Россия
ВАК 5.8.5 Теория и методика спорта
ВАК 1.2.1 Искусственный интеллект и машинное обучение
УДК 004.89 Прикладные системы искусственного интеллекта. Интеллектуальные системы, обладающие знаниями
УДК 351.855.3 Игры. Спорт. Увеселения
ГРНТИ 77.00 ФИЗИЧЕСКАЯ КУЛЬТУРА И СПОРТ
ГРНТИ 20.00 ИНФОРМАТИКА
ОКСО 49.04.03 Спорт
ОКСО 49.00.00 Физическая культура и спорт
ОКСО 01.04.02 Прикладная математика и информатика
ОКСО 02.07.01 Компьютерные и информационные науки
ББК 75 Физическая культура и спорт
ТБК 2352 Спорт
ТБК 4615 Зимние виды спорта
ТБК 2301 Информатика
ТБК 5106 Прикладная информатика
BISAC BIO016000 Sports
BISAC BUS070030 Industries / Computers & Information Technology
BISAC COM004000 Intelligence (AI) & Semantics
Для достижения успеха в фигурном катании важны упорный труд и эффективное взаимодействие с тренером. На практике у тренера зачастую не получается проследить за количеством и качеством выполненных элементов у юных спортсменов на тренировке. Вследствие этого, целью работы является разработка нейросети «NeuroSkate», предназначенной для анализа движений детей-спортсменов на тренировках по фигурному катанию. Работа выполняется в сотрудничестве с школой олимпийского резерва «Орленок» в городе Перми, которая выступила основным поставщиком данных для исследования. Датасет включает видео выполнения шести ключевых элементов в фигурном катании юными спортсменами. Архитектура «NeuroSkate» представляет собой каскад из нескольких архитектур, каждая из которых выполняет свою подзадачу: детекцию, выделение ключевых точек и распознавание типа движения. В попарной классификации выполненных элементов доля верно определенного класса на тестовой выборке у «NeuroSkate» составляет в среднем 72%.
распознавание движений, компьютерное зрение, искусственный интеллект, фигурное катание, YOLOv8, LSTM
Введение. Фигурное катание сочетает в себе эстетическую привлекательность и техническую сложность. Это помогает развивать физические и психоэмоциональные навыки детей, такие как сила, координация, гибкость, самодисциплина и уверенность в себе. Для достижения успеха в этом виде спорта важны упорный труд и эффективное взаимодействие с тренером.
Однако в групповых тренировках тренер не всегда может уделить внимание каждому ребенку, что влияет на мотивацию и результаты. В качестве решения предлагается использование технологий, в частности, искусственного интеллекта. Разработка нейросети, которая будет отслеживать выполнение элементов фигуристами, поможет тренерам получать точную информацию о качестве выполнения упражнений на тренировке, что позволит улучшить тренировочный процесс и повысить его эффективность.
Объектом исследования является разработка нейросети NeuroSkate, предназначенной для анализа движений детей-спортсменов на тренировках по фигурному катанию. Работа выполняется в сотрудничестве с школой олимпийского резерва «Орленок» в городе Перми, которая выступила основным поставщиком данных для исследования.
Цели и задачи. Цель работы заключается в создании инструмента, который способен автоматически детектировать юных фигуристов и оценивать выполнение базовых элементов тренировочной программы.
В качестве основных задач исследования, были выделены следующие:
Разработать нейросетевое решение для идентификации конкретного спортсмена в кадре;
Разработать нейросетевую архитектуру для отслеживания движений юных спортсменов и определения элементов фигурного катания;
Протестировать полученную нейросеть на видеозаписях реальных тренировок по фигурному катанию.
Методы исследования. Методология включает сбор и разметку видеоданных для эффективного распознавания и классификации движений с использованием современных архитектур нейросетей. В результате работы была создана модель, демонстрирующая высокую точность на видеоданных, собранных во время реальных тренировок. Насколько известно авторам, сбор и анализ данных, акцентированный именно на юных спортсменах, занимающихся фигурным катанием, был произведен впервые.
Авторы сконцентрировались в первую очередь на тех элементах, которые с одной стороны, доступны детям для выполнения, в другой стороны — представляют определенный интерес для анализа с точки зрения их учета в спортивных соревнованиях. В число таких элементов вошли: лутц, риттбергер, флип, бильман, кораблик и вертикальное вращение.
На данный момент разработка ИИ-решений для распознавания действий на видео осложнена тем, что создано критически мало открытых наборов данных для обучения нейросетей, существующие датасеты содержат в основном записи взрослых спортсменов [1, 2], что не подходит для поставленной задачи. Авторами работы был самостоятельно собран датасет, включающий в себя как видео из открытых источников (https://бильман.рф/, https://vk.com/iceclubperm, записи с соревнований на YouTube), так и авторские видеосъемки юных спортсменов во время тренировочного процесса в «Орленке». Итого в собранной выборке оказалось 172 видео, включающих один из шести перечисленных элементов.
Задача детекции решается в один этап с помощью архитектуры YOLOv8[3], задача распознавания движений решается в два этапа. На первом происходит выделение ключевых точек спортсмена с помощью YOLOv8, на втором происходит классификация с помощью архитектуры LSTM[4].
Основные результаты. Качество работы детекции юных фигуристов по метрике mAP составило 0.837, качество обнаружения ключевых точек по метрике mAP составило 0.894, качество попарной бинарной классификации движений в среднем составило 0.72 по метрике доли верно определенного класса. Выбор бинарной классификации связан с небольшим объемом обучающей выборки.
Для улучшения качества работы модели и перехода к мультиклассовой классификации, по мнению авторов, необходима доработка обучающего датасета, с увеличением количества примеров по каждому из классов как минимум в 5 раз.
1. Papers with Code. FR-FS Dataset [Электронный ресурс]. URL: https://paperswithcode.com/dataset/fr-fs (дата обращения: 30.10.2024).
2. Liu, S. Motion-Centered Figure Skating Dataset [Электронный ресурс]. URL: https://shenglanliu.github.io/mcfs-dataset/ (дата обращения: 30.10.2024).
3. Jocher, G., Qiu, J., Chaurasia, A. Ultralytics YOLO (версия 8.0.0) [Компьютерное программное обеспечение]. URL: https://github.com/ultralytics/ultralytics (дата обращения: 30.10.2024).
4. Hochreiter S. Long Short-term Memory //Neural Computation MIT-Press. – 1997.
