prototipo-baba-eletronica-inteligente - GitLite

KO | EN

gitlite — search

#javascript #react #typescript #go #android #deep-learning #macos #java #windows #awesome #kubernetes #vue #awesome-list #openai

prototipo-baba-eletronica-inteligente

(★ 83)

Babá Eletrônica com Inteligência Artificial utilizando Python e YOLO

파일 탐색기

최종 버전 다운로드 (.zip)

- settings.json
- - __init__.py
  - heuristics.py
  - README.md
  - spotting.py
- - __init__.py
  - video_reader.py
  - writer.py
- - __init__.py
  - deepball_optional.py
  - yolo_detector.py
- - __init__.py
  - aggregation.py
  - jersey_ocr.py
  - README.md
- - __init__.py
  - bytetrack.py
  - geometry.py
- __init__.py
- config.yaml
- main.py
- pipeline.py
- test_actions.py
- test_detector.py
- test_ocr.py
- test_tracker.py
- prepare_soccernet.py
.gitignore
Baba eletronica de video.pdf
codigo python.py
pyproject.toml
README.md
yolo11s.pt

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Futebol-IA

Pipeline completo para detectar jogadores e bola com YOLO11, rastrear com ByteTrack, reconhecer números de camisa via OCR e identificar ações (passe/chute) em partidas de futebol. Produz sobreposições no vídeo e um `events.jsonl`.

## Requisitos

- Python 3.12+
- Dependências em `pyproject.toml`
- Peso YOLO11 (`yolo11s.pt` por padrão). O script baixa se faltar.

## Instalação rápida

```bash
pip install uv  # opcional
uv pip install -e .
# ou
pip install -e .
```

## Execução

```bash
uv run src/main.py --source data/jogo.mp4 --out runs/out.mp4
# webcam:
python -m src.main --source 0
```

## Estrutura

```
futebol-ia/
  src/                # código principal
  tests/              # testes pytest
  data/               # coloque vídeos aqui
  runs/               # saídas (vídeo + jsonl)
```

## Configuração

Edite `src/config.yaml` ou passe `--config`:

```yaml
video:
  source: "data/jogo.mp4"
  output_video: "runs/out.mp4"
  save_jsonl: "runs/events.jsonl"
  display: true
  fps_fallback: 30
detector:
  backend: "yolo11"
  yolo_model: "yolo11s.pt"
  conf_thres: 0.30
  iou_thres: 0.50
  classes: ["person","ball"]
tracker:
  type: "bytetrack"
  track_high_thres: 0.6
  track_low_thres: 0.1
  match_thres: 0.8
ocr:
  engine: "easyocr"
  digits_only: true
  conf_min: 0.50
  aggregate_over_frames: 15
  back_crop_ratio: [0.20, 0.55, 0.80, 1.00]
actions:
  mode: "heuristic"
  pass_angle_max_deg: 35
  pass_min_speed_mps: 2.5
  shot_min_speed_mps: 5.5
  window_sec: 1.2
field:
  homography: null
overlay:
  draw_tracks: true
  draw_ball_speed: true
  draw_event_labels: true
```

## Comandos úteis

- `uv run src/main.py --source data/jogo.mp4 --out runs/out.mp4`
- `python -m src.pipeline --benchmark data/sample/`
- `python -m src.detect.yolo_detector --download`

## Dataset (SoccerNet)

Baixe amostras públicas:
- Jersey Number: https://www.soccer-net.org/tasks/jersey-number-recognition
- Action Spotting: https://www.soccer-net.org/tasks/action-spotting

Use `tools/prepare_soccernet.py` para organizar clipes em `data/soccernet/...` e gerar `train/val` para OCR e spotting.

## Notas de performance

- Usa `half=True` quando GPU disponível e faz `model.fuse()` no YOLO.
- Debounce de eventos (não repete em 1s).
- Se a bola sumir >0.6s, diminui confiança e reprocura na ROI prevista.
- Funciona em CPU (mais lento) e acelera com CUDA quando disponível.