技术架构
从标准化采集到中文教练 Copilot 的完整技术栈,重点不是“炫模型”,而是做真实场景可落地的系统。
系统架构总览
Campus Lite:手机 / 单机位广角面向边远地区与普通学校,低门槛采集训练与比赛视频
Campus Pro / Elite:双机位固定宽视角面向城市学校和精英梯队,提升标定与身份稳定性
训练无人机(可选)仅用于训练分析、俯视复盘和数据增强,不作为默认比赛入口
可穿戴设备(可选)GPS、心率、IMU、脚部传感器等作为高价值训练增强层,不作为默认前置条件
名单与号码录入首发、替补、号码表先录入,为身份层提供强约束
YOLO11 / YOLO26球员、球、裁判检测的生产级基线,后续以自有数据继续微调
ByteTrack / BoT-SORT目标跟踪基线,固定机位优先 ByteTrack,移动机位或难场景引入 ReID/BoT-SORT
号码 OCR + 名单约束不是纯视觉单点识别,而是 tracklet 级别号码候选和身份纠错
球场标定(线段/关键点/几何优化)自动校准为主,人工微调兜底,先保证顶视图坐标准确
顶视图比赛状态重建输出球员轨迹、球轨迹、队伍、换人、时间线和球场坐标
自动剪辑与片段索引训练片段、比赛片段、关键失位和重点回合自动组织
热图 / 阵型 / 跑动密度优先交付可信、教练会用的结构化指标,而不是堆砌复杂术语
问题诊断标签如回防慢、出球受阻、中场保护不足、边路失衡等
训练负荷与恢复画像在接入 wearables 的场景下,融合速度、心率、冲刺和恢复指标
球员成长档案以球员为中心持续记录训练、比赛、反馈和进步曲线
近实时提醒模板先做少量高价值提醒,供助教和教练参考
Claude API / 中文大模型负责解释、问答、报告和建议,不直接替代底层跟踪与几何重建
RAG + Qdrant承载战术知识、训练 drill、专家案例、过往比赛与问答资产
足球知识图谱把片段、问题、球员、战术、drill 和效果回流连接起来
多模态融合策略层按场景融合视频、轨迹、心率、GPS/IMU 与教练反馈,避免单一来源误判
建议排序与偏好学习用专家 Gold Label 与产品内反馈做建议排序,而不是只靠提示词
中文语音交互支持训练场、赛后复盘、对手视频问答等自然语言工作流
预标与数据 QA 团队负责自动预标、疑难片段抽样、标注质检和数据版本管理
专家教练 Gold Label只做高价值片段级审核、建议评审、规则裁决,不做低价值逐帧框选
产品内反馈网络教练在真实使用中做接受/拒绝/改写/打分/是否有效反馈
领域专用衍生模型用修正后的自有数据微调得到适合中国校园和青训场景的模型权重
整体架构图(文字版)
这条链路里,视觉模型负责“看见并重建”,语言模型负责“解释并建议”,知识图谱与反馈飞轮负责“持续变强”。
知识图谱模块
知识图谱不是一个展示词,而是系统里的组织层:片段、问题、训练方案、球员和效果回流都通过它关联起来。
技术选型总览
所有选型围绕真实可交付、可维护、可积累数据壁垒的原则展开。
| 模块 | 技术选型 | 选择理由 |
|---|---|---|
| 检测主干 | YOLO11 / YOLO26 | 成熟、易调优、适合先构建生产基线,再用自有数据继续微调 |
| 跟踪框架 | ByteTrack / BoT-SORT + ReID | 固定机位和复杂场景分别选择不同跟踪策略,重点守住身份稳定性 |
| 标定与重建 | 线段/关键点检测 + 几何优化 | 比简单四点单应矩阵更稳,适合非标准球场和真实安装误差 |
| 号码与身份 | OCR + roster constraints + tracklet voting | 号码录入优先、纯视觉辅助、身份层持续纠错 |
| 视觉辅助模型 | SAM 2 / Grounding DINO / SAHI | 适合高分辨率预标、难例修正和数据引擎,不直接承担主生产追踪 |
| 可穿戴接入 | GPS / HR / IMU / foot sensor + vendor adapters | 支持体能负荷、心率区间、恢复与脚部技术动作增强,统一纳入球员成长档案 |
| 数据标准 | FIFA EPTS quality framework + internal schema | 参考国际质量框架,降低供应商锁定,便于未来对接不同 wearable 与 optical provider |
| 语言智能 | Claude API + 中文策略层 | 负责报告、问答、建议和 drill 映射,不让 LLM 独自承担低层感知责任 |
| 知识检索 | Qdrant + 知识图谱 | 支持问题、球员、片段、训练方案与效果回流的结构化关联 |
| 服务架构 | FastAPI + Redis + PostgreSQL + MinIO | 视频、事件、反馈和文档统一服务化,先云后边缘 |
| 部署策略 | Cloud-first / Hybrid optional / Edge by need | 前三个月优先保证上线速度和维护成本,不把全部系统强行本地化 |
关键选型决策说明
❓ 为什么不再把“4路4K固定摄像机 + 全量边缘部署”作为默认方案?
因为中国校园和青训场景的首要问题不是算力不够,而是输入分布极不稳定:机位不规范、场地不标准、光照与运维差异大。默认方案应该优先压低部署门槛和运维复杂度。CoachMind 采用 Campus Lite 与 Elite 双轨制:校园版先用低门槛机位跑通复盘和成长追踪,精英版再增强双机位与近实时能力。
⚠️ 边缘部署不是取消,而是作为高实时和高隐私客户的增强选项,不应成为所有客户的默认前置条件。
❓ 可穿戴设备是否值得纳入 CoachMind?
值得,但不是默认前提。对普通校园队,先把视频采集、标定、身份层和复盘做稳,收益通常高于先上硬件。对高水平校队、精英青训和职业梯队,可穿戴能补齐视频难以稳定量化的训练负荷、心率区间、恢复和 return-to-play 管理,是明显的效果增强层。
⚠️ 不要把可穿戴当成“全客群标配”。对 Lite 客户会显著拉高采购、运维和培训成本。
❓ 为什么强调“比赛状态重建”,而不是直接说“多模态大模型解决一切”?
真实足球场景里,最容易失真的并不是报告语言,而是底层坐标、身份和轨迹。如果没有稳定的重建层,再好的 LLM 也只是在解释不可靠数据。CoachMind 把多模态大模型放在解释层与弱监督层,把检测、跟踪、标定、身份绑定作为单独的工程系统。
❓ 球员号码到底要不要录入?纯视觉能不能直接识别?
最佳做法是号码录入优先、纯视觉识别为辅。单靠纯视觉在远景、小目标、遮挡、球衣相近时不够稳。比赛前录入名单和号码,系统在 tracklet 级别做号码 OCR、队伍分组和身份纠错,再结合换人时间线、人工微调和历史档案,就能把身份稳定性提升到真正可用的水平。
⚠️ 纯视觉识别可以是能力之一,但不应作为唯一身份源。
❓ 什么是“专用衍生模型”,怎么运行,成本大概怎么理解?
专用衍生模型的意思是:先用通用模型做检测/预标,再用你们自有的数据修正与微调,得到适合中国校园和青训分布的领域权重。它的运行方式和普通模型类似,可以放在云端 GPU 服务,也可以蒸馏成更小权重用于边缘部署。早期成本主要来自训练所需 GPU 和数据工程,而不是重新从零训练一个大模型。
⚠️ 如果只是调用通用模型做推理,没有再训练,那还不算“你们自己的模型”;有了自有修正数据并继续 fine-tune,才形成真正的领域权重与壁垒。
❓ 为什么不建议第一阶段就自研可穿戴硬件?
硬件意味着供应链、结构设计、续航、防水、稳定性、认证、售后与 firmware 维护,是另一条完全不同的创业曲线。CoachMind 第一阶段更合理的打法是做供应商无关的数据接入层和产品闭环,把价值放在视频、中文 Copilot、训练处方和效果回流,而不是先背上硬件制造负担。
⚠️ 先做硬件会明显拖慢 3 个月交付节奏,也会稀释本该投入在数据闭环和产品工作流上的资源。
可穿戴增强策略
| 场景 | 默认策略 | 主要价值 | 成本参考 |
|---|---|---|---|
| Campus Lite | 不上 | 先把视频复盘、身份层、球员档案做稳 | 新增硬件成本为 0 |
| Campus Pro | 小规模 pilot | 4-8 套设备用于重点球员、门将、伤后回归和高强度位置 | 公开价参考:Playermaker 公开页约 $199/套;STATSports 学院/团队方案通常需询价 |
| Elite Training | 推荐接入 | 用于训练负荷、心率区间、恢复和近实时体能提醒 | Catapult / STATSports 团队方案通常按团队预算单独评估 |
公开价格参考基于 2026 年 4 月可见官网页面,仅用于方案粗估。团队版采购通常还包含软件平台、接收器、培训和售后,不宜直接用消费版单价外推。
产品 SKU 与部署策略
| 版本 | 硬件 | 部署 | 目标客户 | 核心产出 |
|---|---|---|---|---|
| Campus Lite | 手机或单机位广角 | 云优先 | 边远地区学校、普通校园队 | 自动复盘、球员报告、训练建议 |
| Campus Pro | 双机位固定宽视角 + 4-8 套 wearable(可选) | 云 + 本地缓存 | 重点学校、大学校队、城市青训 | 更稳的标定、阵型分析、球员档案与重点球员负荷管理 |
| Elite Training | 双机位 + 可穿戴/训练无人机(可选) | 混合部署 | 精英青训、职业梯队 | 近实时提醒、训练决策辅助、return-to-play 与更深层复盘 |