[OC] NBA -Spieler verfolgen und Anerkennung

• Erkennungsdatensatz: https://universe.roboflow.com/roboflow-jvuqo/basketball-player-detction-3-ycjdo/dataset/6
• Zahlen OCR -Datensatz: https://universe.roboflow.com/roboflow-jvuqo/Basketball-jersey-numbers-ocr/dataset/3
• Blogpost: https://blog.roboflow.com/identify-basketball-players

Modelle, die ich verwendet habe:

• RF-Detr-Ein Echtzeit-Objektdetektor im DETR-Stil. Wir haben es fein abgestimmt, um Spieler, Jersey-Zahlen, Schiedsrichter, Ball und sogar Schusstypen zu erkennen.
• SAM2 – Eine Segmentierung und Verfolgung. Es ermittelt die Spieler nach Okklusionen neu und hält IDs durch Kontaktspiele stabil.
• Siglip + UMAP + K-Means-Sichtsprachelempfindungen plus unbeaufsichtigtes Clustering. Dadurch werden die Spieler ohne manuelle Beschriftungen in Teams unter Verwendung von gleichmäßigen Farben und Texturen unterteilt.
• SMOLVLM2-Ein kompaktes Visionsprachmodell, das ursprünglich auf OCR trainiert wurde. Nach der Feinabstimmung bei NBA-Trikotern stieg es von 56% auf 86% Genauigkeit.
• Resnet-32-Eine klassische CNN-Feinabstimmung für die Klassifizierung von Jersey-Zahlen. Es erreichte eine Testgenauigkeit von 93% und übertraf das fein abgestimmte Smolvlm2.