इस प्रोजेक्ट के बारे में

यह रिपॉजिटरी वॉलीबॉल बॉल डिटेक्शन, रैली एक्सट्रैक्शन और वर्टिकल 9:16 रील के स्वचालित निर्माण के लिए एक तेज़ पाइपलाइन प्रदान करती है। इसे खेल विश्लेषण और कंप्यूटर विज़न अनुसंधान के लिए डिज़ाइन किया गया है, जिसमें CPU हार्डवेयर पर रीयल-टाइम बॉल ट्रैकिंग होती है। पाइपलाइन कई चरणों से बनी है: एक अनुकूलित ONNX मॉडल का उपयोग करके वीडियो से बॉल डिटेक्शन, जो बॉल निर्देशांक को CSV में लिखता है और वैकल्पिक रूप से एक एनोटेटेड वीडियो बनाता है; CSV को JSON के रूप में रैली ट्रैक में परिवर्तित करना; एक संयुक्त हॉरिजॉन्टल रैली वीडियो या विभाजित रैली क्लिप का निर्माण; और बॉल प्रक्षेपवक्र पर केंद्रित वर्टिकल रील का निर्माण। एक कोर्ट-अवेयर वेरिएंट खिलाड़ी डिटेक्शन का उपयोग करके बॉल टच की पहचान कर सकता है और अगली सर्विस के लिए दी गई बॉल से रैली को अलग कर सकता है। इंस्टॉलेशन uv sync का उपयोग करता है, और बेस इंस्टॉल विज़ुअलाइज़ेशन का समर्थन करता है क्योंकि opencv-python में GUI बैकएंड शामिल है। एक dev extra डायग्नोस्टिक्स और टेस्ट के लिए matplotlib और pytest जोड़ता है। क्विक-स्टार्ट वर्कफ़्लो अलग-अलग स्क्रिप्ट के माध्यम से डिटेक्शन, ट्रैक गणना, वैकल्पिक संयुक्त वीडियो प्रोसेसिंग और रील निर्माण चलाता है। मुख्य कमांड-लाइन विकल्प कॉन्फिडेंस थ्रेशोल्ड, विज़ुअलाइज़ेशन, CSV-केवल आउटपुट, कोर्ट एनोटेशन, ट्रैकिंग पैरामीटर, रैली फ़िल्टरिंग, पैडिंग और रील स्मूदिंग या इंटरपोलेशन को नियंत्रित करते हैं। एक इंटरैक्टिव रिव्यू स्क्रिप्ट कीबोर्ड नियंत्रण के साथ फ़्रेम और ट्रैक के माध्यम से स्टेप करने की अनुमति देती है। OpenVINO रनटाइम स्क्रिप्ट भी प्रदान की गई हैं, जिनमें एक प्लेयर-एंड-बॉल डिटेक्शन स्क्रिप्ट शामिल है जो प्रेडिक्शन JSON और एनोटेटेड वीडियो आउटपुट करती है। उपलब्ध ONNX मॉडल को CPU सेटअप पर बेंचमार्क किया गया है, जिसमें F1, प्रिसिजन, रिकॉल और इन्फरेंस FPS रिपोर्ट किए गए हैं; सबसे तेज़ मॉडल अलग-अलग इन्फरेंस में 1000 FPS से अधिक तक पहुंचता है, जबकि साझा वीडियो डिकोडिंग के कारण पूरी पाइपलाइन रन धीमी होती है। संदर्भ के लिए पुराने चेकपॉइंट रखे गए हैं।