Good-Badminton

用 AI 分析羽毛球比赛视频的工具。简单说就是把你的比赛录像扔进去，它能自动标出球员骨架、追踪羽毛球轨迹、算出跑动距离和速度，还能生成热力图看你在场上哪个区域活动最多。

Github地址

https://github.com/yo-WASSUP/Good-Badminton

功能特性

• 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。
• 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。
• 本地运行 - 视频、模型和分析结果都保存在本地。

系统要求

• Python 3.8+
• FFmpeg，并已加入系统 PATH
• 羽毛球 YOLO 检测权重，请从 GitHub Releases 下载

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。