yolov8n.pt')  # 基础模型
        # 自定义训练篮球检测模型
        # self.model = YOLO('best.pt')  # 替换为自定义训练模型路径
        
        # 类别定义
        self.class_names = {0: 'basketball', 1: 'player', 2: 'hoop'}
        
        # 运球检测参数
        self.dribble_threshold = 0.5  # 运球判定阈值
        self.track_history = defaultdict(list)
        
    def detect_dribble(self, player_bbox, ball_bbox, frame_count):
        """检测运球动作"""
        # 计算球员与篮球的中心点距离
        px, py = (player_bbox[0]+player_bbox[2])/2, (player_bbox[1]+player_bbox[3])/2
        bx, by = (ball_bbox[0]+ball_bbox[2])/2, (ball_bbox[1]+ball_bbox[3])/2
        distance = ((px-bx)**2 + (py-by)**2)**0.5
        
        # 如果距离小于阈值且篮球在球员下方，则认为是运球
        if distance < self.dribble_threshold and by > py:
            return True
        return False
    
    def process_frame(self, frame):
        """处理视频帧"""
        # 使用YOLOv8进行检测
        results = self.model.track(frame, persist=True, classes=[0,1,2], conf=0.5)
        
        # 初始化检测结果
        detections = {'basketball': [], 'player': [], 'hoop': [], 'dribble': False}
        
        # 解析检测结果
        for result in results:
            boxes = result.boxes.xyxy.cpu().numpy()
            classes = result.boxes.cls.cpu().numpy()
            track_ids = result.boxes.id.cpu().numpy() if result.boxes.id is not None else None
            
            for i, box in enumerate(boxes):
                class_id = int(classes[i])
                class_name = self.class_names.get(class_id, 'unknown')
                detections[class_name].append(box)
                
                # 可视化检测框
                color = (0, 255, 0) if class_name == 'basketball' else (0, 0, 255)
                cv2.rectangle(frame, (int(box[0]), int(box[1])), 
                              (int(box[2]), int(box[3])), color, 2)
                cv2.putText(frame, f"{class_name}", (int(box[0]), int(box[1]-10)),
                            cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)
        
        # 运球检测逻辑
        if len(detections['player']) > 0 and len(detections['basketball']) > 0:
            detections['dribble'] = self.detect_dribble(
                detections['player'][0], detections['basketball'][0], 0)
            
            if detections['dribble']:
                cv2.putText(frame, "Dribble Detected!", (50, 50),
                            cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)
        
        return frame, detections

    def run(self, video_path):
        """运行检测系统"""
        cap = cv2.VideoCapture(video_path)
        
        while cap.isOpened():
            ret, frame = cap.read()
            if not ret:
                break
                
            # 处理每一帧
            processed_frame, _ = self.process_frame(frame)
            
            # 显示结果
            cv2.imshow('Basketball Detection', processed_frame)
            
            if cv2.waitKey(1) & 0xFF == ord('q'):
                break
                
        cap.release()
        cv2.destroyAllWindows()

if __name__ == "__main__":
    system = BasketballDetectionSystem()
    # 使用示例视频或摄像头(0)
    system.run("basketball_game.mp4")  # 替换为你的视频路径或0(摄像头)