【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？
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=640from ultralytics import YOLOmodel = 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 resultfirst_result = next(result) # Get the first result from the generatorannotated_frame = first_result.plot() # Overlay detections on the frame# Display the annotated framecv2.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.pyimport cv2import numpy as npfrom typing import Listdef 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 svfrom typing import Any, Dictdef 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。
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 |
总结
这场0∶0背后的故事，不止是比分。
“我们从来不是因为看到希望才坚持，而是因为坚持，才能看到希望。”
而技术的价值也在于此：让争议判罚有“辅助证据”，让地方联赛也能享有“VAR级别”的智能辅助。
关注 Coovally AI Hub，探索AI+体育更多可能！后台回复关键词「足球追踪」，获取完整源码与平台体验通道。
