Details

Работа посвящена разработке системы трекинга любительских футбольных матчей при помощи ИИ. Система принимает видеозапись матча и выполняет автоматическую детекцию игроков, судьи и мяча с помощью нейросетевой модели YOLO11s, трекинг объектов на последовательности кадров, расчет показателя владения мячом и классификацию игровых эпизодов, а также формирует аннотированное видео и HTML-отчет. Разработаны две модели- для дневных и ночных условий съемки. Система апробирована на видеозаписях матчей ФК «Черные Медведи» (СПбПУ). Качество детекции: mAP50 = 0,942 для дневной модели и mAP50 = 0,972 для ночной. Объект исследования- процесс автоматической обработки видеозаписей любительских футбольных матчей. Предмет исследования- методы и программные средства детекции, трекинга и анализа игроков, судьи и мяча на видеозаписях футбольных матчей, снятых без профессионального оборудования. Цель работы- разработать систему трекинга любительских футбольных матчей при помощи ИИ, обеспечивающую детекцию и трекинг игроков, судьи и мяча, формирование аналитических показателей по видеозаписи матча, а также апробировать ее на материале матчей ФК «Черные Медведи». Для достижения цели сформирован видеодатасет и выполнена его ручная разметка в системе CVAT с выделением четырех классов: bears (игрок команды), opponent (соперник), ball (мяч) и ref (арбитр). Система реализована в виде конвейера на языке Python. Детекция выполняется с помощью нейросетевой модели YOLO11s, дообученной методом трансферного обучения на собственных датасетах. Трекинг объектов реализован на основе алгоритма минимального IoU-трекера с эвристиками повторного отождествления потерянных треков. Владение мячом определяется по минимальному расстоянию от игрока до мяча с последующим сглаживанием временной шкалы для устранения кратковременных флуктуаций. Игровые эпизоды классифицируются по длительности на «прямую игру» и «позиционную атаку». Результаты визуализируются в аннотированном видео с оверлеем и в автономном HTML-отчете без внешних зависимостей. В работе сформированы три версии дневного датасета, включающие кадры из пяти матчей ФК «Черные Медведи». Финальный дневной датасет (bears5_v3_4cls) насчитывает 573 размеченных кадра. Для ночных условий съемки сформирован датасет bears_combined_night объемом 965 кадров. Разработка ночной модели потребовала учета специфики искусственного освещения: резких теней, пересветов и пониженного цветового разнообразия объектов. Качество детекции финальных моделей: дневная модель- Precision = 0,959, Recall = 0,894, mAP50 = 0,942; ночная модель- Precision = 0,960, Recall = 0,948, mAP50 = 0,972. Наибольшую сложность представляет детекция мяча: Recall класса ball составляет 0,676 для дневной модели вследствие малого размера объекта, частых перекрытий и размытия при быстром движении. В ночной модели показатель улучшается до 0,845. Класс ref устойчиво достигает Recall = 1,000 в обоих режимах. Практическая значимость работы состоит в том, что разработанная система позволяет тренерскому штабу и игрокам любительских команд автоматически получать аналитику матча- сведения о владении мячом, характере игровых эпизодов и динамике матча- без ручного просмотра видеозаписи. В отличие от коммерческих решений, ориентированных на профессиональные клубы, разработанный подход рассчитан на работу с видеозаписями, снятыми без специального оборудования, и пригоден к применению в условиях любительского спорта. В работе использованы: язык программирования Python, библиотеки OpenCV, NumPy, Pandas, нейросетевая модель YOLO11s, система разметки CVAT, система контроля версий Git.

This thesis presents an AI-based tracking system for amateur football matches. The system accepts a video recording of a match and automatically detects players, the referee, and the ball using a YOLO11s neural network model, tracks objects across consecutive frames, computes ball possession metrics and classifies game episodes, and generates an annotated video along with an HTML report. Two separate models were developed for daytime and nighttime recording conditions. The system was tested on match recordings of FC Black Bears (SPbPU). Detection quality: mAP50 = 0.942 for the daytime model and mAP50 = 0.972 for the nighttime model. The object of research is the process of automated processing of amateur football match recordings. The subject of research is the methods and software tools for detection, tracking, and analysis of players, the referee, and the ball in football match videos captured without professional equipment. The aim of the work is to develop an AI-based tracking system for amateur football matches that provides detection and tracking of players, the referee, and the ball, and generates analytical metrics from match recordings. To achieve this goal, a video dataset of FC Black Bears matches was compiled and manually annotated in the CVAT tool with four object classes: bears (home team player), opponent, ball, and ref (referee). The system is implemented as a Python pipeline. Detection is performed using the YOLO11s neural network fine-tuned via transfer learning on custom datasets. Object tracking is based on a minimal IoU tracker with re-identification heuristics for recovering lost tracks. Ball possession is determined by the minimum distance from each player to the ball, with temporal smoothing applied to remove short-term fluctuations. Game episodes are classified by duration into direct play and positional play categories. Results are visualised as an annotated overlay video and a self-contained HTML report with embedded charts. Three versions of the daytime dataset were compiled from five FC Black Bears match recordings. The final daytime dataset (bears5_v3_4cls) contains 573 annotated frames. A separate nighttime dataset (bears_combined_night) of 965 frames was assembled to address the challenges of artificial lighting, including hard shadows, overexposure, and reduced colour diversity. Detection performance of the final models: daytime model- Precision = 0.959, Recall = 0.894, mAP50 = 0.942; nighttime model- Precision = 0.960, Recall = 0.948, mAP50 = 0.972. Ball detection is the most challenging class: Recall for ball reaches only 0.676 in the daytime model due to small object size, frequent occlusions, and motion blur. In the nighttime model this improves to 0.845 owing to higher contrast under artificial lighting. The ref class consistently achieves Recall = 1.000 in both conditions. The practical value of the work lies in enabling coaching staff and players of amateur teams to automatically obtain match analytics- ball possession statistics, episode classification, and match dynamics- without manual video review. Unlike commercial solutions targeting professional clubs, the proposed system is designed for videos recorded without specialised equipment and is suitable for use in amateur sport contexts. The following tools and technologies were used in the work: Python programming language; OpenCV, NumPy, and Pandas libraries; YOLO11s neural network model; CVAT annotation tool; Git version control system.