本文目录导读：
分析球员之间的默契程度是体育数据分析中的一个热门领域，涉及数据科学、计算机视觉和运动科学的多学科交叉。
如果要基于开源项目来分析，通常不是直接寻找一个“默契度检测器”软件，而是组合使用一系列开源工具，构建一个分析流水线,以下是实现路径的详细拆解：
核心思路：什么是“默契”？
在数据层面，默契通常被量化为空间协同和行为同步,具体指标包括：
- 传球成功率与意图匹配：传球人传球后,接应人是否跑到了理想接球点。
- 跑位同步性：球员是否根据持球人的位置进行联动（如套边、后插上）。
- 三角传递网络的稳定性：特定三人组之间的传球次数与成功率。
- 空间占据的互补性：A球员前插,B球员是否及时回撤补位。
开源技术栈与工具链
阶段1：数据获取与预处理
- 目标：将比赛视频转换为带时间戳的坐标数据。
- 开源项目：
- Tracklab / OpenTrajectory：专门用于足球/篮球的多人跟踪（检测+重识别）。
- Ultralytics YOLOv8 / YOLOv5：用于球员和足球的检测（物体识别）。
- Supervision：用于处理跟踪结果,将检测框转换为ID轨迹。
- 注意：对于没有公开数据的比赛，你需要自己用这些工具提取坐标,这是最耗时的一步。
阶段2：特征提取（构建“默契”指标）
- 目标：从坐标数据中计算物理/战术特征。
- 开源项目：
- SciPy：计算球员间的欧氏距离、相对速度、加速度。
- PyTorch / TensorFlow：用于构建图神经网络（GNN）——将球员视为节点，传球视为边,学习协同模式。
- Pingouin (Python)：用于计算组内相关性（ICC）,分析两人跑位的时间序列是否同步。
阶段3：可视化与决策
- 目标：展示结果。
- 开源项目：
- Plotly / Matplotlib：绘制传球网络图和热力图。
- Streamlit：搭建交互式分析应用。
实战：如何用代码量化“默契”？
假设你已经通过某个跟踪模型得到了球员在球场上每一帧的坐标（x， y），以下是几个经典的默契度计算逻辑（Python示例）：
基于“传球-接应”的偏好矩阵
这是最简单直观的方式，衡量的是熟悉度。
import numpy as np
# 模拟数据：passes[from_player][to_player] 统计传球次数
passes_matrix = np.zeros((11, 11))
# 假设对手紧逼，传球选择成功率的权重
def calculate_chemistry(matrix, success_rate):
"""
计算某两个球员的化学效果值（默契度）。
原理：多传且成功率高，默契值高。
"""
n = len(matrix)
chemistry = np.zeros((n, n))
for i in range(n):
for j in range(n):
if i != j:
# 默契分 = 传球次数权重 * 成功率权重
chemistry[i][j] = matrix[i][j] * success_rate[i][j] / (matrix.sum(axis=1)[i] + 1e-6) # 归一化
return chemistry
# 得到 11x11 的默契矩阵，数值越高，两人越默契
基于空间距离的协同分析（“同步补位”）
衡量两人在攻防转换中是否“心领神会”。
from scipy.spatial.distance import pdist, squareform
# 假设我们有 A 球员和 B 球员在一段时间内的轨迹 (x1, y1), (x2, y2)
def spatial_sync(player_a_traj, player_b_traj):
"""
如果A去进攻边，B是否同步回撤？计算两人与球门距离的相关性。
"""
# 计算两人之间距离的变化率
diff_a = np.diff(player_a_traj, axis=0) # A的移动向量
diff_b = np.diff(player_b_traj, axis=0) # B的移动向量
# 计算两个向量夹角的余弦相似度
# 夹角小 => 方向一致（同向跑动）；夹角大 => 反向跑动（可能是补位）
dot_product = np.sum(diff_a * diff_b, axis=1)
norm_a = np.linalg.norm(diff_a, axis=1)
norm_b = np.linalg.norm(diff_b, axis=1)
cosine = dot_product / (norm_a * norm_b + 1e-9)
# 这里如果 cosine 的平均值很高，说明两人经常做同步前插或同步回防
return np.mean(cosine)
高级：基于图神经网络的“战术补全”（GNN）
这是目前学术界（如DeepMind的Google Research Football研究）较前沿的做法。
- 做法：把所有球员看作一个动态图，使用开源图库（如 PyTorch Geometric）构建模型。
- 目标：利用过去10秒的坐标数据，“预测”某球员下一秒应该跑向哪里。如果A球员的跑位与B球员预测的跑位总是重合（即互补），则默契度极高。
推荐的开源成品项目
如果你不想从零开始，可直接使用以下的开源项目（包含离线可跑的代码）：
-
football_analysis（abhishekkrthakur）
经典的开源足球分析项目，包含传球网络绘制、跑动热图绘制，虽然它不直接算“默契分”，但它是生成“传球网络图”的基础,从图中肉眼可见谁和谁连接最紧密。
-
SoccerNet / Sport2D Synthetic
提供了高精度的位置数据集，你可以直接跑位置数据做分析,而不需要自己处理视频编码。
-
DeepDraw（足球）
基于 GNN 的可视化工具，用于生成传球序列,可以结合它的中间层输出作为默契特征。
关键难点与建议
- 数据清洗是决定成败的环节：开源跟踪模型（YOLO）会有ID切换（球员编号错乱）的问题，这会导致数据“张冠李戴”，建议使用半自动标注工具（如 CVAT）进行人工修补关键帧。
- 默契是“过程”而非“结果”：单纯的进球助攻数据（如A传给B助攻）是结果数据，不能代表默契，你需要负空间分析：A往左边跑位吸引防守，B在右边得到空档，这需要引入“场区价值”（如 Expected Threat）计算。
- 定义很重要：在制作报告时，请明确“跑位默契”和“传球默契”是两种不同的判定，一般需要区分中场球员（跑位型）和边路球员（连线型）的权重。
开源的路径是：YOLO 跟踪获取坐标 -> Python（SciPy）计算距离/角度 -> Networkx 绘制传球网络 -> 提取相邻矩阵作为“默契特征”，如果你是初学者，建议先从传球网络唯一性（即“这一对组合的传球成功率和核心传球占比”）这一最基础指标着手，模型越简单，误差越小,解释力也越强。
