通过使用 Ultralytics YOLO 模型进行姿态估计、球体检测和球场分类，Volley 能够跨四种运动项目提供响应式的实时教学，并已将该系统部署到了大约 250 台训练器中。
实时球拍运动训练包含许多动态环节。在真实的球场上，球员移动迅速，球速极快，并且同一套设备往往需要在不同的运动项目和球场类型中都能正常运行。
传统的发球机只是定时发球，并不理解这些情况。它们无法察觉球员的站位、移动方式，甚至不知道所在的是哪个球场，这使得它们难以提供紧凑、灵敏且量身定制的教学体验。
Volley通过一款由AI驱动的训练器来帮助解决这些挑战。它那可编程的场上设备利用计算机视觉实时观察并理解球场。例如，Ultralytics YOLO模型被用于球员姿态估计、球体检测和球场分类，使训练器能够在球员移动和击球时做出响应并与他们互动。
用 AI 构建球拍运动的未来#
总部位于宾夕法尼亚州兰开斯特的 Volley 公司，致力于为球拍运动构建 AI 驱动的评估和训练系统。公司的创立初衷源于一个简单的问题：如果球拍运动也能拥有像高尔夫那样吸引人且以数据为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，而球拍运动此前却没有类似的系统，也没有客观的评分标准和以数据为导向的发展路径。
为了填补这一空白，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投入使用，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、测试和出货。
图 1. Volley AI 驱动的训练器概览
Volley 训练器适用于匹克球、板式网球、平台网球和网球。由于其紧凑且便携，同一台机器可以轻松移至任何球场，球员和专业人士可以在一天中根据需要在不同场地间移动使用。
缺乏实时的球场智能#
提供互动式教学既需要准确性也需要速度，但真实的球场环境增加了实现的难度。球员距离摄像头的远近各异，球移动速度快且在不同运动中大小不一，而且同一台训练器可能一会儿在网球场使用，下一刻又被用于平台网球场。
仅仅知道训练器前方有人是不够的。系统需要精确知道球员在球场上的位置，这取决于能否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，这尤为困难，而不精确的追踪会破坏使教学体验如同真实比赛般的响应感。
另一个需要考虑的因素是安全性。由于同一台机器会在不同运动间切换，如果训练器被误留在网球设置上，可能会向平台网球场的球员发射时速 80 英里的球，这远远超过了该项运动的节奏，足以让球员措手不及。系统需要足够了解其所处环境，以防止此类错配。
最重要的是，所有处理过程必须在现场完成。Volley 使用搭载机载摄像头的 NVIDIA Jetson 系统进行视频采集和处理，而非将影像发送至云端，因此检测必须在紧凑的嵌入式硬件上实时运行，以响应球员与训练器的交互。
利用 Ultralytics YOLO 模型实现实时教学#
Volley系统核心是一个基于Ultralytics YOLO模型构建的视觉AI流水线，支持目标检测、姿态估计和图像分类等核心计算机视觉任务。
以下是 Volley 将它们应用于教学体验的三种方式：
- 检测球员及其位置： 通过 YOLO 的姿态估计功能，系统能够理解球员的位置和移动方式。Volley 针对球场上特定运动姿态的球员场景进行了自定义训练。由于精确的手部和脚部位置至关重要，系统运行了一个两阶段的处理方法：首先使用目标检测仔细裁剪出每个球员，然后在裁剪区域内运行姿态估计。这种方法非常有效，因为球场上一次只有少数球员，而不是数百人的群体。
- 检测球体： 通过 YOLO 对目标检测的支持，定位比赛中的球成为可能。Volley 训练了该模型以识别所支持运动中使用的各种运动球类，每种球都有其特定的大小和特性。
- 识别球场： 通过 YOLO 的图像分类功能，系统能够识别训练器所在的球场。因此，即使训练器被设定为网球模式却被推到了平台网球场上，系统也能识别出球场类型并做出相应调整，这既带来了安全性，也提供了便利。
这种检测、姿态估计和分类的组合赋予了训练器实时响应球员击球所需的感知能力。目前，Volley在生产环境中基于Ultralytics YOLO11运行此流水线。
图 2. Volley AI 驱动的训练器运行示例
为何选择 Ultralytics YOLO 模型？#
Ultralytics YOLO 模型赋予了 Volley 在快速移动的球场上进行实时教学所需的速度和准确性，同时能在安装在每台训练器上的紧凑嵌入式硬件上平稳运行。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。
这种高性能也创造了增长空间。通过更好地利用硬件资源，Volley 腾出了余量，现在正投入到升级摄像头的开发中，从而在不改变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。他们不需要手动注释图像，而是通过记录球场上的训练过程，构建了一个庞大的片段库，涵盖了需要捕捉的各种精确场景。
然后，他们将这些影像运行在更慢、更高端的姿态模型上——这些模型虽然太重而无法在训练器上实时运行——利用它们自动标记数据。随后，这些知识被迁移到更快、更敏捷的 YOLO 模型中，使球场上的模型能够从更强大的模型中学习，同时保持实时运行。
Volley 利用 Ultralytics YOLO 在四项运动中扩展教学规模#
基于 Ultralytics YOLO 模型构建带来的影响，体现在 Volley 能够多大程度上运行响应式教学。该系统已部署在总共约 250 台训练器和摄像头上，每一台设备都在机载硬件上实时捕获和处理视频。
单台训练器可适用于网球、板式网球、平台网球和匹克球。同一台设备可在一天内于不同场地间移动，而 YOLO 的图像分类功能保证了无论它被推到哪里，都能保持正确的运作。
图 3. Volley 使用 Ultralytics YOLO 进行球拍运动中的实时球员和球体追踪。
这种实时感知能力赋予了球员所见即所得的体验。在 20 分钟的训练课中，Volley 的 AI 会评估球员的挥拍、移动和击球选择，并生成客观的 Volley 技能评分和逐球分析报告。
同一流水线也改变了球员的训练方式。训练器根据球员在球场上的位置进行发球，使他们能够完全解放双手来练习脚步移动和如“发球+1”等战术套路。
设计下一代球拍运动#
随着 Volley 的扩张，公司专注于让球拍运动的训练变得像改变高尔夫运动的系统一样，具备可衡量性和数据驱动性。通过将实时计算机视觉与客观技能评估相结合，Volley 正在帮助俱乐部从单纯运营球场转向积极地培养球员。
Ultralytics YOLO模型持续推动着这项工作。Volley目前在生产环境中运行Ultralytics YOLO11，并且已经开始探索新一代实时视觉模型Ultralytics YOLO26，以便为更多球员和俱乐部带来响应迅速、数据丰富的教练服务。
对视觉AI感兴趣？探索我们的授权选项，将计算机视觉引入你的项目。访问我们的GitHub存储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技术中的AI和物流中的计算机视觉。
