Volley 使用 Ultralytics YOLO 支持超过 250 个球场人工智能教练

实时的球拍运动训练涉及一系列动态环节。在实际球场上，球员移动迅速，球以高速度飞行，而同一设备通常需要在不同的运动和球场类型下工作。

传统的发球机只是定时发球，完全无法理解这些情况。它们不知道球员站在哪里、如何移动，甚至不知道是在什么球场上，这使得提供紧凑、灵敏且量身定制的教练指导变得非常困难。

Volley 通过 AI 驱动的教练设备帮助解决了这些挑战。其可编程的球场设备利用计算机视觉实时观察并理解球场情况。例如，Ultralytics YOLO 模型被用于球员姿态估计、球体检测和球场分类，使教练设备能够在球员移动和击球时与之进行灵敏的互动。

Link to this section用 AI 构建球拍运动的未来#

Volley 总部位于宾夕法尼亚州兰开斯特，致力于为球拍运动构建 AI 驱动的评估和训练系统。公司的创立源于一个简单的问题：如果球拍运动能拥有像高尔夫那样引人入胜且数据驱动的训练和评级系统会怎样？高尔夫提供了模拟器、实时反馈和客观的进度追踪，而球拍运动在当时并没有等效方案，缺乏客观评级和数据驱动的发展路径。

为了弥补这一差距，Volley 构建了世界上第一个支持 AI 的球拍运动评估和评级系统。如今，Volley 已在美国各地的俱乐部中使用，为球员和俱乐部提供了他们一直缺失的客观数据，且每台设备均在本土设计、制造、测试和运输。

图 1. Volley 的 AI 驱动教练设备一览

Volley 教练设备适用于匹克球、板式网球、平台网球和网球。由于其紧凑且便携，同一台机器可以推入任何球场，球员和专业人士全天都可以在不同平台之间移动它。

Link to this section缺乏实时的球场智能#

提供互动式训练既需要准确性也需要速度，但真实的球场环境使其变得困难。球员距离摄像头的距离不一，球移动速度快且在不同运动中大小各异，同一台设备可能上一刻还在网球场上，下一刻就要用于平台网球场。

仅仅知道教练设备面前有人是不够的。系统需要精确知道球员在球场上的位置，这取决于准确地定位他们的手部，更关键的是他们的脚部。在远距离下，这变得尤为困难，而不精确的追踪会破坏那种让训练感觉像真实比赛的灵敏度。

另一个需要考虑的因素是安全性。由于同一机器在不同运动间移动，如果一台教练设备意外留在网球设置上，可能会以每小时 80 英里的速度向平台网球场的球员发球，这远超该游戏的正常速度，足以让球员措手不及。系统需要充分理解其环境，以防止此类错配。

最重要的是，处理必须实时完成。Volley 在配备板载摄像头的 NVIDIA Jetson 系统上捕获并处理视频，而不是将画面发送到云端，因此检测必须在紧凑的嵌入式硬件上实时运行，以便在球员与教练设备互动时立即响应。

Link to this section利用 Ultralytics YOLO 模型助力实时教练服务#

Volley 系统的核心是一个基于 Ultralytics YOLO 模型构建的视觉 AI 流水线，它支持诸如目标检测、姿态估计和图像分类等关键的计算机视觉任务。

以下是 Volley 将这些技术应用到教练体验中的三种方式：

• 检测球员及其位置： 通过 YOLO 的姿态估计能力，系统能够了解球员的位置及其移动方式，Volley 针对球场上球员运动姿态的特定场景进行了定制训练。由于精确的手脚位置至关重要，系统采用了两阶段处理方法。它首先使用目标检测仔细裁剪出每位球员，然后对裁剪区域进行姿态估计。这种方法非常有效，因为球场上一次只有少数几名球员，而不是数百人的群体。
• 检测球： 通过 YOLO 对目标检测的支持，系统能够定位比赛中的球。Volley 对其进行了训练，以识别所支持运动中使用的各种球，每种球都有其独特的大小和特性。
• 识别球场： 通过 YOLO 的图像分类能力，系统能够识别教练设备所在的球场。因此，即使教练设备设置在网球模式但被推到了平台网球场上，系统也能识别球场类型并进行相应调整，这既提高了安全性，也带来了便利。

这种检测、姿态估计和分类的组合，赋予了教练设备实时感知能力，使其能在球员比赛时做出相应反馈。目前，Volley 在生产环境中通过 Ultralytics YOLO11 运行此流水线。

图 2. Volley AI 驱动的教练设备运行示例

Link to this section为何选择 Ultralytics YOLO 模型？#

Ultralytics YOLO 模型为 Volley 提供了在快速移动的球场上进行实时教练指导所需的速度和准确性，同时能在每台教练设备安装的紧凑嵌入式硬件上流畅运行。同样的效率也延伸到了云端，Volley 可以在云端运行完全相同的模型和流水线，因此在一个环境中做出的改进同样适用于另一个环境。

这种高性能也为未来发展创造了空间。通过更高效地利用硬件，Volley 释放了性能裕量，现在正用于升级摄像头，在不更改底层流水线的情况下，为球员提供更好的球场体验。

同样重要的是 Volley 训练和改进这些模型的简易程度。Volley 不再手动标注图像，而是录制球场上的训练过程，并建立了一个大型素材库，专门捕捉需要分析的特定情况。

然后，它将这些素材通过较慢、高端的姿态模型进行处理——这些模型太重，无法在教练设备上实时运行——并利用它们自动标注数据。这些知识随后被转移到更快、更灵活的 YOLO 模型中，使得球场上的模型在运行轻量实时任务的同时，能够从更强大的模型中学习。

Link to this sectionVolley 利用 Ultralytics YOLO 在四种运动中扩展教练服务#

基于 Ultralytics YOLO 模型构建的影响力体现在 Volley 能够运行响应式教练服务的广泛性上。该系统已部署到约 250 台教练设备和摄像头中。每一台设备都在其板载硬件上实时捕获并处理视频。

一台设备可用于网球、板式网球、平台网球和匹克球。同一台机器全天可以在球场间移动，YOLO 的图像分类能力确保它无论被推到哪里都能保持正确运行。

图 3. Volley 使用 Ultralytics YOLO 实现球拍运动的实时球员和球体追踪。

这种实时感知能力赋予了球员直观的体验。在 20 分钟的训练中，Volley 的 AI 会评估球员的击球、移动和选球。随后，它会生成客观的 Volley 技能评分以及针对比赛每一球的分析。

同样的流水线改变了球员的训练方式。教练设备根据球员在球场上的站位发球，因此他们可以完全解放双手练习脚步和组合击球（如 Serve + 1）。

Link to this section构建下一代球拍运动工程#

随着 Volley 的扩张，公司专注于让球拍运动训练变得像改变高尔夫运动的系统那样可衡量且由数据驱动。通过将实时计算机视觉与客观技能评估相结合，它正在帮助俱乐部从单纯的球场运营转向积极的球员培养。

Ultralytics YOLO 模型持续驱动着这项工作。Volley 目前在生产流水线上运行 Ultralytics YOLO11，并已开始探索下一代实时视觉模型 Ultralytics YOLO26，旨在为更多的球员和俱乐部提供灵敏、数据丰富的教练指导。

对视觉 AI 感兴趣吗？探索我们的许可选项将计算机视觉引入你的项目。访问我们的 GitHub 仓库并加入我们的社区。在我们的解决方案页面上探索 机器人 AI 和 物流计算机视觉。