基于YOLOv5算法的足球訓練識別系統

李菠駿 王霞

摘要：隨著全民健身時代的發展，體育運動分析越來越重要。文章設計了一個基于YOLOv5目標檢測算法的足球識別系統，該系統通過預先準備的足球訓練集對YOLOv5訓練得到初步目標檢測算法模型之后，再通過K-means算法進行二次算法模型分析，對圖像聚類分析改進算法對圖像特征。在算法訓練結束后，文章對此目標檢測算法模型進行測試，測試結果表明：聚類分析后的目標算法模型對足球漏檢的情況顯著變少，而且對足球的實時檢測效果表現良好，提升了算法識別速度和識別準確度；其mAP平均精度達到了98.6%，與原改進前提升了1%。

關鍵詞：足球識別；YOLOv5算法；K-means算法；目標識別算法

中圖分類號：TP391.41? 文獻標志碼：A

0 引言

隨著人們生活質量的日漸提升，各種運動在生活中顯得越來越重要，因此，足球賽事的視頻分析也日益成為一個熱門話題。視頻中的足球跟蹤是視頻分析的基礎之一，它的檢測質量影響了足球分析的準確程度，所以對使用的目標檢測算法識別精度要求較高。而目前足球識別的相關知識較少，識別速度精度也較差。

近年來，深度學習算法發展迅速，其中YOLOv5目標檢測算法識別準確率高，是深度學習里較為常用的算法之一。為了把體育運動同深度學習算法聯系起來，本文提出一種基于YOLOv5目標檢測算法改進的足球識別系統，并且將改進前后兩種算法的準確度進行對比，結果表明改進后的目標檢測算法可行。

1 YOLOv5算法

YOLOv5是一種單階段目標檢測算法，相對前面幾個版本，它的速度和精度都取得了極大的提升。在多目標檢測中能取得良好的效果。YOLO ［1］系列發展的過程中，YOLOv1把目標檢測［2］轉變成一個回歸問題，開創了YOLO系列先河；YOLOv2引入了Anchor機制，提高了識別準度；YOLOv3在原有基礎上改進了多尺度預測、損失函數、多標簽分類；YOLOv4優化了神經網絡，擁有更高的速度和精度，并能在gpu上訓練和使用；YOLOv5算法在輸入端采用了mosaic增強的策略，以隨機縮放、隨機裁剪、隨機排布的方式進行拼接，對小目標檢測的精度大大提高。YOLOv5同時對自適應圖片縮放也做了改進，并將自適應錨框計算嵌入代碼，能自動計算其最佳值。focus切片操作如圖1所示。

在輸出端，YOLOv5采用Bounding box損失函數和DIOU_nums，可以檢測出略被遮擋的物體，故YOLOv5有更高的識別精準度和更高質量的識別結果。

2 K-means算法

K-means［3］算法先由用戶給出k的值，得到最終的簇數量也為k，將對象點分到距離聚類中心最近的那個簇中需要最近的度量策略。用余弦相似度公式如下：

cosθ=A·B‖A‖×‖B‖

計算新的質心后判斷是否停止K-means。以上就是K-means算法的全過程。K-means算法應用廣泛、速度快、魯棒性強，對于未知的數據集有良好的識別訓練效果，能加快足球識別的速度。

3 訓練算法以及實驗結果分析

3.1 訓練環境介紹

當前所進行的實驗平臺主體由兩個部分相輔構成。其中，硬件平臺CPU為i7-12700H，GPU平臺為NVIDIA GeForce RTX3050；軟件平臺配置具體為：Ubuntu18.04軟件操作系統Anaconda3-2020.07-Linux-x86_64，Cuda11.1，Cudnn8.0.4，Python3.8，Pytorch1.7，Opencv3.4，Torch1.6.0。

3.2 訓練環境介紹

本次項目的數據集選用公開足球的數據集以及實地拍攝足球的照片，一共1 200張照片。通過LableImage標注工具給每張照片加以標記，將所生成的目標信息儲存于相對應的xml文檔。本次研究使用的是PASCAL VOC格式的數據集。

訓練設置如下：epoch（訓練次數）150次，batch size（訓練批次數量）設置為16，workers（CPU加載訓練數目）為4，訓練時間為30 min。

3.3 模型評估

目標識別檢測算法，判斷所識別目標的識別精度的主要指標之一是mAP、精準率、召回率。如下為計算公式，計算公式的含義如表1所示。

精準率=TPTP+FP×100%（1）

召回率=TPTP+FN×100%（2）

mAP=∑NL=1P（L）ΔR（L）M（3）

3.4 實驗數據效果分析

YOLOv5訓練過程的訓練如圖2所示。

由上面兩者比較發現：訓練后的YOLOv5在精度上有較大的提升，最高達到了98.6%。其precision（單一類準確率）也達到了90%，識別結果準確度較高。它的定位損失（box_loss）在訓練后也較小，識別框更加準確。訓練算法的測試如圖3所示。

3.5 不同網絡模型進行對比

為了驗證YOLO系列算法之間的差距，筆者采用相同的數據集對YOLOv3和YOLOv4算法進行算法模型訓練，其中設置批實驗數據樣本為batch＿size設置為8，訓練epoch設置為100，num＿workers設置為4，輸入圖片尺寸格式為（416，416）。結果如表2所示。

4 結語

為了達到高準確率和高質量的識別結果，本文提出了基于聚類分析算法改進的YOLOv5目標檢測算? 法，本研究把體育運動同深度學習算法中的YOLOv5目標檢測算法結合起來，為足球賽事視頻分析提供了有力工具。隨著人工智能深度學習的發展，基于聚類分析算法改進的YOLOv5目標檢測算法讓足球訓練模型在足球賽事視頻分析中發揮更大的用處，使足球分析更加高效。

參考文獻

［1］王迪聰，白晨帥，鄔開俊.基于深度學習的視頻目標檢測綜述［J］.計算機科學與探索，2021（9）：1563-1577.

［2］楊天培.基于深度學習的交通場景目標檢測算法研究［D］.長沙：湖南大學，2019.

［3］楊俊闖，趙超．K-Means聚類算法研究綜述［J］．計算機工程與應用，2019（23）：7-14.

（編輯 王雪芬）

Soccer training recognition system based on YOLOv5 algorithm

Li? Bojun1， Wang? Xia2

（1.Zijin College of Nanjing University of Science & Technology， Nanjing 210023， China; 2.Nanyang Normal University， Nanyang 493500， China）

Abstract：? With the development of the era of national fitness， sports analysis is becoming more and more important. In this paper， a soccer recognition system based on YOLOv5 object detection algorithm is designed， which obtains a preliminary object detection algorithm model by training YOLOv5 through a pre-prepared soccer training set， and then conducts quadratic algorithm model analysis through K-means algorithm， and improves the image features of the image clustering analysis. After the algorithm training， the object detection algorithm model is tested， and the target algorithm model after cluster analysis has significantly fewer missed detection of football， and the real-time detection effect of football is good， which improves the algorithm recognition speed and recognition accuracy，the average accuracy of mAP reached 98.6%， which is an improvement of 1% compared with the original improvement.

Key words： football recognition; YOLOv5 algorithm; K-means algorithm; target recognition algorithm