智慧AI-足球比赛画面分析检测数据集1463张提供yolovoccoco三种标注方式图像尺寸:720*1280类别数量:9类训练集图像数量:1036; 验证集图像数量:279 测试集图像数量:148类别名称: 每一类图像数 每一类标注数referee 裁判 1357 2680player 球员 1457 25768goalkeeper 守门员 771 805ball 足球 1138 1220team_name 队名 723 1473score 比分 712 721gametime 比赛时间 702 708playername 球员名 577 1135goalpost 球门 348 353image num: 1463在这里插入图片描述一、足球比赛画面目标检测数据集 完整信息表1. 数据集基础信息总览信息维度详细内容数据集名称足球比赛画面目标检测数据集总图像数量1463张图像分辨率720×1280竖屏高清足球赛事实拍画面标注类别总数9类标注格式原生支持YOLO TXT、VOC XML、COCO JSON三种主流标注格式任务类型多类别目标检测适用场景足球赛事AI分析、球员/裁判/足球自动识别、赛事数据统计、智能转播辅助、越位判罚辅助核心优势覆盖足球赛事全核心元素标注精度高多格式适配主流检测模型样本分布均衡在这里插入图片描述2. 数据集划分详情数据集子集图像数量占比核心用途训练集1036张70.8%模型参数拟合、特征学习与训练验证集279张19.1%训练过程中精度验证、超参数调优、早停触发测试集148张10.1%模型最终泛化能力测试、效果量化评估合计1463张100%完整数据集全量样本3. 9类目标标注明细统计表类别ID英文类别名中文释义包含该类别的图像数量该类别总标注框数量0player球员1457张25768个1referee裁判1357张2680个2goalkeeper守门员771张805个3ball足球1138张1220个4team_name队名723张1473个5score比分712张721个6gametime比赛时间702张708个7playername球员名577张1135个8goalpost球门348张353个三、YOLO目标检测训练代码1. 环境依赖安装pipinstallultralytics opencv-python numpy pillow2. 数据集配置文件soccer_detect.yamlpath:./soccer_dataset# 数据集根目录train:images/train# 训练集图片路径val:images/val# 验证集图片路径test:images/test# 测试集图片路径nc:9# 类别总数names:0:player1:referee2:goalkeeper3:ball4:team_name5:score6:gametime7:playername8:goalpost3. 完整训练脚本支持YOLOv8/YOLOv11全系列fromultralyticsimportYOLOimportosdeftrain_soccer_detection():# 加载预训练模型可替换为 yolov8n.pt / yolov11n.pt / yolov8s.pt 等modelYOLO(yolov8n.pt)# 训练参数配置resultsmodel.train(datasoccer_detect.yaml,epochs150,batch16,imgsz640,device0,# 无GPU改为 devicecpupatience20,# 早停防止过拟合pretrainedTrue,# 数据增强配置适配足球赛事场景mosaic0.7,hsv_h0.015,hsv_s0.7,hsv_v0.4,flipud0.0,# 足球画面不做上下翻转fliplr0.5,# 左右翻转增强# 优化器配置optimizerAdamW,lr00.001,weight_decay0.0005)print(训练完成最优模型路径runs/detect/train/weights/best.pt)returnresultsif__name____main__:train_soccer_detection()4. 命令行训练指令可选# YOLOv8 训练yolo detect trainmodelyolov8n.ptdatasoccer_detect.yamlepochs150batch16imgsz640device0# YOLOv11 训练yolo detect trainmodelyolov11n.ptdatasoccer_detect.yamlepochs150batch16imgsz640device05. 推理测试代码图片/视频/摄像头fromultralyticsimportYOLOimportcv2# 加载训练好的最优模型modelYOLO(runs/detect/train/weights/best.pt)# 单张图片检测defdetect_image(img_path,save_pathsoccer_result.jpg):imgcv2.imread(img_path)resultsmodel(img,conf0.3)out_imgresults[0].plot()cv2.imwrite(save_path,out_img)cv2.imshow(足球比赛检测,out_img)cv2.waitKey(0)cv2.destroyAllWindows()# 视频/实时摄像头检测defdetect_video(source0):capcv2.VideoCapture(source)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame,conf0.3)frameresults[0].plot()cv2.imshow(足球赛事实时检测,frame)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()# 调用示例# detect_image(test_soccer.jpg)# detect_video(soccer_match.mp4)6. 多格式标注转换代码可选支持VOC XML/COCO JSON格式标注转换为YOLO TXT格式适配模型训练fromultralytics.data.converterimportconvert_voc_to_yolo,convert_coco_to_yolo# VOC XML 转 YOLO TXTconvert_voc_to_yolo(xml_dir./soccer_dataset/annotations/voc,output_dir./soccer_dataset/labels,classes[player,referee,goalkeeper,ball,team_name,score,gametime,playername,goalpost])# COCO JSON 转 YOLO TXTconvert_coco_to_yolo(json_path./soccer_dataset/annotations/coco/annotations.json,output_dir./soccer_dataset/labels)四、补充说明数据集标注格式完全兼容YOLOv5/v8/v11全系列模型可直接用于训练足球场景训练建议关闭上下翻转增强避免破坏球门、比分牌等固定方向目标的特征水印去除代码可根据实际水印的大小、位置调整参数确保去除效果最佳训练完成的模型可直接部署于赛事转播系统、智能分析平台实现足球赛事全元素自动识别。
智慧AI-足球比赛画面分析检测数据集1463张提供yolovoccoco三种标注方式图像尺寸:720*1280类别数量:9类训练集图像数量:1036; 验证集图像数量:279 测试集图像数量:148类别名称: 每一类图像数 每一类标注数referee 裁判 1357 2680player 球员 1457 25768goalkeeper 守门员 771 805ball 足球 1138 1220team_name 队名 723 1473score 比分 712 721gametime 比赛时间 702 708playername 球员名 577 1135goalpost 球门 348 353image num: 1463在这里插入图片描述一、足球比赛画面目标检测数据集 完整信息表1. 数据集基础信息总览信息维度详细内容数据集名称足球比赛画面目标检测数据集总图像数量1463张图像分辨率720×1280竖屏高清足球赛事实拍画面标注类别总数9类标注格式原生支持YOLO TXT、VOC XML、COCO JSON三种主流标注格式任务类型多类别目标检测适用场景足球赛事AI分析、球员/裁判/足球自动识别、赛事数据统计、智能转播辅助、越位判罚辅助核心优势覆盖足球赛事全核心元素标注精度高多格式适配主流检测模型样本分布均衡在这里插入图片描述2. 数据集划分详情数据集子集图像数量占比核心用途训练集1036张70.8%模型参数拟合、特征学习与训练验证集279张19.1%训练过程中精度验证、超参数调优、早停触发测试集148张10.1%模型最终泛化能力测试、效果量化评估合计1463张100%完整数据集全量样本3. 9类目标标注明细统计表类别ID英文类别名中文释义包含该类别的图像数量该类别总标注框数量0player球员1457张25768个1referee裁判1357张2680个2goalkeeper守门员771张805个3ball足球1138张1220个4team_name队名723张1473个5score比分712张721个6gametime比赛时间702张708个7playername球员名577张1135个8goalpost球门348张353个三、YOLO目标检测训练代码1. 环境依赖安装pipinstallultralytics opencv-python numpy pillow2. 数据集配置文件soccer_detect.yamlpath:./soccer_dataset# 数据集根目录train:images/train# 训练集图片路径val:images/val# 验证集图片路径test:images/test# 测试集图片路径nc:9# 类别总数names:0:player1:referee2:goalkeeper3:ball4:team_name5:score6:gametime7:playername8:goalpost3. 完整训练脚本支持YOLOv8/YOLOv11全系列fromultralyticsimportYOLOimportosdeftrain_soccer_detection():# 加载预训练模型可替换为 yolov8n.pt / yolov11n.pt / yolov8s.pt 等modelYOLO(yolov8n.pt)# 训练参数配置resultsmodel.train(datasoccer_detect.yaml,epochs150,batch16,imgsz640,device0,# 无GPU改为 devicecpupatience20,# 早停防止过拟合pretrainedTrue,# 数据增强配置适配足球赛事场景mosaic0.7,hsv_h0.015,hsv_s0.7,hsv_v0.4,flipud0.0,# 足球画面不做上下翻转fliplr0.5,# 左右翻转增强# 优化器配置optimizerAdamW,lr00.001,weight_decay0.0005)print(训练完成最优模型路径runs/detect/train/weights/best.pt)returnresultsif__name____main__:train_soccer_detection()4. 命令行训练指令可选# YOLOv8 训练yolo detect trainmodelyolov8n.ptdatasoccer_detect.yamlepochs150batch16imgsz640device0# YOLOv11 训练yolo detect trainmodelyolov11n.ptdatasoccer_detect.yamlepochs150batch16imgsz640device05. 推理测试代码图片/视频/摄像头fromultralyticsimportYOLOimportcv2# 加载训练好的最优模型modelYOLO(runs/detect/train/weights/best.pt)# 单张图片检测defdetect_image(img_path,save_pathsoccer_result.jpg):imgcv2.imread(img_path)resultsmodel(img,conf0.3)out_imgresults[0].plot()cv2.imwrite(save_path,out_img)cv2.imshow(足球比赛检测,out_img)cv2.waitKey(0)cv2.destroyAllWindows()# 视频/实时摄像头检测defdetect_video(source0):capcv2.VideoCapture(source)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame,conf0.3)frameresults[0].plot()cv2.imshow(足球赛事实时检测,frame)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()# 调用示例# detect_image(test_soccer.jpg)# detect_video(soccer_match.mp4)6. 多格式标注转换代码可选支持VOC XML/COCO JSON格式标注转换为YOLO TXT格式适配模型训练fromultralytics.data.converterimportconvert_voc_to_yolo,convert_coco_to_yolo# VOC XML 转 YOLO TXTconvert_voc_to_yolo(xml_dir./soccer_dataset/annotations/voc,output_dir./soccer_dataset/labels,classes[player,referee,goalkeeper,ball,team_name,score,gametime,playername,goalpost])# COCO JSON 转 YOLO TXTconvert_coco_to_yolo(json_path./soccer_dataset/annotations/coco/annotations.json,output_dir./soccer_dataset/labels)四、补充说明数据集标注格式完全兼容YOLOv5/v8/v11全系列模型可直接用于训练足球场景训练建议关闭上下翻转增强避免破坏球门、比分牌等固定方向目标的特征水印去除代码可根据实际水印的大小、位置调整参数确保去除效果最佳训练完成的模型可直接部署于赛事转播系统、智能分析平台实现足球赛事全元素自动识别。
