得分、跑动数据、投篮命中率、助攻、失误率……这些数据都可以在比赛直播时作为模块内容呈现给观众。 它们还可以衡量球员的表现，为教练制定和修改有针对性的训练提供重要参考。
机眼
计算机视觉（CV）技术相当于机器的“眼睛”。 算法与传感器的结合使得CV广泛应用于自动驾驶、人脸识别、智能安防等应用。 （详情请参阅《一分钟智慧》第二季计算机视觉部分）
体育分析公司STATS开发了一种体育场运动跟踪系统——。 2013年，STATS开始与NBA合作nba篮球框，利用安装在篮球场上的六摄像头系统，实现每秒25次的球员和篮球实时位置跟踪。 STATS 使用跟踪数据创建基于速度、距离、球员间距和控球权的统计数据。
当然，这家公司并不是唯一一家开发此类技术的公司。 它还提供类似的法庭跟踪系统。 2017年10月，取代STATS成为NBA追踪系统供应商。
与STATS和STATS相比，诺亚开发的NOAH侧重于提高球员的投篮水平。
NOAH提供半场和全场系统，可以测量球员的投篮位置和弧线，并提供即时语音反馈建议。 该系统在篮筐上方 10 英尺处装有摄像头，用于跟踪投篮并测量球接近篮筐时的位置。 通过采集拍摄数据并上传至数据库，目前系统已存储超过1.5亿张拍摄照片数据。
美国人工智能公司NEX Team开发了一款手机应用程序——。 这是一款通过摄像头识别玩家投篮角度和质量来提高玩家投篮技巧的移动应用程序。 该程序可以识别球员、篮筐和三分线的位置，并统计有效进球数。 同时，App可以统计球员的投篮数据nba篮球框，包括腿部角度、跳跃高度、反应时间等肉眼无法量化的数据。 了解这些数据对于提高球员的投篮技术非常有帮助。
演示视频
值得一提的是，NEX Team获得了阿里巴巴创业者基金、退役球员纳什、现NBA球员林书豪、小牛队老板马克·库班等投资，据官网介绍，包括凯尔特人队、76人队、森林狼队等NBA球队正在使用此应用程序来帮助培训。
机器大脑
镜头和传感器为机器获取数据提供了硬件基础。 机器的智能“大脑”，即AI算法，依靠科学家参与设计。 小智介绍了一个相关案例：
多伦多大学的 Kuan-Chieh Wang 和 Zemel 于 2016 年 3 月发表了论文《NBA Plays using》，团队使用改进的循环神经网络（RNN）根据记录的 NBA 2013-14 常规赛数据集进行机器学习。 进行培训。
这次训练的目的是让机器能够识别篮球进攻战术的分类。 球场瞬息万变，机器很难识别球队的进攻战术，比如最常见的挡拆动作。 过去，战术是由球场上的助理教练和观察员根据球场内外的特定手势和信号来解释的，通常是实时的。 机器学习的优势在于视频的实时检测和识别，不仅减轻了教练的工作量，还可以提供更详细的调查报告和统计数据。
如前所述，安装在篮球场上的六摄像头系统可以每秒25次跟踪球员和篮球的实时位置。 王宽杰的团队将球员的位置记录组合成一个序列，形成包含球员“足迹”的单一图像。
红色曲线是篮球运动的轨迹，五名球员用不同颜色的曲线进行标记。 只有红色和蓝色曲线是原始数据。
该任务类似于动作识别任务。 论文提到，排除比赛过程中暂停、犯规、比赛提前结束等特殊情况，只需利用提供的球员的坐标变化就可以识别不同的球员，从而避免更复杂的情况。 CV算法。
循环神经网络架构
在数据处理方面，团队根据多伦多猛龙队提供的标注数据集，筛选出7481个原始数据集，然后排除中场、暂停、暂停和进攻过渡等特殊阶段，最终筛选出1435个有效序列。
该团队保留了 95 个序列作为测试集，其余 1,340 个序列被分为 10 组进行训练和验证。
该团队将本实验中使用的循环神经网络（RNN）的训练与标准神经网络（NN）进行了比较。 结果表明，RNN在各方面的识别精度均高于标准神经网络。
分类性能结果Top-1表示：在每个测试用例中，得分最高的用例的识别准确率。 在最后一列中，可以看到当阈值为7时，RNN准确率达到90%，召回率达到59%，优于NN。
此外，团队还尝试使用迁移学习（图），根据2014-15赛季前三个月的数据来测试效果。 但由于训练集中的数据量较小，“微调”后的模型准确率达到了63.9%。 。
迁移学习实验结果
这里仅举一例。 目前已有不少论文介绍相关研究。 如果有兴趣，可以去MIT斯隆管理学院了解相关内容。
影响
目前机器学习的主要应用是帮助教练团队减少数据统计的工作量，提供更清晰的战术分析。 在顶级比赛中，微弱的优势可能是赢得比赛的关键。 过去，教练团队依靠“硬”统计数据来做出决策。 未来nba篮球框，AI将提供更加准确、高效、灵活的参考数据，甚至可以提前预测玩家的疲劳程度。 教练可以根据人工智能的建议决定何时进行换人。 这些变化有可能影响教练团队（由于机器取代了他们的部分工作，导致团队规模缩小），也可能给未来的比赛形式带来意想不到的变化。
多于。
8.22更新
库里投篮姿势分析
库里曾被球迷评为NBA历史上最好的三分射手。 根据目前的统计，库里的记录包括但不限于：
单赛季投进三分球最多（402场，2015-16赛季）、连续投进三分球最长场次（157场，2014年11月14日-2016年11月5日）、季后赛单赛季投进三分球最多（98场、 2015年）、冠军系列赛中最多三分球（2016年32个）、季后赛加时赛得分最多（17分，2016年5月9日）、最快投进1000个三分球（369场比赛）、最快投进2000个三分球三分球命中数（597场）、MVP得票数最高（131票，全票，2015-16赛季）、冠军赛单场最高三分球得分（9球，2018年）、单场三分球命中数102个冠军赛（2019年春季季后赛）
得益于计算机视觉（）技术的发展，研究人员可以根据视频识别玩家在游戏过程中的不同姿势，例如跑步、行走或跳跃。 2017年3月，加州大学伯克利分校的Panna与STATS的Lucey合作，根据STATS之前赛季的数据，利用机器学习方法分析了NBA球员的投篮命中率和投篮姿势之间的关系。 团队还对库里的三分球姿势进行了案例研究。
根据视频数据，团队可以分5个阶段捕捉球员的身体姿势：
1.运球时
2.急停控球
3. 起飞前
4. 拍摄时
5、落地后的姿势
球队将库里的投篮姿势与其他球员进行了对比，发现库里在投篮时往往有更多“极端”的姿势，投篮命中率也更高。 由于库里在投篮的各个阶段都有更多的动作，这些因素综合起来导致库里有更多的“失去平衡”（off-）的投篮动作。 这些“失去平衡”的投篮与他投篮后单脚着地有关，但无论他是否单脚投篮，库里经常会在球离开手后张开双腿。
本文的主要成果是对球员投篮姿势的各种属性进行量化和分类，提取球员的投篮表现并进行分类，可以为球员的传球质量、射门、步法等方面提供参考。
参考：
Wang KC, Zemel R. NBA 比赛使用 MIT Sloan 的 [C]// 。 2016，/@///index..ai/ P，Lucey P。身体投篮：在 NBA 使用身体姿势[C]//麻省理工学院斯隆管理学院，. 2017年。