Good-Badminton: AI 羽毛球鹰眼系统 🏸
同系列项目
Good-Badminton、Good-Tennis 和 Good-Pickleball 是同一类计算机视觉运动视频分析项目，核心思路都围绕球员检测、球/球路追踪、球场坐标映射、轨迹统计和可视化输出展开，只是适配的球场模型、球检测目标和运动规则不同。
🎬 效果预览
🆕 更新日志
- 2026-06-27：优化自动球场线检测,减少误匹配。
- 2026-06-24：新增 Gradio WebUI，支持浏览器操作 - From KangweiLIAO PR。
- 2026-06-23：增加自动球场边界检测。
- 2026-06-20：正式开源。
- 2026-06-17：整理项目介绍文档。
- 当前版本：支持球员姿态检测、羽毛球检测、球场坐标映射、轨迹统计、热力图/散点图和带标注视频输出。
- 实验功能：击球点分析和技术动作统计仍在迭代中，适合研究和二次开发使用。
🔮 开发计划
✨ 功能
- 球员姿态检测 - 支持 RTMPose、RTMO 和 Ultralytics YOLO Pose，识别人体关键点和骨架。
- 羽毛球检测 - 使用 YOLO 模型检测羽毛球位置，并在输出视频中绘制轨迹。
- 球场坐标映射 - 手动标注球场关键点，将图像坐标映射到标准球场坐标。
- 自动球场检测 - 根据标准羽毛球场线模型匹配白/黄球场线，并支持在 WebUI 中手动修正四角点。
- 球员位置追踪 - 分别追踪上半场和下半场球员位置，记录移动轨迹。
- 回合检测 - 根据连续球场视图自动判断回合开始和结束，并在视频叠加层和检测数据中记录回合编号。
- 运动统计分析 - 统计移动距离、当前速度、最大速度和回合数量。
- 可视化输出 - 生成带骨架、轨迹、统计信息和球场轨迹的分析视频。
- 位置图表 - 自动生成球员位置热力图和散点图。
- 中英文显示 - 可通过
--language zh/en 切换可视化文字。
- WebUI - 提供基于 Gradio 的浏览器界面，无需命令行即可完成视频上传、球场检测、参数配置和结果查看。
- 本地运行 - 视频、模型和分析结果都保存在本地。
📋 系统要求
性能需求与参考速度
推荐配置：
- GPU，建议 6GB+ 显存；显存越大，越适合更高分辨率视频和更大的姿态模型。
- 16GB+ 系统内存。
- SSD 存储，方便写入输出视频、
detections.jsonl 和可视化图片。
- CPU 可以运行完整流程，但姿态检测和羽毛球检测会明显变慢，更适合短视频或功能验证。
参考速度会受显卡、视频分辨率、姿态模型、是否显示窗口、是否保留音频影响。
以 720p 视频、--pose-family yolo-pose --yolo-pose-model yolo11n-pose.pt 和 weights/yolo11s-ball.pt 为例，GPU 推理日志通常接近：
pose 0.02s, shuttlecock 0.02s, shuttle draw 0.00s, players draw 0.01s, court draw 0.00s
开启 --performance-stats 可以每隔约 5 秒打印一次性能汇总，用于判断瓶颈在姿态推理、羽毛球检测还是绘制阶段。
🚀 安装指南
默认依赖使用 CPU 版 PyTorch 和 ONNX Runtime。
Windows
python -m venv .venv
.\.venv\Scripts\activate
python -m pip install --upgrade pip
pip install -r requirements.txt
Linux / macOS
python -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
pip install -r requirements.txt
GPU 加速（Windows / NVIDIA）
前置要求：
- 已安装 NVIDIA 显卡驱动，
nvidia-smi 可以正常输出显卡信息。
- 推荐使用 CUDA 12.1 对应的 PyTorch wheel。
PowerShell：
.\.venv\Scripts\activate
pip uninstall -y torch torchvision onnxruntime onnxruntime-gpu
pip install torch==2.5.1+cu121 torchvision==0.20.1+cu121 --index-url https://download.pytorch.org/whl/cu121
pip install onnxruntime-gpu==1.20.1
验证 GPU 是否生效：
python -c "import torch; print('torch:', torch.__version__); print('cuda:', torch.cuda.is_available()); print('gpu:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'not available')"
python -c "import onnxruntime as ort; print(ort.__version__); print(ort.get_available_providers())"
期望看到：
cuda: True
CUDAExecutionProvider
注意：安装 GPU 版 ONNX Runtime 后，pip check 可能提示 rtmlib requires onnxruntime, which is not installed。只要 provider 验证能看到 CUDAExecutionProvider，就不要再安装 CPU 版 onnxruntime，否则可能覆盖 GPU 包。
切回 CPU 版：
pip install --force-reinstall -r requirements.txt
WebUI 安装（可选）
WebUI 基于 Gradio，需要额外安装依赖：
pip install -r requirements-webui.txt
启动 WebUI：
python -m webui.app
浏览器打开终端输出的地址（默认 http://127.0.0.1:7860），即可使用：
- 上传比赛视频和球场模板图。
- 点击"检测球场"，自动检测球场边界。如果需要修正，可以直接在图片上点击 4 个角点后点击"应用手动角点"。
- 调整分析参数（姿态模型、语言、可视化选项等）。
- 点击"运行分析"，等待进度条完成后查看标注视频、热力图/散点图和检测数据。
| 球场检测与参数配置 |
分析结果查看 |
 |
 |
WebUI 是可选功能，CLI 命令行方式不受影响。
📝 使用指南
第一次运行流程（CLI）
- 准备输入视频和羽毛球检测权重。
- 运行基础命令：
python main.py --video-path videos/demo.mp4
- 如果没有传
--template-path，程序会弹出文件选择框，让你选择一张球场模板图。模板图通常选视频里视角稳定、球场线清楚的一帧。
- 程序会先尝试自动检测球场边界，并保存
outputs/<视频文件名>/auto_court_preview.png。预览窗口按 Enter/Y 接受自动结果；按 M/R/Esc 进入手动四角标注。
- 如果进入手动标注，按图片顶部提示依次点击球场四个角点：左上、右上、右下、左下。
- 点完四个点后，窗口会显示绿色球场框和蓝色姿态检测 ROI 框。ROI 由程序根据球场自动生成。
- 标注结果会保存到
outputs/<视频文件名>/court_annotations.txt。同一个输出目录下再次运行会复用这个文件，不会重复要求标注。
- 分析结束后，查看
outputs/<视频文件名>/detect_<视频文件名>.mp4、detections.jsonl 和 position_visualizations/。
为什么要标注球场四点：
- 四个角点用于建立图像坐标到标准羽毛球场坐标的映射。
- 球员过滤主要依赖球场坐标，能把观众、裁判、场外人员过滤掉。
- 上下半场球员判断、移动距离、速度、回合统计、热力图和散点图都依赖这个映射。
- 回合检测基于球场模板匹配：连续多帧识别为比赛视图时开始回合，连续多帧离开比赛视图时结束回合。
- 姿态检测 ROI 只用于减少推理区域和提升速度；它会自动从球场范围扩展生成。
- 羽毛球检测仍在整帧上执行，轨迹显示会按球场横向范围加 padding 做基础过滤。
如果你换了视频视角、裁切方式或模板图，需要删除对应输出目录里的 court_annotations.txt，重新标注四点。
姿态模型选择
# 默认：两阶段 RTMPose balanced
python main.py --video-path videos/demo.mp4 --pose-family rtmpose --pose-mode balanced
# 更轻量的一阶段 RTMO
python main.py --video-path videos/demo.mp4 --pose-family rtmo --pose-mode lightweight
# 使用 Ultralytics YOLO Pose
python main.py --video-path videos/demo.mp4 --pose-family yolo-pose --yolo-pose-model yolo11n-pose.pt
RTMPose 模型档位：
lightweight：速度优先。balanced：默认配置，速度和效果折中。performance：更大模型，速度更慢，通常更适合追求检测质量。
常用参数
--video-path 输入视频路径，必填
--output-dir 输出目录，默认 outputs/<视频文件名>
--ball-model YOLO 羽毛球检测模型路径，默认 weights/yolo11s-ball.pt
--pose-family 姿态模型族：rtmpose、rtmo 或 yolo-pose
--pose-mode RTMPose / RTMO 档位：lightweight、balanced、performance
--yolo-pose-model YOLO pose 模型路径或模型名，默认 yolo11n-pose.pt
--template-path 球场模板图路径；不传时会弹出文件选择框
--pose-roi true|false 是否显示姿态检测 ROI 框，默认 true
--display true|false 是否显示 OpenCV 预览窗口，默认 true
--skeletons true|false 是否显示人体骨架，默认 true
--player-trajectories true|false 是否显示球员轨迹，默认 true
--court-trajectory true|false 是否显示球场轨迹叠加层，默认 true
--shuttlecock-trajectory true|false 是否显示羽毛球轨迹，默认 true
--player-stats true|false 是否显示球员统计信息，默认 true
--performance-stats 打印性能耗时
--save-images 保存处理后的每帧图像
--visualize-positions true|false 是否生成热力图和散点图，默认 true
--audio true|false 是否保留原视频音频，默认 true
--language {zh,en} 选择界面语言
📊 输出结果
默认输出到 outputs/<视频文件名>/：
metadata.json：视频、模型、球场标注和输出文件元数据。detections.jsonl：逐帧检测记录，包含回合编号、球员、手部、球场坐标、速度和羽毛球坐标。detect_<视频文件名>.mp4：带骨架、轨迹、统计信息和回合编号叠加层的输出视频。court_annotations.txt：球场标注坐标缓存。position_visualizations/heatmaps/：球员位置热力图。position_visualizations/scatter_plots/：球员位置散点图。
位置可视化示例
| 热力图 |
散点图 |
 |
 |
🧩 项目结构
main.py # 命令行入口和参数解析，保持 python main.py ... 的运行方式
badminton_analysis/
├── system.py # 视频分析主流程 BadmintonAnalysisSystem
├── court/ # 球场标注与坐标映射
├── data/ # JSON / JSONL 输出
├── detection/ # 羽毛球检测与姿态检测
├── media/ # 视频音频处理
├── tracking/ # 球员追踪
└── visualization/ # 视频叠加层、统计图和位置图
webui/
├── app.py # Gradio WebUI 界面与启动入口
└── pipeline.py # WebUI 分析流程编排
🙏 致谢
感谢 RTMPose、RTMO 和 OpenMMLab 生态提供的姿态估计算法基础，以及 Tau-J/rtmlib 提供的轻量姿态估计运行库。
感谢 Ultralytics 提供的 YOLO 目标检测算法与工具链。
感谢 yastrebksv/TrackNet 项目整理并公开羽毛球数据集，为本项目的羽毛球检测与轨迹分析提供了重要参考。
📄 许可证
本项目代码和 weights/yolo11s-ball.pt 使用 Apache License 2.0。随 Release 提供的 RTMPose / RTMO / YOLOX ONNX 权重来自 OpenMMLab / RTMPose 生态，按其上游 Apache License 2.0 授权使用，并保留原始归属。
Star History
评论