neeilan/DeepPlayByPlay

🏀 DeepPlayByPlay: Tự động gán nhãn hành động NBA bằng 3D ConvNet

Phân loại video bóng rổ thành các nhãn play-by-play bằng mạng nơ-ron tích chất 3D, xử lý trựctiếp từ footage truyền hình.

Đây là dự án mã nguồn mở sử dụng học sâu (deep learning) để tự động gán nhãn các hành động trong trận đấu NBA từ footage truyền hình. Dự án dùng kiến trúc 3D ConvNet để phân loại video, tập trung vào việc nhận diện các pha bắn (make/miss), phân biệt vùng bắn (inside/midrange/three). Dữ liệu huấn luyện thu thập từ mùa 2017-18, mô hình đạt độ chính xác tốt trên tập test.

✨ Điểm nổi bật

• Phân loại video 3D: Sử dụng 3D ConvNet để xử lý thông tin động trên video bóng rổ.
• Gán nhãn play-by-play: Tự động phân loại các pha bắn thắng/missing với nhãn chi tiết.
• Hiệu suất tốt: Đạt 91% độ chính xác khi phân biệt make/miss, 74% với 4 lớp, 66% với 6 lớp.
• Hỗ trợ inference: Cung cấp trọng số đã huấn luyện sẵn trong thư mục weights.
• Cài đặt đơn giản: Chỉ cần clone repo, cấu hình config.py, chạy training hoặc inference.
• Tương thích công cụ: Dựa trên TensorFlow, Keras, scikit-learn, scikit-video.
• Ví dụ minh họa: Đi kèm GIF và biểu đồ xác suất cho từng dự đoán.
• Giới hạn rõ ràng: Chỉ nhận diện được các pha bắn, chưa hỗ trợ sự kiện khác như rebound, free throw.

💡 Vì sao đáng chú ý

Khác với các dự án phân tích thống kê dựa trên dữ liệu số, DeepPlayByPlay tiếp cận trực tiếp từ footage video, áp dụng công nghệ thị giác máy tính để "đọc hiểu" các pha bóng. Mô hình hoạt động tốt dù video đã được xử lý thành đen trắng để tiết kiệm tài nguyên tính toán, cho thấy khả năng chung kháng nhiễu. Dù chỉ tập trung vào từng loại pha bắn, kết quả phân loại đạt độ chính xác đáng tin cậy, đặc biệt ở mức nhị phân make/miss.

---

#NBA #DeepLearning #ComputerVision #PlayByPlay #TiniX