热搜第一！常州队进球无效？用YOLO建个足球追踪系统试试看！

【导读】

7月6日晚，“苏超”联赛第六轮，常州客场对战淮安，最终0∶0握手言和。这场高温下的鏖战，是常州队在“苏超”中拿下的首个积分。

然而，“常州进球无效”却在赛后登上微博热搜第一，引发大量讨论——这个进球到底应不应该算？
这一次，我们从AI的角度切入，试着用YOLO目标检测技术搭建一个足球比赛追踪系统，看看AI是否能还原现场，为争议判罚提供“技术支持”。>>更多资讯可加入CV技术群获取了解哦

一、为什么要用AI辅助足球判罚？

二、传统流程：从零搭建一个YOLO足球追踪系统

四、Coovally：一键启动目标追踪系统

五、对比总结表格

总结

一、为什么要用AI辅助足球判罚？

人眼观看有盲区，裁判也可能会错过某些细节。而现代AI视觉系统可以做到：

识别并追踪每一个球员；
实时定位足球在场上的运动轨迹；
精准分析越位、进球等关键事件。

尤其是在“是否越过门线”、“是否越位”等边界判罚上，AI能发挥巨大作用。

二、传统流程：从零搭建一个YOLO足球追踪系统

数据采集与标注

使用视频帧截取工具，将比赛视频转为图像序列（如每秒5帧）；
使用CVAT、LabelImg等工具对球员、足球、裁判等目标进行框选标注；
导出为YOLO格式的标签文件。

/data
  └── images/
      └── match01_001.jpg
  └── labels/
      └── match01_001.txt  # YOLO格式标签

微调YOLO模型

使用YOLOv8预训练模型进行迁移学习；
自定义类如 ball、player、referee；
设置好 match.yaml 后训练。


      yolo task=detect mode=train model=yolov8n.pt data=match.yaml epochs=50 imgsz=640

from ultralytics import YOLO

model = YOLO("../assets/weights/best.pt")

result = model.predict(source="../assets/source_videos/B1606b0e6_1 (28).mp4", 
                       save=True,
                       stream=True)

import cv2

# Retrieve and visualize the first result
first_result = next(result)  # Get the first result from the generator
annotated_frame = first_result.plot()  # Overlay detections on the frame

# Display the annotated frame
cv2.imshow("YOLO Detection", annotated_frame)
cv2.waitKey(0)
cv2.destroyAllWindows()

目标追踪机制详解

检测模型可以在每一帧中识别出球员和足球，但不会“记住”谁是谁。YOLO是静态检测器，追踪需要跨帧关联。

📌 什么是目标追踪？

目标追踪是指在视频序列中，保持同一物体ID一致，并绘制其移动轨迹。我们需要结合：

位置：距离与上帧目标位置的接近程度；
外观：颜色特征、尺寸、长宽比等；
运动轨迹：使用卡尔曼滤波器预测移动趋势。

首先，我们应该从视频文件中提取帧。

# funcs.py
import cv2
import numpy as np
from typing import List

def read_video_frames(video_path: str) -> List[np.ndarray]:
    cap = cv2.VideoCapture(video_path)
    if not cap.isOpened():
        raise IOError(f"Cannot open video: {video_path}")

    frames = []
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        frames.append(frame)
    cap.release()
    return frames

批量推理并缓存，跟踪检测目标

import supervision as sv
from typing import Any, Dict

def run_tracking(detections: List[Any]) -> Dict[str, List[Dict[int, Dict[str, List[float]]]]]:
    tracker = sv.ByteTrack()
    results = {"players": [], "referees": [], "ball": []}

    for det in detections:
        cls_names = det.names
        name2id = {v: k for k, v in cls_names.items()}
        sv_det = sv.Detections.from_ultralytics(det)

        for i, cls_id in enumerate(sv_det.class_id):
            if cls_names[cls_id] == "goalkeeper":
                sv_det.class_id[i] = name2id["player"]

        tracked = tracker.update_with_detections(sv_det)

        frame_result = {"players": {}, "referees": {}, "ball": {}}
        for t in tracked:
            bbox, cls_id, track_id = t[0].tolist(), t[3], t[4]
            if cls_id == name2id["player"]:
                frame_result["players"][track_id] = {"bbox": bbox}
            elif cls_id == name2id["referee"]:
                frame_result["referees"][track_id] = {"bbox": bbox}

        for t in sv_det:
            if t[3] == name2id["ball"]:
                frame_result["ball"][1] = {"bbox": t[0].tolist()}

        for key in results:
            results[key].append(frame_result[key])
    return results

绘制可视化框和导出

✅ 颜色聚类辅助身份识别

比赛中球衣颜色不同，我们使用 K-Means 聚类对图像上半部分进行颜色分割：

# 图像预处理
upper_half = frame[0:int(h/2), :, :]  # 获取图像上半部分
pixels = upper_half.reshape(-1, 3)

# 聚类为两个颜色区域（假设为球衣+背景）
kmeans = KMeans(n_clusters=2).fit(pixels)

# 找出背景标签（角落像素最多的聚类中心）
corner_pixels = frame[0:10, 0:10, :].reshape(-1, 3)
corner_labels = kmeans.predict(corner_pixels)
background_label = np.bincount(corner_labels).argmax()

# 得到球员球衣颜色中心
player_cluster_color = kmeans.cluster_centers_[1 - background_label]

DeepSORT集成

使用DeepSORT，可以将检测结果与颜色特征结合，自动分配ID并持续追踪：

features = extract_color_features(frame, box)
tracker.update(box, features)

最终，我们可在视频中呈现出球员编号、实时轨迹线、速度变化等效果。

动态边框与行为分析

在图像中渲染边框、轨迹线、球员速度；
识别关键事件帧（如足球接近门线、球员碰撞）。

球员分割

可使用YOLACT、RTMDet等模型，对遮挡球员进行实例分割，辅助精确识别和ID保持。

球轨迹插值

处理掉帧、遮挡时足球的轨迹连续性，可使用插值方法：

# 示例：两帧之间线性插值
ball_pos_frame1 = (x1, y1)
ball_pos_frame2 = (x2, y2)
interpolated = [(x1 + i*(x2-x1)/n, y1 + i*(y2-y1)/n) for i in range(1, n)]

三、这些流程的“痛点”

标注数据成本高，需逐帧框选目标；
训练和追踪逻辑复杂，涉及多种算法拼接；
调参、可视化、测试周期长；
需要本地配置深度学习环境，对初学者不友好。

四、Coovally：一键启动目标追踪系统

上传数据：支持YOLO标注/图像/视频，自动解析；
选择模型：YOLOv11/v12、DeepSort等已集成；
训练可视化：无需手动绘图，自动生成loss曲线、结果图；
启用追踪：DeepSORT等一键调用；
输出结果：训练视频、预测视频一站导出。

无代码训练.GIF

当然Coovally还推出了RaaS（Result-as-a-Service）服务：

RaaS 是一种按任务计价、结果交付的AI服务模式，你只需提交需求，无需管模型、平台、训练、测试这些繁琐细节，我们帮你完成所有开发，按阶段交付结果，且效果有保障！

不论是研究型开发还是商用AI系统建设，都可以通过RaaS快速实现原型搭建与迭代，节省90%开发时间与成本。

📮 欢迎扫描下方二维码，提交你的AI需求，开启你的多模态AI开发之旅！（详情可点击了解）

需求提交

五、对比总结表格

模块	传统流程	Coovally平台
模型训练	YOLO下载 + 迁移学习 + 手动调参	一键启动，支持预训练YOLOv8
目标追踪	需接入DeepSORT、ReID模块	平台内置多种追踪算法
轨迹渲染	需OpenCV绘图脚本	自动轨迹线、速度变化可视化
球衣颜色辅助	K-Means聚类手动实现	调用SSH本地修改
部署环境	需显卡、PyTorch、依赖配置	无需安装，云端训练