简介这份PDF文档面向计算机视觉学习者、体育科技研究者与目标检测开发者系统讲解如何用YOLOv11实现实时羽毛球追踪与运动轨迹预测。全文共39页从YOLOv11网络结构、锚框机制与损失函数讲起逐步展开实时追踪系统的架构设计涵盖数据采集、图像预处理、标注规范、模型训练与优化策略并重点剖析卡尔曼滤波、RNN/LSTM及混合模型在轨迹预测中的实现与性能评估。资源包为单个PDF文件大小约2.19MB支持目录章节跳转与阅读器左侧大纲快速定位查阅方便。目前已有255人学习。读者可借此掌握从数据准备、模型训练到部署落地的完整技术链路理解精度、实时性与鲁棒性等评估指标并参考赛事追踪、训练分析、智能球馆等应用案例获得可迁移的工程实践思路。1. 实时羽毛球追踪为什么 YOLOv11 加轨迹预测是当前最务实的方案羽毛球是高速小目标运动的典型场景。专业杀球初速可以超过 400 km/h即便在 1080p、60fps 的普通相机下球在相邻两帧之间也能位移几十个像素而且羽毛球本身体积小、飞行中还会旋转纹理特征极不稳定。这意味着任何单纯依赖单帧检测的方案都会频繁出现漏检和抖动。实时羽毛球追踪要解决的核心问题就是在这样的极端条件下稳定输出球在每一帧中的位置并进一步预测它接下来会飞向哪里。YOLOv11 在这个任务里的价值不是它比前代“更强”这种笼统说法而是它在小目标检测精度和推理速度之间给出了一个适合落地的平衡点。它的网络结构在 neck 部分做了特征融合的优化对小目标的响应比早期版本更敏感同时模型体量可控在边缘设备上也能跑到实时。把 YOLOv11 的逐帧检测结果接入一个运动轨迹预测模块就能把“当前在哪”升级为“下一步在哪”这对高速运动目标是质变。这套方案适合谁适合做体育分析、智能裁判辅助、训练辅助系统的工程师也适合想在 Jetson 这类边缘设备上跑实时视觉追踪的开发者。它不需要你从头训练一个检测器但需要你理解检测输出怎么喂给预测模块以及预测模块在什么条件下会翻车。接下来我会按“检测怎么配、轨迹怎么接、坑在哪”的顺序把这条链路拆开讲清楚。2. YOLOv11 检测层小目标羽毛球怎么调才不漏2.1 为什么默认配置在羽毛球上会漏检YOLOv11 的默认训练配置输入分辨率通常是 640×640anchor 和损失函数也是按通用目标设计的。羽毛球在画面里往往只占十几个像素经过多次下采样后在深层特征图上几乎消失。默认配置下模型会倾向于把羽毛球当成背景噪声或者只在球速较慢、距离镜头近的时候才检测到。我一般会从三个方向调整提高输入分辨率、调整小目标检测层的权重、以及针对羽毛球的数据增强。提高分辨率是最直接的手段但会线性增加推理耗时需要和帧率要求做权衡。小目标检测层方面YOLOv11 本身有 P3 到 P5 的多尺度输出P3 负责小目标但羽毛球在高速运动时P3 的特征也容易被运动模糊破坏。所以数据增强里必须加入运动模糊模拟让模型见过“糊掉的球”。另一个容易被忽略的点是背景。羽毛球场地通常是绿色或蓝色地胶球是白色对比度其实不差但场馆灯光会在球上形成高光高光区域和白色球体混在一起会让模型学到一个错误的纹理先验。解决办法是在数据里加入不同光照条件下的样本或者在预处理阶段做自适应直方图均衡。2.2 训练配置与关键参数下面是一个我实际用过的 YOLOv11 训练配置片段基于 Ultralytics 框架。注意这里没有用默认的 640而是提到了 960同时开启了小目标相关的增强。from ultralytics import YOLO # 加载 YOLOv11 预训练权重这里用中等规模模型平衡速度和精度 model YOLO(yolo11m.pt) # 开始训练 results model.train( databadminton.yaml, # 数据集配置文件指向羽毛球标注 imgsz960, # 提高输入分辨率小目标更清晰 epochs150, # 羽毛球数据量通常不大150 轮足够收敛 batch8, # 显存有限时用 8显存充足可以到 16 device0, # 使用第一块 GPU workers4, # 数据加载线程数 optimizerAdamW, # AdamW 对稀疏梯度更友好 lr00.001, # 初始学习率比默认略低避免震荡 lrf0.01, # 最终学习率因子 momentum0.937, weight_decay0.0005, warmup_epochs3.0, # 预热轮数防止早期过拟合 cos_lrTrue, # 余弦学习率调度 close_mosaic10, # 最后 10 轮关闭 mosaic稳定收敛 augmentTrue, # 开启增强 hsv_h0.015, # 色调增强幅度羽毛球颜色单一不宜过大 hsv_s0.7, # 饱和度增强 hsv_v0.4, # 亮度增强应对场馆灯光变化 degrees10.0, # 旋转角度羽毛球飞行姿态多变 translate0.1, # 平移增强 scale0.5, # 缩放增强模拟远近变化 shear2.0, # 剪切增强 perspective0.0001, # 透视增强模拟不同拍摄角度 flipud0.0, # 羽毛球上下翻转不自然关闭 fliplr0.5, # 左右翻转可以保留 mosaic1.0, # mosaic 增强提升小目标鲁棒性 mixup0.1, # mixup 增强轻微使用 copy_paste0.1, # copy-paste 增强增加小目标样本 erasing0.4, # 随机擦除模拟遮挡 crop_fraction1.0, # 裁剪比例 valTrue, # 训练中验证 saveTrue, # 保存检查点 save_period10, # 每 10 轮保存一次 plotsTrue, # 生成训练曲线 )这段配置里imgsz960是核心改动。640 到 960 的像素量增加了 2.25 倍推理耗时大约增加 1.8 到 2 倍但在 60fps 相机下如果 GPU 是 RTX 3060 以上仍然能跑到实时。copy_paste0.1和mosaic1.0是专门针对小目标的增强前者把羽毛球复制粘贴到不同背景后者把四张图拼成一张让模型在单张图里看到更多小目标样本。close_mosaic10是 Ultralytics 的一个技巧最后几轮关闭 mosaic让模型在真实分布上微调避免增强带来的分布偏移。hsv_h0.015调得很小因为羽毛球颜色就是白色色调变化没有意义过大的色调增强反而会让模型学到错误的颜色先验。flipud0.0关闭上下翻转因为羽毛球在画面里通常不会倒着飞上下翻转会引入不自然的样本。2.3 推理阶段怎么保存结果并保持实时训练完之后推理阶段的关键是既要输出检测框又要保存结果供轨迹预测使用。Ultralytics 的predict接口可以直接返回结果对象但如果你要接轨迹预测最好把每一帧的检测结果结构化保存下来。import cv2 from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) # 打开视频或摄像头 cap cv2.VideoCapture(badminton_match.mp4) fps cap.get(cv2.CAP_PROP_FPS) w int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) h int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 输出视频写入器 out cv2.VideoWriter(output.mp4, cv2.VideoWriter_fourcc(*mp4v), fps, (w, h)) # 用于保存检测结果的列表每帧一个字典 detections [] frame_id 0 while cap.isOpened(): ret, frame cap.read() if not ret: break # 推理conf 设低一点羽毛球容易漏检 results model.predict( sourceframe, conf0.25, # 置信度阈值羽毛球建议 0.2 到 0.3 iou0.5, # NMS IoU 阈值 imgsz960, # 和训练保持一致 verboseFalse, device0, ) # 取第一张图的结果单帧输入 r results[0] boxes r.boxes frame_dets [] if boxes is not None: for box in boxes: # 只保留羽毛球类别假设类别 0 是羽毛球 cls_id int(box.cls[0]) if cls_id ! 0: continue xyxy box.xyxy[0].cpu().numpy().tolist() conf float(box.conf[0]) frame_dets.append({ bbox: xyxy, conf: conf, center: [(xyxy[0] xyxy[2]) / 2, (xyxy[1] xyxy[3]) / 2], }) detections.append({ frame_id: frame_id, detections: frame_dets, }) # 画框并写入输出视频 for d in frame_dets: x1, y1, x2, y2 map(int, d[bbox]) cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(frame, f{d[conf]:.2f}, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) out.write(frame) frame_id 1 cap.release() out.release() # 保存检测结果到 JSON供轨迹预测模块读取 import json with open(detections.json, w) as f: json.dump(detections, f)这段代码做了三件事逐帧推理、把检测结果结构化保存、同时输出带框的视频。conf0.25是羽毛球场景下的经验值默认 0.25 已经比较低但羽毛球漏检代价高可以再降到 0.2。imgsz960必须和训练一致否则小目标特征尺度对不上精度会掉。保存的detections.json里每一帧的检测结果是一个列表因为画面里可能同时出现多个羽毛球训练场景但实际比赛通常只有一个球所以后续轨迹预测可以取置信度最高的那个。注意如果帧率要求是 60fps而你的 GPU 推理一帧要 20ms那实际只能跑到 50fps这时候要么降分辨率要么换更小的模型yolo11s要么用 TensorRT 加速。Jetson Nano 上跑 yolo11m 基本不可能实时至少要用 yolo11n 并做 INT8 量化。3. 轨迹预测层从检测框到飞行路径的数学衔接3.1 为什么不能直接对检测框做卡尔曼滤波卡尔曼滤波是目标跟踪的经典方法但它假设运动模型是线性的噪声是高斯的。羽毛球在飞行中受到空气阻力、重力、旋转影响轨迹是明显的抛物线而且高速段和减速段的动力学差异很大。直接对检测框中心做卡尔曼滤波在球速快的时候会出现明显的滞后预测位置总是落在实际位置后面。更合理的做法是先对检测结果做时间上的关联形成一条轨迹然后用多项式或样条拟合轨迹再做外推预测。羽毛球在短时间窗口内比如 5 到 7 帧轨迹可以用二次多项式很好地近似因为重力加速度是常数空气阻力在短窗口内可以近似为线性。所以我的做法是维护一个滑动窗口窗口内保存最近 N 帧的球心坐标用二次多项式拟合然后外推下一帧的位置。这个方法的优点是计算量极小不需要训练而且对漏检有天然的鲁棒性——如果某一帧漏检了窗口里少一个点拟合仍然可以进行只是外推精度略降。缺点是窗口长度需要调太短拟合不稳定太长会引入旧数据跟不上球的机动。3.2 滑动窗口多项式拟合的实现下面是一个轨迹预测模块的实现输入是上一节保存的detections.json输出是每一帧的预测位置。import json import numpy as np # 读取检测结果 with open(detections.json, r) as f: detections json.load(f) # 滑动窗口长度经验值 5 到 7 WINDOW_SIZE 6 # 存储历史球心坐标 history [] # 存储预测结果 predictions [] for frame in detections: frame_id frame[frame_id] dets frame[detections] # 取置信度最高的检测作为当前球的位置 if len(dets) 0: best max(dets, keylambda d: d[conf]) cx, cy best[center] history.append((frame_id, cx, cy)) else: # 漏检时不添加新点但窗口继续滑动 pass # 只保留最近 WINDOW_SIZE 个点 if len(history) WINDOW_SIZE: history history[-WINDOW_SIZE:] # 至少需要 3 个点才能拟合二次多项式 if len(history) 3: # 提取帧号和坐标 t np.array([h[0] for h in history], dtypenp.float64) x np.array([h[1] for h in history], dtypenp.float64) y np.array([h[2] for h in history], dtypenp.float64) # 二次多项式拟合t 归一化到 0 附近避免数值问题 t_norm t - t[-1] coef_x np.polyfit(t_norm, x, 2) coef_y np.polyfit(t_norm, y, 2) # 外推下一帧即 t_norm 1 next_x np.polyval(coef_x, 1) next_y np.polyval(coef_y, 1) predictions.append({ frame_id: frame_id, predicted_center: [float(next_x), float(next_y)], history_len: len(history), }) else: predictions.append({ frame_id: frame_id, predicted_center: None, history_len: len(history), }) # 保存预测结果 with open(predictions.json, w) as f: json.dump(predictions, f)这段代码的核心是np.polyfit(t_norm, x, 2)用二次多项式拟合最近 6 帧的 x 坐标和 y 坐标。t_norm t - t[-1]把时间轴平移到当前帧为 0这样外推下一帧就是t_norm 1数值上更稳定。np.polyval(coef_x, 1)计算多项式在 1 处的值就是下一帧的预测 x 坐标。窗口长度WINDOW_SIZE 6是经验值。我试过 4、5、6、7、84 的时候拟合不稳定球稍微机动一下预测就飞了8 的时候滞后明显预测位置总是慢半拍。6 在羽毛球场景下比较平衡。如果球速特别快可以降到 5如果球速慢、轨迹平滑可以升到 7。漏检的处理是不添加新点但窗口继续滑动。这意味着如果连续漏检 3 帧以上窗口里剩下的点可能不足 3 个拟合就失效了这时候预测输出None。实际部署时可以在漏检时用上一帧的预测位置作为当前帧的估计维持轨迹连续性这就是一个简单的“预测补偿”机制。3.3 预测结果怎么和检测结果融合预测出来的下一帧位置不能直接当成检测结果用因为预测有误差而且误差会累积。我的做法是把预测位置作为一个先验在下一帧检测时如果检测到了球就用检测位置更新轨迹如果没检测到就用预测位置作为当前帧的估计并把这个估计加入历史窗口继续外推。这个融合逻辑可以用一个简单的状态机实现# 融合检测和预测的伪代码逻辑 for frame in detections: dets frame[detections] if len(dets) 0: # 检测到了用检测结果 best max(dets, keylambda d: d[conf]) cx, cy best[center] # 如果预测位置和检测位置差距过大可能是误检需要判断 if last_prediction is not None: dist np.sqrt((cx - last_prediction[0])**2 (cy - last_prediction[1])**2) if dist MAX_DIST: # 差距过大可能是误检丢弃这次检测 continue history.append((frame[frame_id], cx, cy)) else: # 没检测到用预测位置补偿 if last_prediction is not None: history.append((frame[frame_id], last_prediction[0], last_prediction[1]))MAX_DIST是一个阈值表示检测位置和预测位置之间允许的最大距离。如果超过这个距离说明检测可能是误检比如观众席上的白色物体被误认为羽毛球这时候丢弃检测比接受误检更安全。这个阈值需要根据画面分辨率和球速来调1080p 下我一般设 100 到 150 像素。注意预测补偿不能无限用。如果连续多帧都靠预测补偿轨迹会逐渐偏离真实位置因为预测误差会累积。我的经验是连续补偿不超过 3 帧超过 3 帧就认为球已经飞出画面或丢失重置轨迹。4. 避坑与排查羽毛球追踪里最容易翻车的五个地方4.1 漏检频繁但置信度阈值已经降到 0.1 了现象模型在大部分帧都能检测到球但每隔几帧就漏一次降低conf阈值后漏检减少但误检明显增多。原因这不是置信度阈值的问题而是训练数据里小目标样本不足模型对羽毛球的特征学习不充分。降低阈值只是让更多低质量检测通过并没有解决模型本身对小目标的响应弱。解决回到训练阶段增加copy_paste增强的比例或者在数据集中补充更多小目标样本。另一个办法是提高输入分辨率从 960 提到 1280但要注意推理耗时。如果不想重新训练可以在推理时用测试时增强TTA但 TTA 会成倍增加耗时不适合实时场景。4.2 预测轨迹在球速快的时候明显滞后现象预测位置总是落在实际球位置的后方球速越快滞后越明显。原因滑动窗口长度太大包含了太多旧数据多项式拟合被旧数据拖慢。或者窗口内的点时间跨度太大二次多项式无法准确描述高速段的轨迹。解决减小WINDOW_SIZE从 6 降到 5 或 4。另一个办法是给窗口内的点加时间衰减权重越新的点权重越大。np.polyfit不支持加权但可以用scipy.optimize.curve_fit或者手动构造加权最小二乘。最简单的做法还是减小窗口。4.3 Jetson Nano 上推理一帧要 200ms完全达不到实时现象在 Jetson Nano 上部署 YOLOv11推理速度远低于预期帧率只有 5fps 左右。原因Jetson Nano 的 GPU 算力有限而且默认的 PyTorch 模型没有做量化FP32 推理非常慢。另外如果输入分辨率还是 960计算量更大。解决换用 yolo11n 模型输入分辨率降到 640并且做 INT8 量化。Jetson Nano 支持 TensorRT把 PyTorch 模型转成 TensorRT 引擎后推理速度可以提升 3 到 5 倍。具体步骤是先用torch.onnx.export导出 ONNX再用 TensorRT 的trtexec工具做 INT8 量化并生成引擎。量化需要校准数据集用几百张羽毛球场景图就够了。做完这些yolo11n 在 Jetson Nano 上可以跑到 20 到 30fps勉强满足实时。4.4 球飞出画面后轨迹预测还在输出位置现象球已经飞出画面或落在界外但预测模块还在输出预测位置导致画面上出现一个“幽灵球”。原因预测模块没有失效机制只要历史窗口里有足够的点就会一直外推。而球飞出画面后检测模块不再输出检测结果但预测模块不知道这个情况。解决加一个失效判断。如果连续 N 帧没有检测结果并且预测位置已经超出画面边界就重置轨迹停止预测。N 一般取 3 到 5。另外如果预测位置超出画面边界也可以直接停止输出因为球已经不在画面里了。4.5 训练 loss 下降但验证集精度不涨现象训练 loss 一直在降但验证集上的 mAP 不涨甚至下降。原因过拟合。羽毛球数据集通常不大如果模型参数量大、训练轮数多很容易过拟合。另外如果数据增强太强模型学到的特征和真实分布偏差太大验证集精度也会受影响。解决减少训练轮数或者用早停early stopping。Ultralytics 支持patience参数设置patience20如果 20 轮验证精度不涨就停止。另外检查数据增强的强度mosaic和mixup的比例不要太高close_mosaic要开启。如果数据集确实小可以考虑用预训练权重冻结 backbone只训练 head 部分。5. 进阶技巧用轨迹预测反哺检测把漏检率再降一截前面讲的都是检测和预测分开做检测输出给预测预测补偿检测。但还有一个更进一步的玩法用预测结果反过来指导检测在预测位置附近做局部搜索而不是全图检测。这个思路在高速目标追踪里很常见因为球在相邻帧之间的位移虽然大但方向是连续的预测位置附近大概率就是球的位置。具体做法是在每一帧推理时如果上一帧有预测位置就以预测位置为中心裁剪一个局部区域比如 320×320只在这个区域里做检测。这样有两个好处一是计算量大幅降低因为输入尺寸小了二是局部区域里背景更简单误检更少。如果局部区域里检测到了球就用检测结果更新轨迹如果没检测到再用全图检测兜底。这个策略在 Jetson 这类边缘设备上特别有用因为局部检测可以把推理耗时降到全图的四分之一甚至更低。代价是需要维护一个裁剪逻辑而且如果预测位置偏了局部区域可能不包含球这时候全图兜底就很重要。我一般会设置一个计数器如果连续 3 帧局部检测都失败就切回全图检测重新定位球的位置然后再切回局部检测。这个切换逻辑不复杂但能显著提升边缘设备上的实时性。另一个进阶方向是用 LSTM 或 GRU 做轨迹预测替代多项式拟合。多项式拟合的优点是简单、无需训练、可解释性强缺点是只能描述短窗口内的平滑轨迹对突然的变向比如球拍击球瞬间响应不好。LSTM 可以学习更复杂的运动模式但需要训练数据而且推理时延比多项式拟合高。我的经验是如果只是做实时追踪和短期预测多项式拟合足够如果要做更长时间的轨迹外推比如预测球落点LSTM 或物理模型更合适。物理模型其实是一个被低估的方向。羽毛球的飞行轨迹可以用空气阻力模型描述阻力系数和球速相关。如果能标定出阻力系数用物理模型外推的精度可能比纯数据驱动的方法更高而且不需要训练数据。但物理模型的参数标定比较麻烦需要高速相机和已知距离的标定物。对于大多数应用场景多项式拟合加预测补偿已经能覆盖 80% 的需求。最后说一个我踩过的坑不要把预测位置直接画在输出视频里当成检测结果。预测位置和检测位置在视觉上看起来差不多但预测有误差如果直接画出来观众会以为检测很准实际上误差被掩盖了。正确的做法是分别用不同颜色画出检测框和预测点这样你能直观看到预测的偏差方便调参。这个习惯帮我省了很多调试时间。希望帮到你。本文还有配套的精品资源点击获取
简介这份PDF文档面向计算机视觉学习者、体育科技研究者与目标检测开发者系统讲解如何用YOLOv11实现实时羽毛球追踪与运动轨迹预测。全文共39页从YOLOv11网络结构、锚框机制与损失函数讲起逐步展开实时追踪系统的架构设计涵盖数据采集、图像预处理、标注规范、模型训练与优化策略并重点剖析卡尔曼滤波、RNN/LSTM及混合模型在轨迹预测中的实现与性能评估。资源包为单个PDF文件大小约2.19MB支持目录章节跳转与阅读器左侧大纲快速定位查阅方便。目前已有255人学习。读者可借此掌握从数据准备、模型训练到部署落地的完整技术链路理解精度、实时性与鲁棒性等评估指标并参考赛事追踪、训练分析、智能球馆等应用案例获得可迁移的工程实践思路。1. 实时羽毛球追踪为什么 YOLOv11 加轨迹预测是当前最务实的方案羽毛球是高速小目标运动的典型场景。专业杀球初速可以超过 400 km/h即便在 1080p、60fps 的普通相机下球在相邻两帧之间也能位移几十个像素而且羽毛球本身体积小、飞行中还会旋转纹理特征极不稳定。这意味着任何单纯依赖单帧检测的方案都会频繁出现漏检和抖动。实时羽毛球追踪要解决的核心问题就是在这样的极端条件下稳定输出球在每一帧中的位置并进一步预测它接下来会飞向哪里。YOLOv11 在这个任务里的价值不是它比前代“更强”这种笼统说法而是它在小目标检测精度和推理速度之间给出了一个适合落地的平衡点。它的网络结构在 neck 部分做了特征融合的优化对小目标的响应比早期版本更敏感同时模型体量可控在边缘设备上也能跑到实时。把 YOLOv11 的逐帧检测结果接入一个运动轨迹预测模块就能把“当前在哪”升级为“下一步在哪”这对高速运动目标是质变。这套方案适合谁适合做体育分析、智能裁判辅助、训练辅助系统的工程师也适合想在 Jetson 这类边缘设备上跑实时视觉追踪的开发者。它不需要你从头训练一个检测器但需要你理解检测输出怎么喂给预测模块以及预测模块在什么条件下会翻车。接下来我会按“检测怎么配、轨迹怎么接、坑在哪”的顺序把这条链路拆开讲清楚。2. YOLOv11 检测层小目标羽毛球怎么调才不漏2.1 为什么默认配置在羽毛球上会漏检YOLOv11 的默认训练配置输入分辨率通常是 640×640anchor 和损失函数也是按通用目标设计的。羽毛球在画面里往往只占十几个像素经过多次下采样后在深层特征图上几乎消失。默认配置下模型会倾向于把羽毛球当成背景噪声或者只在球速较慢、距离镜头近的时候才检测到。我一般会从三个方向调整提高输入分辨率、调整小目标检测层的权重、以及针对羽毛球的数据增强。提高分辨率是最直接的手段但会线性增加推理耗时需要和帧率要求做权衡。小目标检测层方面YOLOv11 本身有 P3 到 P5 的多尺度输出P3 负责小目标但羽毛球在高速运动时P3 的特征也容易被运动模糊破坏。所以数据增强里必须加入运动模糊模拟让模型见过“糊掉的球”。另一个容易被忽略的点是背景。羽毛球场地通常是绿色或蓝色地胶球是白色对比度其实不差但场馆灯光会在球上形成高光高光区域和白色球体混在一起会让模型学到一个错误的纹理先验。解决办法是在数据里加入不同光照条件下的样本或者在预处理阶段做自适应直方图均衡。2.2 训练配置与关键参数下面是一个我实际用过的 YOLOv11 训练配置片段基于 Ultralytics 框架。注意这里没有用默认的 640而是提到了 960同时开启了小目标相关的增强。from ultralytics import YOLO # 加载 YOLOv11 预训练权重这里用中等规模模型平衡速度和精度 model YOLO(yolo11m.pt) # 开始训练 results model.train( databadminton.yaml, # 数据集配置文件指向羽毛球标注 imgsz960, # 提高输入分辨率小目标更清晰 epochs150, # 羽毛球数据量通常不大150 轮足够收敛 batch8, # 显存有限时用 8显存充足可以到 16 device0, # 使用第一块 GPU workers4, # 数据加载线程数 optimizerAdamW, # AdamW 对稀疏梯度更友好 lr00.001, # 初始学习率比默认略低避免震荡 lrf0.01, # 最终学习率因子 momentum0.937, weight_decay0.0005, warmup_epochs3.0, # 预热轮数防止早期过拟合 cos_lrTrue, # 余弦学习率调度 close_mosaic10, # 最后 10 轮关闭 mosaic稳定收敛 augmentTrue, # 开启增强 hsv_h0.015, # 色调增强幅度羽毛球颜色单一不宜过大 hsv_s0.7, # 饱和度增强 hsv_v0.4, # 亮度增强应对场馆灯光变化 degrees10.0, # 旋转角度羽毛球飞行姿态多变 translate0.1, # 平移增强 scale0.5, # 缩放增强模拟远近变化 shear2.0, # 剪切增强 perspective0.0001, # 透视增强模拟不同拍摄角度 flipud0.0, # 羽毛球上下翻转不自然关闭 fliplr0.5, # 左右翻转可以保留 mosaic1.0, # mosaic 增强提升小目标鲁棒性 mixup0.1, # mixup 增强轻微使用 copy_paste0.1, # copy-paste 增强增加小目标样本 erasing0.4, # 随机擦除模拟遮挡 crop_fraction1.0, # 裁剪比例 valTrue, # 训练中验证 saveTrue, # 保存检查点 save_period10, # 每 10 轮保存一次 plotsTrue, # 生成训练曲线 )这段配置里imgsz960是核心改动。640 到 960 的像素量增加了 2.25 倍推理耗时大约增加 1.8 到 2 倍但在 60fps 相机下如果 GPU 是 RTX 3060 以上仍然能跑到实时。copy_paste0.1和mosaic1.0是专门针对小目标的增强前者把羽毛球复制粘贴到不同背景后者把四张图拼成一张让模型在单张图里看到更多小目标样本。close_mosaic10是 Ultralytics 的一个技巧最后几轮关闭 mosaic让模型在真实分布上微调避免增强带来的分布偏移。hsv_h0.015调得很小因为羽毛球颜色就是白色色调变化没有意义过大的色调增强反而会让模型学到错误的颜色先验。flipud0.0关闭上下翻转因为羽毛球在画面里通常不会倒着飞上下翻转会引入不自然的样本。2.3 推理阶段怎么保存结果并保持实时训练完之后推理阶段的关键是既要输出检测框又要保存结果供轨迹预测使用。Ultralytics 的predict接口可以直接返回结果对象但如果你要接轨迹预测最好把每一帧的检测结果结构化保存下来。import cv2 from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) # 打开视频或摄像头 cap cv2.VideoCapture(badminton_match.mp4) fps cap.get(cv2.CAP_PROP_FPS) w int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) h int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 输出视频写入器 out cv2.VideoWriter(output.mp4, cv2.VideoWriter_fourcc(*mp4v), fps, (w, h)) # 用于保存检测结果的列表每帧一个字典 detections [] frame_id 0 while cap.isOpened(): ret, frame cap.read() if not ret: break # 推理conf 设低一点羽毛球容易漏检 results model.predict( sourceframe, conf0.25, # 置信度阈值羽毛球建议 0.2 到 0.3 iou0.5, # NMS IoU 阈值 imgsz960, # 和训练保持一致 verboseFalse, device0, ) # 取第一张图的结果单帧输入 r results[0] boxes r.boxes frame_dets [] if boxes is not None: for box in boxes: # 只保留羽毛球类别假设类别 0 是羽毛球 cls_id int(box.cls[0]) if cls_id ! 0: continue xyxy box.xyxy[0].cpu().numpy().tolist() conf float(box.conf[0]) frame_dets.append({ bbox: xyxy, conf: conf, center: [(xyxy[0] xyxy[2]) / 2, (xyxy[1] xyxy[3]) / 2], }) detections.append({ frame_id: frame_id, detections: frame_dets, }) # 画框并写入输出视频 for d in frame_dets: x1, y1, x2, y2 map(int, d[bbox]) cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(frame, f{d[conf]:.2f}, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) out.write(frame) frame_id 1 cap.release() out.release() # 保存检测结果到 JSON供轨迹预测模块读取 import json with open(detections.json, w) as f: json.dump(detections, f)这段代码做了三件事逐帧推理、把检测结果结构化保存、同时输出带框的视频。conf0.25是羽毛球场景下的经验值默认 0.25 已经比较低但羽毛球漏检代价高可以再降到 0.2。imgsz960必须和训练一致否则小目标特征尺度对不上精度会掉。保存的detections.json里每一帧的检测结果是一个列表因为画面里可能同时出现多个羽毛球训练场景但实际比赛通常只有一个球所以后续轨迹预测可以取置信度最高的那个。注意如果帧率要求是 60fps而你的 GPU 推理一帧要 20ms那实际只能跑到 50fps这时候要么降分辨率要么换更小的模型yolo11s要么用 TensorRT 加速。Jetson Nano 上跑 yolo11m 基本不可能实时至少要用 yolo11n 并做 INT8 量化。3. 轨迹预测层从检测框到飞行路径的数学衔接3.1 为什么不能直接对检测框做卡尔曼滤波卡尔曼滤波是目标跟踪的经典方法但它假设运动模型是线性的噪声是高斯的。羽毛球在飞行中受到空气阻力、重力、旋转影响轨迹是明显的抛物线而且高速段和减速段的动力学差异很大。直接对检测框中心做卡尔曼滤波在球速快的时候会出现明显的滞后预测位置总是落在实际位置后面。更合理的做法是先对检测结果做时间上的关联形成一条轨迹然后用多项式或样条拟合轨迹再做外推预测。羽毛球在短时间窗口内比如 5 到 7 帧轨迹可以用二次多项式很好地近似因为重力加速度是常数空气阻力在短窗口内可以近似为线性。所以我的做法是维护一个滑动窗口窗口内保存最近 N 帧的球心坐标用二次多项式拟合然后外推下一帧的位置。这个方法的优点是计算量极小不需要训练而且对漏检有天然的鲁棒性——如果某一帧漏检了窗口里少一个点拟合仍然可以进行只是外推精度略降。缺点是窗口长度需要调太短拟合不稳定太长会引入旧数据跟不上球的机动。3.2 滑动窗口多项式拟合的实现下面是一个轨迹预测模块的实现输入是上一节保存的detections.json输出是每一帧的预测位置。import json import numpy as np # 读取检测结果 with open(detections.json, r) as f: detections json.load(f) # 滑动窗口长度经验值 5 到 7 WINDOW_SIZE 6 # 存储历史球心坐标 history [] # 存储预测结果 predictions [] for frame in detections: frame_id frame[frame_id] dets frame[detections] # 取置信度最高的检测作为当前球的位置 if len(dets) 0: best max(dets, keylambda d: d[conf]) cx, cy best[center] history.append((frame_id, cx, cy)) else: # 漏检时不添加新点但窗口继续滑动 pass # 只保留最近 WINDOW_SIZE 个点 if len(history) WINDOW_SIZE: history history[-WINDOW_SIZE:] # 至少需要 3 个点才能拟合二次多项式 if len(history) 3: # 提取帧号和坐标 t np.array([h[0] for h in history], dtypenp.float64) x np.array([h[1] for h in history], dtypenp.float64) y np.array([h[2] for h in history], dtypenp.float64) # 二次多项式拟合t 归一化到 0 附近避免数值问题 t_norm t - t[-1] coef_x np.polyfit(t_norm, x, 2) coef_y np.polyfit(t_norm, y, 2) # 外推下一帧即 t_norm 1 next_x np.polyval(coef_x, 1) next_y np.polyval(coef_y, 1) predictions.append({ frame_id: frame_id, predicted_center: [float(next_x), float(next_y)], history_len: len(history), }) else: predictions.append({ frame_id: frame_id, predicted_center: None, history_len: len(history), }) # 保存预测结果 with open(predictions.json, w) as f: json.dump(predictions, f)这段代码的核心是np.polyfit(t_norm, x, 2)用二次多项式拟合最近 6 帧的 x 坐标和 y 坐标。t_norm t - t[-1]把时间轴平移到当前帧为 0这样外推下一帧就是t_norm 1数值上更稳定。np.polyval(coef_x, 1)计算多项式在 1 处的值就是下一帧的预测 x 坐标。窗口长度WINDOW_SIZE 6是经验值。我试过 4、5、6、7、84 的时候拟合不稳定球稍微机动一下预测就飞了8 的时候滞后明显预测位置总是慢半拍。6 在羽毛球场景下比较平衡。如果球速特别快可以降到 5如果球速慢、轨迹平滑可以升到 7。漏检的处理是不添加新点但窗口继续滑动。这意味着如果连续漏检 3 帧以上窗口里剩下的点可能不足 3 个拟合就失效了这时候预测输出None。实际部署时可以在漏检时用上一帧的预测位置作为当前帧的估计维持轨迹连续性这就是一个简单的“预测补偿”机制。3.3 预测结果怎么和检测结果融合预测出来的下一帧位置不能直接当成检测结果用因为预测有误差而且误差会累积。我的做法是把预测位置作为一个先验在下一帧检测时如果检测到了球就用检测位置更新轨迹如果没检测到就用预测位置作为当前帧的估计并把这个估计加入历史窗口继续外推。这个融合逻辑可以用一个简单的状态机实现# 融合检测和预测的伪代码逻辑 for frame in detections: dets frame[detections] if len(dets) 0: # 检测到了用检测结果 best max(dets, keylambda d: d[conf]) cx, cy best[center] # 如果预测位置和检测位置差距过大可能是误检需要判断 if last_prediction is not None: dist np.sqrt((cx - last_prediction[0])**2 (cy - last_prediction[1])**2) if dist MAX_DIST: # 差距过大可能是误检丢弃这次检测 continue history.append((frame[frame_id], cx, cy)) else: # 没检测到用预测位置补偿 if last_prediction is not None: history.append((frame[frame_id], last_prediction[0], last_prediction[1]))MAX_DIST是一个阈值表示检测位置和预测位置之间允许的最大距离。如果超过这个距离说明检测可能是误检比如观众席上的白色物体被误认为羽毛球这时候丢弃检测比接受误检更安全。这个阈值需要根据画面分辨率和球速来调1080p 下我一般设 100 到 150 像素。注意预测补偿不能无限用。如果连续多帧都靠预测补偿轨迹会逐渐偏离真实位置因为预测误差会累积。我的经验是连续补偿不超过 3 帧超过 3 帧就认为球已经飞出画面或丢失重置轨迹。4. 避坑与排查羽毛球追踪里最容易翻车的五个地方4.1 漏检频繁但置信度阈值已经降到 0.1 了现象模型在大部分帧都能检测到球但每隔几帧就漏一次降低conf阈值后漏检减少但误检明显增多。原因这不是置信度阈值的问题而是训练数据里小目标样本不足模型对羽毛球的特征学习不充分。降低阈值只是让更多低质量检测通过并没有解决模型本身对小目标的响应弱。解决回到训练阶段增加copy_paste增强的比例或者在数据集中补充更多小目标样本。另一个办法是提高输入分辨率从 960 提到 1280但要注意推理耗时。如果不想重新训练可以在推理时用测试时增强TTA但 TTA 会成倍增加耗时不适合实时场景。4.2 预测轨迹在球速快的时候明显滞后现象预测位置总是落在实际球位置的后方球速越快滞后越明显。原因滑动窗口长度太大包含了太多旧数据多项式拟合被旧数据拖慢。或者窗口内的点时间跨度太大二次多项式无法准确描述高速段的轨迹。解决减小WINDOW_SIZE从 6 降到 5 或 4。另一个办法是给窗口内的点加时间衰减权重越新的点权重越大。np.polyfit不支持加权但可以用scipy.optimize.curve_fit或者手动构造加权最小二乘。最简单的做法还是减小窗口。4.3 Jetson Nano 上推理一帧要 200ms完全达不到实时现象在 Jetson Nano 上部署 YOLOv11推理速度远低于预期帧率只有 5fps 左右。原因Jetson Nano 的 GPU 算力有限而且默认的 PyTorch 模型没有做量化FP32 推理非常慢。另外如果输入分辨率还是 960计算量更大。解决换用 yolo11n 模型输入分辨率降到 640并且做 INT8 量化。Jetson Nano 支持 TensorRT把 PyTorch 模型转成 TensorRT 引擎后推理速度可以提升 3 到 5 倍。具体步骤是先用torch.onnx.export导出 ONNX再用 TensorRT 的trtexec工具做 INT8 量化并生成引擎。量化需要校准数据集用几百张羽毛球场景图就够了。做完这些yolo11n 在 Jetson Nano 上可以跑到 20 到 30fps勉强满足实时。4.4 球飞出画面后轨迹预测还在输出位置现象球已经飞出画面或落在界外但预测模块还在输出预测位置导致画面上出现一个“幽灵球”。原因预测模块没有失效机制只要历史窗口里有足够的点就会一直外推。而球飞出画面后检测模块不再输出检测结果但预测模块不知道这个情况。解决加一个失效判断。如果连续 N 帧没有检测结果并且预测位置已经超出画面边界就重置轨迹停止预测。N 一般取 3 到 5。另外如果预测位置超出画面边界也可以直接停止输出因为球已经不在画面里了。4.5 训练 loss 下降但验证集精度不涨现象训练 loss 一直在降但验证集上的 mAP 不涨甚至下降。原因过拟合。羽毛球数据集通常不大如果模型参数量大、训练轮数多很容易过拟合。另外如果数据增强太强模型学到的特征和真实分布偏差太大验证集精度也会受影响。解决减少训练轮数或者用早停early stopping。Ultralytics 支持patience参数设置patience20如果 20 轮验证精度不涨就停止。另外检查数据增强的强度mosaic和mixup的比例不要太高close_mosaic要开启。如果数据集确实小可以考虑用预训练权重冻结 backbone只训练 head 部分。5. 进阶技巧用轨迹预测反哺检测把漏检率再降一截前面讲的都是检测和预测分开做检测输出给预测预测补偿检测。但还有一个更进一步的玩法用预测结果反过来指导检测在预测位置附近做局部搜索而不是全图检测。这个思路在高速目标追踪里很常见因为球在相邻帧之间的位移虽然大但方向是连续的预测位置附近大概率就是球的位置。具体做法是在每一帧推理时如果上一帧有预测位置就以预测位置为中心裁剪一个局部区域比如 320×320只在这个区域里做检测。这样有两个好处一是计算量大幅降低因为输入尺寸小了二是局部区域里背景更简单误检更少。如果局部区域里检测到了球就用检测结果更新轨迹如果没检测到再用全图检测兜底。这个策略在 Jetson 这类边缘设备上特别有用因为局部检测可以把推理耗时降到全图的四分之一甚至更低。代价是需要维护一个裁剪逻辑而且如果预测位置偏了局部区域可能不包含球这时候全图兜底就很重要。我一般会设置一个计数器如果连续 3 帧局部检测都失败就切回全图检测重新定位球的位置然后再切回局部检测。这个切换逻辑不复杂但能显著提升边缘设备上的实时性。另一个进阶方向是用 LSTM 或 GRU 做轨迹预测替代多项式拟合。多项式拟合的优点是简单、无需训练、可解释性强缺点是只能描述短窗口内的平滑轨迹对突然的变向比如球拍击球瞬间响应不好。LSTM 可以学习更复杂的运动模式但需要训练数据而且推理时延比多项式拟合高。我的经验是如果只是做实时追踪和短期预测多项式拟合足够如果要做更长时间的轨迹外推比如预测球落点LSTM 或物理模型更合适。物理模型其实是一个被低估的方向。羽毛球的飞行轨迹可以用空气阻力模型描述阻力系数和球速相关。如果能标定出阻力系数用物理模型外推的精度可能比纯数据驱动的方法更高而且不需要训练数据。但物理模型的参数标定比较麻烦需要高速相机和已知距离的标定物。对于大多数应用场景多项式拟合加预测补偿已经能覆盖 80% 的需求。最后说一个我踩过的坑不要把预测位置直接画在输出视频里当成检测结果。预测位置和检测位置在视觉上看起来差不多但预测有误差如果直接画出来观众会以为检测很准实际上误差被掩盖了。正确的做法是分别用不同颜色画出检测框和预测点这样你能直观看到预测的偏差方便调参。这个习惯帮我省了很多调试时间。希望帮到你。本文还有配套的精品资源点击获取
