Расскажу про реализованный исследовательский проект в области видеоаналитики, в рамках которого удалось собрать жизнеспособный прототип и найти ему практическое применение в индустрии спорта.
⚽️ Задача заключалась в разработке автоматизированной системы оценки качества исполнения каких-либо спортивных упражнений, элементов, снарядов. Для примера были взяты стандартные положения в футболе, а именно штрафные удары и пенальти.
🔎 Схема работы
🔹 На вход системы подаются короткие видео фрагменты эталонного и анализируемых записей ударов футболистов.
🔹 ML модуль обрабатывает кадры видео и производит:
- Детекцию мяча
- Определение момента удара
- Построение скелета игрока
🔹 Для каждого из направлений работы ML модуля готовились соответствующие модели на базе yolo. Отдельное внимание уделялось комбинированному скелетному генератору (совместная работа нескольких моделей из раздела pose estimation), т.к. от точности формирования скелета зависит дальнейшая работа комплекса в целом.
🔹 Зафиксировав кадр момента удара и получив с него скелет с более чем 20 контрольными точкам, модуль оценки производит расчет пространственных характеристик (положение тела и его частей).
🔹 На основе собранных характеристик по всем входным данным, выполняется сравнительный анализ качества исполнения стандартного положения с формированием итогового отчета, отметкой расхождений и рекомендациями по внесению корректировок в технику.
🙎♂️ Для кого
Инструмент будет полезен игрокам, тренерам, аналитическим платформам, автоматизированным тренировочным комплексам.
⚡️ Перспективные направления
Футбол, баскетбол, гимнастика, боевые единоборства, теннис, тяжелая атлетика, пауэрлифтинг.
💡 Что дальше
- Специализация под конкретный вид спорта с учетом особенностей и требований.
- Расширение набора метрик оценки.
- Клиентский сервис.
- Модули внешней интеграции для расширения функциональности уже существующих систем.
💻 Участники проекта
- Демин Юрий - Backend, ML
- Рязанов Владимир - Frontend
- Мясников Филипп - ML
- Листопад Валентина - Design