本文目录导读：
要统计门球（Gateball）短传配合的成功率，需要先明确几个关键定义，然后设计数据采集和分析方案，目前开源社区中没有专门针对门球短传配合成功率的成熟统计工具，但可以基于现有开源技术栈自建一套统计系统。
先定义什么是“短传配合成功”
门球中的短传配合通常指：
| 要素 | 说明 |
|---|---|
| 距离 | 一般 ≤ 3~5 米（可自定义阈值） |
| 参与 | 2 名或以上同队球员连续传递 |
| 成功判定 | 接球方成功控制球，且未被对方截断/出界/犯规 |
| 配合结束 | 球权转移、射门、或传递链中断 |
建议定义：
成功率 = 成功的短传配合次数 / 尝试的短传配合总次数 × 100%
可用的开源技术方案
视频分析类（计算机视觉）
| 项目 | 用途 | 链接 |
|---|---|---|
| YOLOv8 / YOLOv9 | 检测球、球员 | github.com/ultralytics |
| ByteTrack / DeepSORT | 多目标跟踪 | github.com/ifzhang/ByteTrack |
| OpenCV | 视频处理、轨迹提取 | opencv.org |
| Roboflow Supervision | 标注+跟踪+区域判定 | github.com/roboflow/supervision |
| Sports2D | 运动生物力学分析 | github.com/Sports2D |
思路：摄像头 → 检测球和球员 → 跟踪轨迹 → 判定传递事件 → 计算成功率。
传感器类（IoT）
- UWB 定位（如 Pozyx、Decawave）：球和球员佩戴标签，精度 10cm 级
- IMU（MPU6050 等）：检测击球动作
- 开源框架：ROS2 + 自建节点
手工/半自动标注
- CVAT（github.com/opencv/cvat）：视频标注
- Label Studio：事件标注
- 自定义 Excel/CSV + Python pandas：最简单起点
推荐的最小可行方案（MVP）
# 伪代码：基于轨迹的短传配合成功率统计
import pandas as pd
SHORT_PASS_DIST = 5.0 # 米
SAME_TEAM = True
def analyze_passes(tracks):
passes = []
for i in range(len(tracks)-1):
p1, p2 = tracks[i], tracks[i+1]
if p1.team != p2.team:
continue
dist = ((p1.x-p2.x)**2 + (p1.y-p2.y)**2)**0.5
if dist <= SHORT_PASS_DIST:
success = p2.controlled and not p2.intercepted
passes.append({
'from': p1.player_id,
'to': p2.player_id,
'dist': dist,
'success': success
})
df = pd.DataFrame(passes)
rate = df['success'].mean() if len(df) else 0
return df, rate
数据采集建议
- 固定机位：俯拍或斜 45°，覆盖主要传球区域
- 帧率：≥ 30fps（门球速度慢，30fps 够用）
- 标定：用棋盘格标定，把像素坐标转为实际距离
- 事件标注：至少标注“传球起点/终点/是否成功”
现有相关开源项目参考
虽然不是门球专用,但可迁移：
- SoccerNet（github.com/SoccerNet）：足球事件检测
- OpenSports：体育数据分析集合
- TrackMate（ImageJ 插件）：轨迹分析
- DeepLabCut：动物/人体姿态追踪
- norfair（Tryolabs）：轻量实时跟踪
- 没有现成的门球短传成功率开源工具
- 可行路径：CVAT 标注 + YOLO 检测 + ByteTrack 跟踪 + 自定义 Python 统计
- 若只需小规模统计,手工标注 CSV + pandas 最快
- 若要做实时系统,考虑 UWB 定位 + ROS2
如果你能说明：
- 数据来源（视频/传感器/手工）
- 规模（训练场/比赛）
- 是否要实时
我可以给出更具体的代码或架构方案。
