Golfbälle mit Ultralytics YOLO-Modellen verfolgen

Golf erreicht mehr Menschen denn je. 2024 beschäftigten sich in den USA schätzungsweise 138 Millionen Menschen auf irgendeine Weise mit diesem Sport, und 47,2 Millionen spielten tatsächlich Golf – entweder auf einem Golfplatz oder an Orten abseits des Platzes wie Driving Ranges und in Simulatoren.

Da die Beteiligung und das Interesse weiter zunehmen, erwarten Golferinnen und Golfer immer bessere Werkzeuge zum Üben, für Rückmeldungen und zur Leistungsüberwachung. Denn Golf macht oft mehr Spaß, wenn klare Einblicke ins Spiel verfügbar sind.

Abb. 1. Millionen Menschen spielen weltweit Golf.

Stell dir vor, du schlägst einen Drive, also einen langen Schlag vom Abschlag, und möchtest genau wissen, wie der Ball geflogen ist, wo er gelandet ist und ob er nach links oder rechts gekurvt ist. Hier können moderne Ballverfolgung und Analyse einen Unterschied machen.

Das Herzstück dieser Systeme zur Ballverfolgung ist Computer Vision, ein Teilgebiet der künstlichen Intelligenz (AI), das visuelle Daten verarbeitet. Computer-Vision-Systeme nutzen Hochgeschwindigkeitskameras und Deep-Learning-Modelle wie Ultralytics YOLO11 und das neuere Ultralytics YOLO26, um die Bewegung des Balls in Echtzeit zu erkennen und zu verfolgen.

Sobald der Ball in jedem Einzelbild erkannt und verfolgt wird, lassen sich seine Positionen nutzen, um die Flugbahn abzubilden, den Landepunkt vorherzusagen und Details wie Geschwindigkeit, Abflugwinkel und Drall zu schätzen. Das Ergebnis ist unmittelbares Feedback, das beim Üben, beim Coaching und beim Zuschauen hilft.

In diesem Artikel zeigen wir, wie Computer Vision und Ultralytics-YOLO-Modelle zur Verfolgung von Golfbällen eingesetzt werden können.

Arten von Technologien zur Verfolgung von Golfbällen#

Bevor wir uns mit Computer Vision zur Verfolgung von Golfbällen befassen, werfen wir kurz einen Blick auf einige andere Methoden zur Golfballverfolgung.

Eine Methode ist der Einsatz intelligenter Golfbälle. Intelligente Golfbälle sind Geräte mit integrierten Sensoren, Bluetooth-Verbindung, RFID-Tags und sogar GPS-basierten Ortungssystemen.

Diese Funktionen ermöglichen eine präzise Verfolgung und Leistungsüberwachung. Sie bringen jedoch auch Nachteile mit sich, darunter eine begrenzte Akkulaufzeit, Herausforderungen bei der Haltbarkeit und die Frage, ob sich intelligente Golfbälle wie herkömmliche Golfbälle anfühlen.

Neben intelligenten Bällen werden auch externe Verfolgungssysteme immer beliebter. Radargestützte Abschlagmonitore und optische Hochgeschwindigkeitskamerasysteme können beispielsweise detaillierte Daten zu Ballflug, Flugbahn und Drall mit hoher Genauigkeit erfassen und Golferinnen und Golfern aller Spielstärken wichtige Einblicke liefern.

Abb. 2. Beispiel für die Verfolgung eines Golfballs. (Quelle)

Vision-KI in die Golfanalyse integrieren#

Computer Vision ist ein weiteres gutes Beispiel für externe Verfolgung. Insbesondere unterstützen Modelle wie YOLO11 und YOLO26 Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung, Posenschätzung und Objektverfolgung. Zusammen erleichtern diese Fähigkeiten das Erkennen des Balls, die Verfolgung von Bild zu Bild, die automatische Aufzeichnung von Schlägen und die Gewinnung nützlicher Leistungseinblicke aus gewöhnlichen Kameraaufnahmen.

Solche Erkenntnisse lassen sich auch in größere vernetzte Systeme einbinden, darunter mobile Apps, Garmin-Wearables (etwa GPS-Uhren, die Runden und Schläge aufzeichnen) und Golf-Simulatorplattformen. So können Golferinnen und Golfer ihre Daten ganz einfach speichern, ihre Leistung im Zeitverlauf überprüfen und auf mehreren Geräten auf Erkenntnisse zugreifen.

Ein weiterer Grund für die Beliebtheit dieser Methoden ist, dass sie mit den Bällen funktionieren, denen Golferinnen und Golfer bereits vertrauen. Viele Systeme sind mit hochwertigen Golfmarken wie Titleist Pro V1, Callaway, TaylorMade und Srixon kompatibel und funktionieren gut mit herkömmlichen Hochleistungsbällen aus Urethan. So können Spielerinnen und Spieler fortschrittliche Verfolgung nutzen, ohne ihre Ausrüstung wechseln zu müssen.

Ultralytics YOLO-Modelle zur Verfolgung von Golfbällen verwenden#

Ultralytics YOLO-Modelle sind als vortrainierte Computer-Vision-Modelle verfügbar. Sie wurden mit beliebten Datensätzen wie COCO trainiert und können daher standardmäßig verschiedene Alltagsobjekte wie Menschen, Autos, Fahrräder und Tiere erkennen. Damit sind sie ein guter Ausgangspunkt für zahlreiche Anwendungen in der realen Welt.

Die Modelle lassen sich jedoch auch mit deinen eigenen Daten individuell trainieren. Das ist besonders wichtig für die Verfolgung von Golfbällen, da das Ziel klein und schnell ist und leicht übersehen wird. Wenn du ein Ultralytics-YOLO-Modell trainieren möchtest, um Golfbälle zu erkennen und zu verfolgen, solltest du zunächst einen passenden Datensatz sammeln oder finden.

Dazu gehören in der Regel Videos oder Bilder von Golfschlägen, in denen der Ball in jedem Einzelbild markiert ist. Anschließend kann das Modell feinabgestimmt werden, damit es den Ball unter unterschiedlichen Lichtverhältnissen, vor verschiedenen Hintergründen und aus verschiedenen Kamerawinkeln zuverlässig erkennt.

Das Training wird durch das Ultralytics-Python-Paket vereinfacht, das praktische Werkzeuge zum Laden von Daten, Trainieren und Validieren von Modellen sowie für deren Bereitstellung bietet. Nach dem Training kann das Modell Golfbälle in neuen Videos in jedem Einzelbild erkennen.

Denk daran, dass das YOLO-Modell selbst Objekte nicht über einen längeren Zeitraum verfolgt. Die Verfolgung wird stattdessen durch das Ultralytics-Python-Paket ermöglicht, das die Erkennungen von YOLO mit Mehrfachobjektverfolgungsalgorithmen wie BoT-SORT und ByteTrack kombiniert.

Diese Verfolgungsalgorithmen nutzen Bewegungsprognosen, die häufig auf Kalman-Filtern beruhen (einem mathematischen Modell, das anhand früherer Bewegungen und verrauschter Messwerte die nächste Position eines Objekts vorhersagt). So schätzen sie, wo der Ball als Nächstes erscheinen sollte, und behalten über mehrere Einzelbilder hinweg eine einheitliche ID bei. Auf diese Weise kann das System den Ball verfolgen, während er sich bewegt, kurzzeitig mit anderen Objekten überlappt, den Bildausschnitt verlässt und später wieder darin auftaucht.

Erkennungen in stabile Flugbahnen umwandeln#

Vielleicht fragst du dich, wie die Erkennung und Verfolgung eines Golfballs zu genaueren Analysen beiträgt. Einfach gesagt, ist es wie das Verbinden von Punkten.

Jede Erkennung ist ein Punkt, und die Verfolgung verbindet die Punkte zu einem gleichmäßigen Pfad, der zeigt, wie sich der Ball durch die Luft bewegt hat. Mit dieser Ballflugbahn kannst du wichtige Schlagdaten wie Geschwindigkeit, Abflugwinkel, Schlagform und den wahrscheinlichen Landepunkt des Balls schätzen.

In einer aktuellen Studie zur physikgestützten 3D-Verfolgung schnell bewegter kleiner Objekte kombinierten Forschende beispielsweise einen Ultralytics YOLOv8-Detektor mit einem physikbasierten Verfolgungsmodell. Ultralytics YOLOv8 wurde zur Objekterkennung eingesetzt, um den Ball in jedem Einzelbild zu lokalisieren, während das Bewegungsmodell vorhersagte, wo er als Nächstes auftauchen würde. So konnte das System trotz Bewegungsunschärfe, kurzzeitiger Verdeckung und übersehener Erkennungen die Spur halten.

Abb. 3. Ein System zur Verfolgung kleiner Objekte mit YOLO-Modellen und 3D-Verfolgung. (Quelle)

Ein wichtiger Vorteil solcher Systeme ist, dass Funktionen, für die früher professionelle Ausrüstung erforderlich war, nun auch alltäglichen Golferinnen und Golfern zur Verfügung stehen. Schläge werden in Echtzeit auf Smartphones, Wearables und Simulatorbildschirmen dargestellt und liefern sofortiges Feedback. Diese Erkenntnisse gelten für jeden Schlag, vom Drive bis zum Putt, und helfen Golferinnen und Golfern, Muster zu erkennen, Golfschläger zu vergleichen und schneller besser zu werden.

Vor- und Nachteile von Golfball-Verfolgungssystemen mit Computer Vision#

Nachdem wir nun besser verstehen, wie Computer Vision die Verfolgung von Golfbällen ermöglicht, sehen wir uns einige ihrer Vorteile genauer an:

• Echtzeit-Feedback: Diese Systeme liefern sofort Daten zum Ballflug, zur Flugbahn und zum Landepunkt. So können Golferinnen und Golfer ihren Schwung und ihre Schlagstrategie unmittelbar anpassen.
• Weniger verlorene Bälle: Durch die kontinuierliche Verfolgung des Balls verbringen Golferinnen und Golfer weniger Zeit mit der Suche nach verlorenen Bällen. Das verbessert das Spieltempo auf dem Golfplatz, der Übungsanlage oder dem Fairway.
• Universelle Kompatibilität: Da Vision-KI-Systeme den Ball mit Kameras statt mit darin verbauten Sensoren verfolgen, funktionieren sie in der Regel mit herkömmlichen Golfbällen, darunter hochwertige Modelle wie Titleist Pro V1, Callaway, TaylorMade und Srixon.

Trotz dieser Vorteile gibt es bei der Computer-Vision-basierten Verfolgung von Golfbällen einige Einschränkungen, die du beachten solltest. Hier sind einige Punkte, die du berücksichtigen solltest:

• Abhängigkeit von freier Sicht: Diese Systeme benötigen ungehinderte Kamerasicht und gleichmäßige Beleuchtung. Schatten, Blendung oder Hindernisse können die Erkennungsgenauigkeit verringern.
• Herausforderungen bei langen oder schnellen Schlägen: Sehr lange Drives oder extrem hohe Ballgeschwindigkeiten können dazu führen, dass der Ball den Kamerabildausschnitt verlässt und die Verfolgung unzuverlässiger wird.
• Regulatorische Einschränkungen: Bestimmte Computer-Vision-Verfolgungssysteme können durch die Wettkampfregeln der USGA und der PGA Tour eingeschränkt sein, was ihre Nutzung bei offiziellen Turnieren begrenzt.

Die Zukunft der intelligenten Golfballverfolgung#

Die Verfolgung von Golfbällen entwickelt sich rasant weiter, angetrieben durch bessere Modelle, bessere Sensoren und schnellere Verarbeitung direkt auf dem Gerät. Neuere Architekturen wie Ultralytics YOLO26 bauen auf früheren Modellen auf und bieten eine höhere Genauigkeit sowie eine effizientere Inferenz. Dadurch wird die Echtzeiterkennung auf Edge-Geräten in Driving Ranges, Simulatoren und Trainingsanlagen praktikabler.

Gleichzeitig werden Verfolgungssysteme immer umfassender, indem Computer Vision mit radargestützten Abschlagmonitoren kombiniert wird. Dabei wird die kamerabasierte Erfassung des Ballflugs um umfangreichere Daten zu Schläger und Treffmoment ergänzt. Wenn diese Werkzeuge Einzug in Driving Ranges und mobile Apps halten, können mehr Golferinnen und Golfer sofortiges Feedback erhalten, ohne den gespielten Ball wechseln zu müssen.

Abb. 4. Ein Blick auf ein Deep-Learning-Modell für den Golfballflug, das Daten eines Abschlagmonitors verwendet. (Quelle)

KI-gestützte Erkenntnisse werden wahrscheinlich auch künftig weitere Bereiche des Golfsports unterstützen – vom Training und Coaching bis hin zu Entscheidungen auf dem Platz. Mit intelligenteren Verfolgungs- und Schlagverfolgungssystemen können Golferinnen und Golfer mit mehr automatisierter Analyse, individuelleren Empfehlungen und durch Augmented-Reality-Einblendungen (AR) erweiterten Trainingswerkzeugen rechnen.

Die wichtigsten Erkenntnisse#

Ultralytics YOLO-Modelle und Computer Vision verändern die Verfolgung von Golfbällen. Sie können genaue Flugbahnen ermitteln und in Echtzeit hilfreiches Feedback zur Leistung liefern. Wenn diese Werkzeuge mit Radarsystemen und Mobiltelefonen verbunden werden, können mehr Golferinnen und Golfer fortschrittliche Schlaganalysen nutzen.

Neugierig auf KI? Besuche unsere aktive Community und entdecke Innovationen wie KI in der Fertigung und Vision-KI im Einzelhandel. Besuche unser GitHub-Repository und starte noch heute mit Computer Vision – informiere dich dazu über unsere Lizenzoptionen.