基于深度学习的篮球比赛战术数据自动采集及统计系统——项目概要

前言：

        经过了暑假和寒假的磕磕碰碰，从对python语言的一无所知，到开发出基于qt5的标注系统，最后能够实现篮球战术数据自动采集系统。对于我这个初入计算机领域的大二小白而言，每一次遇到的难题都让我头疼不已：写各种程序，配置各种环境，理解每个算法的思想理念，找到每个技术模块的源码去理解源码的结构，构建符合训练要求的数据集......幸运的是，通过自己和组员努力，指导老师的指导，最后各个问题得以解决。

        为什么要写这一系列文章呢？一，想记录一下完成这个大创项目的思路和走过的完整技术路线，以后方便回顾。二，可以把思路和遇到的一系列问题分享给和我一样初入深度学习领域的小白，帮助大家更快的解决问题。三，网上关于yolov5,deepsort,slowfast三种方法结合文章不多，本人查阅了几乎网上现有的所有文章和源码，综合了这三种方法的思路和源码，给大家提供一种能够实现行为识别的方案。

        本文主要介绍项目流程，用到的文章会提供链接并对引用文章的一些关键点进行讲解。但不多介绍用到三种技术的内部算法和内涵，想要了解的可以从网上学习。

项目梗概：

        篮球比赛的战术数据使教练员进行后续比赛策略调整的主要依据之一，也是能够提高比赛成绩的关键技术之一。但是，当前主要的采集方式还是以人工手动采集为主。本项目拟采用深度学习技术，通过分析比赛视频来自动采集篮球战术数据并统计战术指标。篮球的战术数据包括每个球员的跑位，传球，投篮，防守等基本技术。

技术路线：

        项目形成结果：能够基于深度学习实现自动采集篮球战术数据，统计各项指标。

        6大模块：

                          模块1.数据集构建：基于Qt5的数据集构建

                          模块2.目标检测：yolov5实现目标检测

                          模块3.多目标跟踪：deepsort实现多目标跟踪

                          模块4.行为识别：slowfast实现行为识别

                          模块5.综合yolov5+deepsort+slowfast实现行为分类

                          模块6.篮球战术数据统计可视化

        技术路线：

                        qt5--yolov5--deepsort--slowfast

结果展示：

工程文件：

共包含了四个工程：

1.数据集构建软件：

2.yolov5目标检测 + 形成可视化行为分类统计结果的文件

 

3.deepsort多目标跟踪文件

4.slowfast行为识别文件

 各个模块对应的文件路线为：

Basketballlabelingsoftware-----yolo_slowfast----deep_sort----slow_fast----yolo_slowfast----yolo_slowfast/TargetVisual_Qt5

基于QT5的可视化结果展示：

1.数据集构建可视化：

2.篮球指标统计可视化：

注意：因为这是只训练了100个数据的结果，所以当前比赛多目标跟踪的效果不是太好，识别出的动作并不完整。想要识别出好的结果，注意扩充训练的数据集。

 下一篇文章，将介绍项目的第一个模块：数据集构建。