Volley 使用 Ultralytics YOLO 模型进行姿态估计、球检测和球场分类，为四种运动提供响应迅速的实时指导，并已将系统部署给约 250 名教练。
实时球拍类运动训练涉及一系列相互配合的环节。在真实球场上，球员移动迅速，球速很快，而同一套设备往往必须适用于不同运动和球场类型。
传统发球机只会按定时器发球，完全不了解上述情况。它们不知道球员站在哪里、如何移动，甚至不知道自己所在的球场类型，因此很难提供紧凑、灵敏且符合球员需求的指导。
Volley 通过 AI 驱动的训练器来解决这些挑战。这款可编程的场上设备使用计算机视觉实时观察并理解球场。例如，Ultralytics YOLO models 用于球员姿态估计、球检测和球场分类，让训练器能够在球员移动和击球时及时作出响应。
用 AI 打造球拍类运动的未来#
总部位于宾夕法尼亚州兰开斯特的 Volley 为球拍类运动打造 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：如果球拍类运动也能拥有像高尔夫那样引人入胜、数据驱动的训练和评级系统，会怎样？高尔夫拥有模拟器、实时反馈和客观的进度跟踪，而球拍类运动却没有同类系统、客观评级或数据驱动的发展路径。
为填补这一空白，Volley 打造了全球首个 AI 驱动的球拍类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过去缺少的客观数据；每台设备均在美国本土设计、制造、测试和交付。
图 1. Volley 的 AI 驱动训练器一览
Volley 训练器适用于匹克球、板式网球、平台网球和网球。由于设备小巧便携，同一台机器可以推到任何球场上，球员和专业人士也可以在一天之内将它在不同场地间移动。
缺少实时的场上智能能力#
要实现互动式训练，准确度和速度缺一不可，但真实球场环境会让这件事变得困难。球员与摄像头的距离各不相同，球的移动速度快，而且不同运动中球的大小也有差异；同一台训练器可能刚在网球场使用，转眼就要移到平台网球场。
仅仅知道训练器前方有人是不够的。系统必须准确知道球员在球场上的位置，这取决于能否精确定位球员的手部，尤其是脚部。远距离时，这一点尤其困难；跟踪不准确会削弱响应能力，而这正是让训练感觉像真实比赛的关键。
安全也是需要考虑的因素。由于同一台机器会在不同运动之间移动，如果训练器意外保留网球设置，就可能以每小时 80 英里的速度向平台网球场上的球员发球，速度远超该运动的实际球速，足以让球员措手不及。系统必须充分理解所处环境，才能防止这类设置不匹配的情况。
此外，所有处理都必须实时完成。Volley 使用配备板载摄像头的 NVIDIA Jetson 系统在本地采集并处理视频，而不是将录像发送到云端，因此在球员与训练器互动时，检测必须在紧凑型嵌入式硬件上实时运行。
使用 Ultralytics YOLO 模型驱动实时指导#
Volley 系统的核心是基于 Ultralytics YOLO 模型构建的视觉 AI 流程，支持目标检测、姿态估计和图像分类等关键计算机视觉任务。
以下是 Volley 在指导体验中运用这些模型的三种方式：
- 检测球员及其位置：借助 YOLO 的姿态估计功能，系统可以了解球员的位置和移动方式；Volley 针对球场上的球员以及不同运动特有的姿势进行了定制训练。由于手部和脚部位置至关重要，系统采用两阶段方法：首先通过目标检测精确裁剪每位球员，再对裁剪区域执行姿态估计。由于球场上同时只有少数球员，而非数百人的人群，这种方法效果很好。
- 检测球：YOLO 支持目标检测，因此能够定位比赛中的球。Volley 对模型进行训练，使其能够识别所支持运动中使用的各种球，每种球都有各自的尺寸和特征。
- 识别球场：借助 YOLO 的图像分类功能，系统可以识别训练器所在的球场类型。因此，即使训练器设置为网球模式，却被推到了平台网球场上，系统也能识别球场类型并作出相应调整，兼顾安全与便利。
检测、姿态估计和分类相结合，让训练器具备实时感知能力，从而能够在球员比赛时及时作出响应。目前，Volley 在生产环境中使用 Ultralytics YOLO11 运行这套流程。
图 2. Volley 的 AI 驱动训练器运行示例
为什么选择 Ultralytics YOLO 模型？#
Ultralytics YOLO 模型为 Volley 提供了在高速球场上实现实时指导所需的速度和准确度，同时可在安装于每台训练器上的紧凑型嵌入式硬件上流畅运行。这种效率也延伸到了云端，Volley 可以运行完全相同的模型和流程，因此在一个环境中做出的改进同样适用于另一个环境。
这一性能也为扩展留出了空间。通过更有效地利用硬件，Volley 腾出了资源余量，目前正用于升级摄像头，让球员在不改变底层流程的情况下获得更好的场上体验。
同样重要的是，Volley 能够轻松训练和改进这些模型。Volley 不再手动标注图像，而是在球场上录制训练课程，并建立一个大型视频片段库，收录所需捕捉的确切场景。
随后，Volley 使用运行速度较慢、体量较大的高端姿态模型处理这些录像；这类模型对于训练器而言过于庞大，无法实时运行，因此 Volley 用它们自动标注数据。然后，相关知识会迁移到速度更快、更灵活的 YOLO 模型上，让场上模型能够从规模更大的模型中学习，同时仍可实时运行。
Volley 借助 Ultralytics YOLO 将指导服务扩展至四种运动#
构建在 Ultralytics YOLO 模型之上的优势，体现在 Volley 能够广泛提供响应迅速的指导服务。该系统已部署到约 250 台训练器和摄像头上，每台设备都使用板载硬件实时采集和处理视频。
一台训练器即可适用于网球、板式网球、平台网球和匹克球。同一台机器可以在一天之内在不同球场间移动，而 YOLO 的图像分类功能可确保它无论被推到哪里，都能正确运行。
图 3. Volley 使用 Ultralytics YOLO 实时跟踪球拍类运动中的球员和球。
这种实时感知能力直接体现在球员的体验中。在 20 分钟的训练课程中，Volley 的 AI 会评估球员的击球、移动和击球选择，然后生成客观的 Volley 技能评级，并逐球分析其表现。
同一套流程也改变了球员的训练方式。训练器会根据球员在球场上的站位发球，因此球员可以完全免手操作地练习步法和“发球 + 1”等战术套路。
以工程技术打造新一代球拍类运动#
随着 Volley 不断拓展，公司致力于让球拍类运动训练像推动高尔夫变革的系统一样，变得可测量、数据驱动。通过结合实时计算机视觉与客观技能评估，Volley 正在帮助俱乐部从单纯运营球场转向积极培养球员。
Ultralytics YOLO 模型持续推动这项工作。目前，Volley 的生产流程运行在 Ultralytics YOLO11 上，并已开始探索新一代实时视觉模型 Ultralytics YOLO26，将响应迅速、数据丰富的指导服务带给更多球员和俱乐部。
对视觉 AI 感兴趣吗？了解我们的许可选项，将计算机视觉应用到你的项目中。访问我们的 GitHub repository，加入我们的社区。在我们的解决方案页面中探索机器人 AI和物流中的计算机视觉。
