这个项目能做什么

该仓库提供了一套快速流水线，用于排球检测、回合提取以及自动生成9:16竖屏短片。它面向体育分析和计算机视觉研究，并可在CPU硬件上实现实时球跟踪。 该流水线由多个阶段组成：使用优化后的ONNX模型从视频中检测球，将球坐标写入CSV，并可选生成标注视频；将CSV转换为JSON格式的回合轨迹；创建合并的横向回合视频或分割后的回合片段；以及生成以球轨迹为中心的竖屏短片。一个具备球场感知能力的变体还可以利用球员检测来识别触球，并区分回合与为下一次发球而交出的球。 安装使用uv sync，基础安装支持可视化，因为opencv-python包含GUI后端。dev额外项会添加matplotlib和pytest，用于诊断和测试。快速开始工作流通过独立脚本运行检测、轨迹计算、可选的合并视频处理以及短片创建。 关键命令行选项可控制置信度阈值、可视化、仅CSV输出、球场标注、跟踪参数、回合过滤、填充以及短片平滑或插值。一个交互式审查脚本允许通过键盘控制逐帧和逐轨迹查看。 还提供了OpenVINO运行时脚本，包括一个球员和球检测脚本，可输出预测JSON和标注视频。可用的ONNX模型已在CPU配置上进行基准测试，并报告了F1、精确率、召回率和推理FPS；最快的模型在隔离推理中达到超过1000 FPS，而完整流水线运行由于共享视频解码会更慢。较早的检查点保留以供参考。