| Form of studies |
Bachelor |
| Title of the study programm |
Information Technology |
| Title in original language |
Datorredzes modeļu salīdzinošā analīze tenisa statistikas aprēķina automatizācijai no video plūsmas |
| Title in English |
Comparative Analysis of Computer Vision Models for Automating Tennis Statistics Calculation from Video Streams |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Sergejs Paršutins |
| Reviewer |
Sigita Misiņa |
| Abstract |
Tenisa spēļu video ieraksti ir plaši pieejami, taču to analīze joprojām bieži balstās uz manuālu novērošanu, kas ir laikietilpīga un subjektīva. Pēdējos gados ir parādījušies daudzi publiski pieejami datorredzes modeļi, taču nav pētījumu, kas tos salīdzina kopā tieši tenisa video analīzes kontekstā. Darba mērķis ir izpētīt un salīdzināt datorredzes modeļu piemērotību četros tenisa video analīzes uzdevumos: bumbas noteikšanā un izsekošanā, spēlētāju noteikšanā, spēlētāja pozu novērtēšanā un sitienu klasifikācijā. Katrā uzdevumā tika salīdzināti vismaz divi modeļi ar atšķirīgu arhitektūru, kopumā astoņi modeļi uz divām datu kopām. Bumbas noteikšanai tika salīdzinātas TrackNet V2 un V3 versijas. V2 oriģinālajā repozitorijā tika konstatēta datu noplūde, un pēc atkārtotas apmācības ar korektu datu sadalījumu F1 sasniedza 0.723. V3 tika apmācīts no nulles un sasniedza F1=0.709. Spēlētāju noteikšanai salīdzināti YOLO11n un RT-DETR-l ar līdzīgu precizitāti (F1=0.835 un 0.843). Pozu novērtēšanā MediaPipe Pose uzrādīja augstāku precizitāti (0.877 pret 0.829) un bija sešpadsmit reizes ātrāks nekā OpenPose. Sitienu klasifikācijā labākais rezultāts sasniegts ar daudzslāņu perceptronu un MediaPipe atslēgpunktiem (91.7% precizitāte). Rezultāti parādīja, ka publiski pieejami modeļi var strādāt ar tenisa datiem bez specializētas apmācības vai ar minimālu apmācību. Bakalaura darba apjoms ir 54 lappuses, 18 attēli, 13 tabulas un 45 informācijas avoti. |
| Keywords |
DATORREDZE, DZIĻĀ MĀCĪŠANĀS, TENISS, OBJEKTU NOTEIKŠANA, POZU NOVĒRTĒŠANA, SITIENU KLASIFIKĀCIJA |
| Keywords in English |
COMPUTER VISION, DEEP LEARNING, TENNIS, OBJECT DETECTION, POSE ESTIMATION, STROKE CLASSIFICATION |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
25.05.2026 21:32:31 |
