基于YOLOv5算法的足球训练识别系统

李菠骏 王霞

摘要：随着全民健身时代的发展，体育运动分析越来越重要。文章设计了一个基于YOLOv5目标检测算法的足球识别系统，该系统通过预先准备的足球训练集对YOLOv5训练得到初步目标检测算法模型之后，再通过K-means算法进行二次算法模型分析，对图像聚类分析改进算法对图像特征。在算法训练结束后，文章对此目标检测算法模型进行测试，测试结果表明：聚类分析后的目标算法模型对足球漏检的情况显著变少，而且对足球的实时检测效果表现良好，提升了算法识别速度和识别准确度；其mAP平均精度达到了98.6%，与原改进前提升了1%。

关键词：足球识别；YOLOv5算法；K-means算法；目标识别算法

中圖分类号：TP391.41  文献标志码：A

0 引言

随着人们生活质量的日渐提升，各种运动在生活中显得越来越重要，因此，足球赛事的视频分析也日益成为一个热门话题。视频中的足球跟踪是视频分析的基础之一，它的检测质量影响了足球分析的准确程度，所以对使用的目标检测算法识别精度要求较高。而目前足球识别的相关知识较少，识别速度精度也较差。

近年来，深度学习算法发展迅速，其中YOLOv5目标检测算法识别准确率高，是深度学习里较为常用的算法之一。为了把体育运动同深度学习算法联系起来，本文提出一种基于YOLOv5目标检测算法改进的足球识别系统，并且将改进前后两种算法的准确度进行对比，结果表明改进后的目标检测算法可行。

1 YOLOv5算法

YOLOv5是一种单阶段目标检测算法，相对前面几个版本，它的速度和精度都取得了极大的提升。在多目标检测中能取得良好的效果。YOLO ［1］系列发展的过程中，YOLOv1把目标检测［2］转变成一个回归问题，开创了YOLO系列先河；YOLOv2引入了Anchor机制，提高了识别准度；YOLOv3在原有基础上改进了多尺度预测、损失函数、多标签分类；YOLOv4优化了神经网络，拥有更高的速度和精度，并能在gpu上训练和使用；YOLOv5算法在输入端采用了mosaic增强的策略，以随机缩放、随机裁剪、随机排布的方式进行拼接，对小目标检测的精度大大提高。YOLOv5同时对自适应图片缩放也做了改进，并将自适应锚框计算嵌入代码，能自动计算其最佳值。focus切片操作如图1所示。

在输出端，YOLOv5采用Bounding box损失函数和DIOU_nums，可以检测出略被遮挡的物体，故YOLOv5有更高的识别精准度和更高质量的识别结果。

2 K-means算法

K-means［3］算法先由用户给出k的值，得到最终的簇数量也为k，将对象点分到距离聚类中心最近的那个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‖

计算新的质心后判断是否停止K-means。以上就是K-means算法的全过程。K-means算法应用广泛、速度快、鲁棒性强，对于未知的数据集有良好的识别训练效果，能加快足球识别的速度。

3 训练算法以及实验结果分析

3.1 训练环境介绍

当前所进行的实验平台主体由两个部分相辅构成。其中，硬件平台CPU为i7-12700H，GPU平台为NVIDIA GeForce RTX3050；软件平台配置具体为：Ubuntu18.04软件操作系统Anaconda3-2020.07-Linux-x86_64，Cuda11.1，Cudnn8.0.4，Python3.8，Pytorch1.7，Opencv3.4，Torch1.6.0。

3.2 训练环境介绍

本次项目的数据集选用公开足球的数据集以及实地拍摄足球的照片，一共1 200张照片。通过LableImage标注工具给每张照片加以标记，将所生成的目标信息储存于相对应的xml文档。本次研究使用的是PASCAL VOC格式的数据集。

训练设置如下：epoch（训练次数）150次，batch size（训练批次数量）设置为16，workers（CPU加载训练数目）为4，训练时间为30 min。

3.3 模型评估

目标识别检测算法，判断所识别目标的识别精度的主要指标之一是mAP、精准率、召回率。如下为计算公式，计算公式的含义如表1所示。

精准率=TPTP+FP×100%（1）

召回率=TPTP+FN×100%（2）

mAP=∑NL=1P（L）ΔR（L）M（3）

3.4 实验数据效果分析

YOLOv5训练过程的训练如图2所示。

由上面两者比较发现：训练后的YOLOv5在精度上有较大的提升，最高达到了98.6%。其precision（单一类准确率）也达到了90%，识别结果准确度较高。它的定位损失（box_loss）在训练后也较小，识别框更加准确。训练算法的测试如图3所示。

3.5 不同网络模型进行对比

为了验证YOLO系列算法之间的差距，笔者采用相同的数据集对YOLOv3和YOLOv4算法进行算法模型训练，其中设置批实验数据样本为batch＿size设置为8，训练epoch设置为100，num＿workers设置为4，输入图片尺寸格式为（416，416）。结果如表2所示。

4 结语

为了达到高准确率和高质量的识别结果，本文提出了基于聚类分析算法改进的YOLOv5目标检测算  法，本研究把体育运动同深度学习算法中的YOLOv5目标检测算法结合起来，为足球赛事视频分析提供了有力工具。随着人工智能深度学习的发展，基于聚类分析算法改进的YOLOv5目标检测算法让足球训练模型在足球赛事视频分析中发挥更大的用处，使足球分析更加高效。

参考文献

［1］王迪聪，白晨帅，邬开俊.基于深度学习的视频目标检测综述［J］.计算机科学与探索，2021（9）：1563-1577.

［2］杨天培.基于深度学习的交通场景目标检测算法研究［D］.长沙：湖南大学，2019.

［3］杨俊闯，赵超．K-Means聚类算法研究综述［J］．计算机工程与应用，2019（23）：7-14.

（編辑 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