李菠駿 王霞

摘要：隨著全民健身時(shí)代的發(fā)展，體育運(yùn)動(dòng)分析越來越重要。文章設(shè)計(jì)了一個(gè)基于YOLOv5目標(biāo)檢測算法的足球識(shí)別系統(tǒng)，該系統(tǒng)通過預(yù)先準(zhǔn)備的足球訓(xùn)練集對(duì)YOLOv5訓(xùn)練得到初步目標(biāo)檢測算法模型之后，再通過K-means算法進(jìn)行二次算法模型分析，對(duì)圖像聚類分析改進(jìn)算法對(duì)圖像特征。在算法訓(xùn)練結(jié)束后，文章對(duì)此目標(biāo)檢測算法模型進(jìn)行測試，測試結(jié)果表明：聚類分析后的目標(biāo)算法模型對(duì)足球漏檢的情況顯著變少，而且對(duì)足球的實(shí)時(shí)檢測效果表現(xiàn)良好，提升了算法識(shí)別速度和識(shí)別準(zhǔn)確度；其mAP平均精度達(dá)到了98.6%，與原改進(jìn)前提升了1%。

關(guān)鍵詞：足球識(shí)別；YOLOv5算法；K-means算法；目標(biāo)識(shí)別算法

中圖分類號(hào)：TP391.41? 文獻(xiàn)標(biāo)志碼：A

0 引言

隨著人們生活質(zhì)量的日漸提升，各種運(yùn)動(dòng)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(gè)熱門話題。視頻中的足球跟蹤是視頻分析的基礎(chǔ)之一，它的檢測質(zhì)量影響了足球分析的準(zhǔn)確程度，所以對(duì)使用的目標(biāo)檢測算法識(shí)別精度要求較高。而目前足球識(shí)別的相關(guān)知識(shí)較少，識(shí)別速度精度也較差。

近年來，深度學(xué)習(xí)算法發(fā)展迅速，其中YOLOv5目標(biāo)檢測算法識(shí)別準(zhǔn)確率高，是深度學(xué)習(xí)里較為常用的算法之一。為了把體育運(yùn)動(dòng)同深度學(xué)習(xí)算法聯(lián)系起來，本文提出一種基于YOLOv5目標(biāo)檢測算法改進(jìn)的足球識(shí)別系統(tǒng)，并且將改進(jìn)前后兩種算法的準(zhǔn)確度進(jìn)行對(duì)比，結(jié)果表明改進(jìn)后的目標(biāo)檢測算法可行。

1 YOLOv5算法

YOLOv5是一種單階段目標(biāo)檢測算法，相對(duì)前面幾個(gè)版本，它的速度和精度都取得了極大的提升。在多目標(biāo)檢測中能取得良好的效果。YOLO ［1］系列發(fā)展的過程中，YOLOv1把目標(biāo)檢測［2］轉(zhuǎn)變成一個(gè)回歸問題，開創(chuàng)了YOLO系列先河；YOLOv2引入了Anchor機(jī)制，提高了識(shí)別準(zhǔn)度；YOLOv3在原有基礎(chǔ)上改進(jìn)了多尺度預(yù)測、損失函數(shù)、多標(biāo)簽分類；YOLOv4優(yōu)化了神經(jīng)網(wǎng)絡(luò)，擁有更高的速度和精度，并能在gpu上訓(xùn)練和使用；YOLOv5算法在輸入端采用了mosaic增強(qiáng)的策略，以隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布的方式進(jìn)行拼接，對(duì)小目標(biāo)檢測的精度大大提高。YOLOv5同時(shí)對(duì)自適應(yīng)圖片縮放也做了改進(jìn)，并將自適應(yīng)錨框計(jì)算嵌入代碼，能自動(dòng)計(jì)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(shù)和DIOU_nums，可以檢測出略被遮擋的物體，故YOLOv5有更高的識(shí)別精準(zhǔn)度和更高質(zhì)量的識(shí)別結(jié)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?cái)?shù)量也為k，將對(duì)象點(diǎn)分到距離聚類中心最近的那個(gè)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(jì)算新的質(zhì)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(yīng)用廣泛、速度快、魯棒性強(qiáng)，對(duì)于未知的數(shù)據(jù)集有良好的識(shí)別訓(xùn)練效果，能加快足球識(shí)別的速度。

3 訓(xùn)練算法以及實(shí)驗(yàn)結(jié)果分析

3.1 訓(xùn)練環(huán)境介紹

當(dāng)前所進(jìn)行的實(shí)驗(yàn)平臺(tái)主體由兩個(gè)部分相輔構(gòu)成。其中，硬件平臺(tái)CPU為i7-12700H，GPU平臺(tái)為NVIDIA GeForce RTX3050；軟件平臺(tái)配置具體為：Ubuntu18.04軟件操作系統(tǒng)Anaconda3-2020.07-Linux-x86_64，Cuda11.1，Cudnn8.0.4，Python3.8，Pytorch1.7，Opencv3.4，Torch1.6.0。

3.2 訓(xùn)練環(huán)境介紹

本次項(xiàng)目的數(shù)據(jù)集選用公開足球的數(shù)據(jù)集以及實(shí)地拍攝足球的照片，一共1 200張照片。通過LableImage標(biāo)注工具給每張照片加以標(biāo)記，將所生成的目標(biāo)信息儲(chǔ)存于相對(duì)應(yīng)的xml文檔。本次研究使用的是PASCAL VOC格式的數(shù)據(jù)集。

訓(xùn)練設(shè)置如下：epoch（訓(xùn)練次數(shù)）150次，batch size（訓(xùn)練批次數(shù)量）設(shè)置為16，workers（CPU加載訓(xùn)練數(shù)目）為4，訓(xùn)練時(shí)間為30 min。

3.3 模型評(píng)估

目標(biāo)識(shí)別檢測算法，判斷所識(shí)別目標(biāo)的識(shí)別精度的主要指標(biāo)之一是mAP、精準(zhǔn)率、召回率。如下為計(jì)算公式，計(jì)算公式的含義如表1所示。

精準(zhǔn)率=TPTP+FP×100%（1）

召回率=TPTP+FN×100%（2）

mAP=∑NL=1P（L）ΔR（L）M（3）

3.4 實(shí)驗(yàn)數(shù)據(jù)效果分析

YOLOv5訓(xùn)練過程的訓(xùn)練如圖2所示。

由上面兩者比較發(fā)現(xiàn)：訓(xùn)練后的YOLOv5在精度上有較大的提升，最高達(dá)到了98.6%。其precision（單一類準(zhǔn)確率）也達(dá)到了90%，識(shí)別結(jié)果準(zhǔn)確度較高。它的定位損失（box_loss）在訓(xùn)練后也較小，識(shí)別框更加準(zhǔn)確。訓(xùn)練算法的測試如圖3所示。

3.5 不同網(wǎng)絡(luò)模型進(jìn)行對(duì)比

為了驗(yàn)證YOLO系列算法之間的差距，筆者采用相同的數(shù)據(jù)集對(duì)YOLOv3和YOLOv4算法進(jìn)行算法模型訓(xùn)練，其中設(shè)置批實(shí)驗(yàn)數(shù)據(jù)樣本為batch＿size設(shè)置為8，訓(xùn)練epoch設(shè)置為100，num＿workers設(shè)置為4，輸入圖片尺寸格式為（416，416）。結(jié)果如表2所示。

4 結(jié)語

為了達(dá)到高準(zhǔn)確率和高質(zhì)量的識(shí)別結(jié)果，本文提出了基于聚類分析算法改進(jìn)的YOLOv5目標(biāo)檢測算? 法，本研究把體育運(yùn)動(dòng)同深度學(xué)習(xí)算法中的YOLOv5目標(biāo)檢測算法結(jié)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(xué)習(xí)的發(fā)展，基于聚類分析算法改進(jìn)的YOLOv5目標(biāo)檢測算法讓足球訓(xùn)練模型在足球賽事視頻分析中發(fā)揮更大的用處，使足球分析更加高效。

參考文獻(xiàn)

［1］王迪聰，白晨帥，鄔開俊.基于深度學(xué)習(xí)的視頻目標(biāo)檢測綜述［J］.計(jì)算機(jī)科學(xué)與探索，2021（9）：1563-1577.

［2］楊天培.基于深度學(xué)習(xí)的交通場景目標(biāo)檢測算法研究［D］.長沙：湖南大學(xué)，2019.

［3］楊俊闖，趙超．K-Means聚類算法研究綜述［J］．計(jì)算機(jī)工程與應(yīng)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