الصفحة الرئيسية>المتعلقة بالبرمجة>شفرة المصدر الأخرى
تنزيل

تحليل كرة السلة بالذكاء الاصطناعي


قم بتحليل تسديدات كرة السلة ووضعيات التسديد باستخدام التعلم الآلي!

هذا تطبيق مدعوم بالذكاء الاصطناعي ويركز على اكتشاف الأشياء لتحليل لقطات كرة السلة. يتيح التطبيق للمستخدمين تحميل مقاطع فيديو كرة السلة لتحليلها أو إرسال طلبات POST إلى واجهة برمجة التطبيقات. تتضمن النتائج تحليلاً تفصيليًا لللقطة والوضعية استنادًا إلى بيانات الكشف عن الأشياء. يستخدم المشروع OpenPose لحساب نقاط مفاتيح الجسم والمقاييس الأخرى.

نظرة عامة على المشروع

يستفيد تحليل كرة السلة بالذكاء الاصطناعي من الذكاء الاصطناعي لتحليل تسديدات كرة السلة من خلال اكتشاف حركات اللاعب ودقة التسديد وبيانات الوضع. ويستخدم إطار عمل OpenPose الشهير لتقدير وضعية الإنسان. سواء كنت مطورًا أو محللًا رياضيًا، فإن هذا المشروع يساعد في استكشاف كيف يمكن للذكاء الاصطناعي أتمتة تحليل كرة السلة وتحسينه.

هام : هذا المشروع مخصص للاستخدام البحثي غير التجاري فقط ، لأنه يستخدم ترخيص OpenPose. يرجى مراجعة الترخيص للحصول على التفاصيل.

إذا كنت جديدًا في تقدير وضعية الإنسان، فاطلع على هذه المقالة الموجزة التي تشرح المفاهيم الأساسية لـ OpenPose.

ابدء

1. استنساخ المستودع

للحصول على نسخة من المشروع قم بتشغيل الأمر التالي:

 استنساخ بوابة https://github.com/chonyy/AI-basketball-analogy.git

2. تثبيت التبعيات

قبل تشغيل المشروع، تأكد من تثبيت كافة التبعيات الضرورية عن طريق تشغيل:

 تثبيت النقطة -r متطلبات.txt

ملحوظة : يتطلب هذا المشروع وحدة معالجة رسومات مع دعم CUDA لتشغيل OpenPose بكفاءة، خاصة لتحليل الفيديو.

3. قم بتشغيل التطبيق

بمجرد إعداد كل شيء، يمكنك استضافة المشروع محليًا بأمر بسيط:

 بيثون app.py

سيؤدي هذا إلى تشغيل التطبيق محليًا، حيث يمكنك تحميل مقاطع فيديو أو صور كرة السلة لتحليلها.

خيارات الاستضافة

إذا كنت تفضل عدم تشغيل المشروع محليًا، فيمكنك تجربة البدائل التالية:

Google Colab (لا يتطلب GPU!)

بفضل hardik0، يمكنك تجربة تحليل كرة السلة AI في Google Colab دون الحاجة إلى وحدة معالجة الرسومات الخاصة بك:

استضافة هيروكو

هذا المشروع متاح أيضًا على Heroku، مع ملاحظة أن العمليات الحسابية الثقيلة مثل TensorFlow قد تسبب أخطاء انتهاء المهلة على Heroku بسبب الموارد المحدودة. للحصول على أفضل أداء، يوصى بتشغيل التطبيق محليًا.

هيكل المشروع

وفيما يلي تفصيل للمكونات الرئيسية للمشروع:

  • app.py : الملف الرئيسي لتشغيل تطبيق الويب.

  • / static : يحتوي على جميع الأصول الثابتة مثل الصور وCSS وJavaScript.

  • /models : دليل يحتوي على نماذج مدربة مسبقًا لاكتشاف الكائنات.

  • /scripts : البرامج النصية المساعدة لمعالجة البيانات والتدريب النموذجي.

سمات

1. تحليل اللقطة والوضعية

عد الطلقات

تحليل تسديدات كرة السلة من الفيديو المدخل، وتحديد التسديدات الناجحة والفائتة. تمثل النقاط الرئيسية بألوان مختلفة:

  • الأزرق : تم اكتشاف كرة السلة في الوضع الطبيعي

  • الأرجواني : لقطة غير محددة

  • الأخضر : تسديدة ناجحة

  • الأحمر : تسديدة ضائعة

تحليل الموقف

باستخدام OpenPose، يقوم المشروع بتحليل زوايا مرفق اللاعب وركبته أثناء التسديد، مما يساعد في تحديد زوايا وأوقات الإطلاق.

2. كشف اللقطة

تعمل هذه الميزة على تصور اكتشاف اللقطة، وإظهار مستويات الثقة والإحداثيات لكل اكتشاف.

3. واجهة برمجة تطبيقات الكشف

يتضمن المشروع واجهة REST API للكشف، مما يسمح لك بإرسال الصور عبر طلب POST وتلقي استجابة JSON مع نقاط المفاتيح المكتشفة والبيانات الأخرى.

 بوست /detection_json

  • المفتاح : الصورة

  • القيمة : صورة الإدخال

4. نموذج الكشف

يعتمد النموذج على بنية Faster R-CNN ، التي تم تدريبها على مجموعة بيانات COCO . لمزيد من التفاصيل، راجع حديقة حيوان TensorFlow النموذجية.


الخطط المستقبلية

  • انقل النموذج إلى YOLOv4 للحصول على أداء أفضل.

  • تنفيذ خوارزمية تتبع SORT لتصفية الاكتشافات الخاطئة.

  • تحسين ميزات التصور للحصول على نتائج أكثر وضوحا.

  • تحسين الكفاءة لتحسين تكامل تطبيقات الويب.

المساهمة

نحن نرحب بالمساهمات من المجتمع! وإليك كيف يمكنك المشاركة:

  1. شوكة المستودع

  2. إنشاء فرع : git checkout -b feature/your-feature-name

  3. تنفيذ تغييراتك : git commit -m 'Add some feature'

  4. ادفع إلى الفرع : git push origin feature/your-feature-name

  5. افتح طلب السحب

لمزيد من المعلومات حول المساهمة، قم بزيارة تقديم طلب سحب.

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل