Фудбалот на највисоко ниво одамна е повеќе од талент и тактичка генијалност. Податоци. Статистики. Анализа. Ова се алатките кои се повеќе го освојуваат целиот спорт, па и фудбалот се игра на професионално ниво. Македонските спортски клубови барем засега немаат ниту олку детален статистички пристап, ниту постојат алатки за детална анализа на спортистите, но ова би можело да се промени во иднина. Тоа е барем целта на 21-годишниот Кристијан Кралевски, студент на Brainster Next College. Toj кој ја спои својата страст кон фудбалот со вештините на софтверски инженер за да го создаде „MFL Statistics Tracker“. Неговиот проект користи технологија од областа на машинското учење за да ги анализира фудбалските натпревари, отворајќи нова димензија на разбирање на играта.
Како се роди идејата за проектот „MFL Statistics Tracker“? Дали е тоа спој на твојата страст кон фудбалот и вештините како софтверски инженер?
Идејата за проектот ”‘MFL Statistics Tracker” се роди природно, како спој на мојата страст кон фудбалот и желбата да ги применам вештините што ги стекнувам како софтверски инженер. Од секогаш сум ги гледал фудбалските натпревари подлабоко, не само како навивач, туку и преку статистика, тактики и податоци.
Студирањето и мојот интерес за Machine Learning ми овозможија да најдам начин како технологијата да се искористи за анализа на играта. Така проектот стана комбинација на двете области што најмногу ме привлекуваат во моментов.
Можеш ли да опишеш некои од поинтересните предизвици со кои се соочи во почетната фаза на проектот?
Во почетната фаза најголем предизвик беше недостатокот од квалитетни податоци (dataset) за тренирање на моделите, па морав сам да собирам и означувам дел од нив. Една од поинтересните, но и потешки задачи беше правилно да се разликува голманот и да се означи во точниот тим, бидејќи секогаш носи различна боја од соиграчите. Овие препреки ме натераа да размислувам покреативно и да градaм поцврсти решенија уште од самиот почеток.
Колку време ти беше потребно за да ја развиеш првата верзија (MVP) на апликацијата?
За да ја развијам првата верзија (MVP) на апликацијата ми беа потребни околу 20 дена, во кои напорно работев скоро секојдневно. Фокусот ми беше да ја поставам основната функционалност и да создадам стабилна основа врз која понатаму може да се надградува.
Koj e технолошкиот стак кој го корисеше за развој на „MFL Statistics Tracker“? Кои технологии и програмски јазици ги користиш и зошто ги одбра токму тие?
За развој на ‘MFL Statistics Tracker’ го користев Python како главен програмски јазик, бидејќи нуди одлична поддршка за работа со Machine Learning и Computer Vision. За детекција на играчите и топката користев YOLOv8 модел, а за анализа и обработка на слики ја користев OpenCV библиотеката.
Дополнително, библиотеките NumPy и Pandas ми помогнаа за работа со податоци, а Matplotlib за визуелизации. Ги одбрав овие технологии затоа што веќе бев запознаен со нив, тие се добро документирани и, најважно од сè, имаат голема заедница, што ми овозможи лесно да најдам ресурси и решенија на интернет за предизвиците со кои се соочував.
Во објавата на LinkedIn зборуваш за користење на вештачка интелигенција и компјутерски вид. Можеш ли да објасниш малку повеќе за тоа како системот ги „гледа“ и „анализира“ фудбалските натпревари од видео материјалот?
Системот користи техники од вештачка интелигенција и компјутерски вид за автоматски да го анализира видеото од натпреварите. Прво, преку YOLOv8 моделот се детектираат сите играчи, судијата, голманите и топката во секој frame. Потоа, со OpenCV и дополнителни алгоритми се следи нивното движење низ времето. За да ги разликуваме тимовите, се земаат боите на дресовите и играчите се групираат во две категории. Освен тоа, системот прави пресметки од типот на каде точно се наоѓа топката и дали некој играч е во одреден радиус околу неа, за да може да се одреди кој играч и тим ја има во своја посед. На тој начин, системот не само што гледа, туку и ги анализира движењата и интеракциите на играчите. Дополнително, со зголемување на податоците, моделот сè попрецизно ги препознава и судиите, бидејќи нивната униформа е различна од онаа на играчите.
Зошто е важно да се има сопствен, подобар податочен сет (dataset)?
Имањето сопствен датасет е од огромно значење затоа што директно влијае на точноста на моделот. Натпреварите од македонската лига се снимаат од различни агли – некаде се гледа целиот терен, а некаде помалку од половина. Кога ќе се изгради податочен сет што ги опфаќа овие услови, моделот ќе може многу полесно и попрецизно да ги препознава играчите, топката, судиите и нивните движења. Тоа би значело пореални резултати и поголема применливост на системот во иднина.
Освен статистиката за посед на топка, кои дополнителни функции (features) сакаш да ги додадеш во иднина?
Кога ќе го усовршам сегашниот систем за посед на топка, следни функции на кои би работел се: број на додавања според тимови, heatmaps за позиционирање и движење на играчите низ целиот натпревар, број на упатени удари кон голот според тимови, како и податоци за претрчани километри и најголема достигната брзина на секој играч. Сметам дека овие метрики би овозможиле подетална анализа на натпреварите.
Како овој проект може да помогне на македонските фудбалери, фудбалски клубови и тренери? Колку се значајни овие информации за нив?
Проектот може да им помогне на македонските фудбалери, клубови и тренери со тоа што ќе им обезбеди статистики и анализи до кои моментално тешко се доаѓа. Преку податоци за посед, додавања, удари кон гол и претрчани километри, тренерите можат полесно да ги согледаат силните и слабите страни на својот тим, на противниците и на секој играч поединечно. Фудбалерите пак добиваат јасна слика за својот напредок и можат да работат на конкретни сегменти од играта. Овие информации се многу значајни бидејќи носат професионален пристап во подготовките и ја зголемуваат конкурентноста и квалитетот на македонскиот фудбал.
Дали размислуваш за соработка со некој од клубовите или со Фудбалската федерација на Македонија (ФФМ) за понатамошен развој на проектот?
Да, размислувам за идна соработка со клубови или со Фудбалската федерација на Македонија, затоа што верувам дека ваков систем може значително да им помогне со анализа и подобрување на играта. Сепак, мојот прв приоритет во моментов е проектот да го усовршам и да изгледа стабилно и корисно, па дури потоа би сакал да го презентирам на соодветни институции. Сметам дека таквата соработка би донела голема корист за македонскиот фудбал.
Стани премиум член и доби пристап до сите содржини, специјален попуст на над 2.200 производи во ИТ маркет, верификуван профил и можност за огласување на ИТ Огласник. Плус ќе го поддржиш медиумот кој го градиме цели 16 години!
Доколку веќе имаш премиум членство, најави се тука.
Интересно. Во интервјуто фали информација за тоа кој дел од решениево е изработено од Кристијан. Веќе постојат пре-тренирани модели коишто прават детекција и сегментација на играчи, а постои и, малтене идентично, решение коешто прави визуелизација и калкулира различни статистики.
Судејќи по сликите и сорс кодот на Кристијан, ова репо содржи скоро идентичен код со даденото решение: https://github.com/abdullahtarek/football_analysis
Ја видов објавава и на Linkedin, но не се вклучив во дискусија за да не допринесам кон негативен фидбек, но на ИТ форум може да продискутираме. Требало да даде признание на решението кое го има користено за имплементација.