近日，一篇題為《following messi with tensorflow and object detection》的教程文章展示了如何通過 tensorflow 訓練定製的目標檢測模型，以專門定位和識別足球巨星梅西；同時作者也希望這一技術有助於催生出足球新戰術，提公升賽事水平。我們之前曾把 tensorflow 與目標檢測模型結合使用，但使用的一直是預先設定的傳統資料集，比如 coco。這次的挑戰將再高一級，我會分析乙個足球比賽的片段，並識別其中至少乙個球員。
注意：我們將會結合使用 tensorflow 與上述目標檢測模型，且均具備 apache license 2.0 許可證。
我們將從最終獲取的結果開始：
比賽中的一段慢動作回放
如果你對此感興趣，我建議你多花點時間一步一步學習該模型的搭建步驟。
它包含三個重要的步驟：
構建有目標可供檢測的定製資料集
通過 tensorflow 訓練和評估該模型
運用該模型
步驟：構建自定義資料集 moment
2. 我們需要想要檢測的物體的影象，並且需要給它們打標籤。
我給大約 100 張梅西的新增了標籤。
4. 記住：完美的環境是構建乙個訓練集和評估集。
訓練／評估自定義模型 moment
5. 上述檔案完成後，我們就可以訓練和評估模型了。
這一步我使用的是機器學習引擎，因為我沒有本地基礎架構可以在 1 小時內執行完整個過程。（官方說明：
5 個工作執行緒使用標準 gpu。
同樣強烈推薦使用 tensorboard 對訓練和評估過程進行視覺化。
記住：直接使用谷歌雲儲存。也就是說，所有檔案必須在這種 repository 型別中，以與訓練引擎完成互動。
tensorboardml 中的 totalloss
機器學習引擎工作示例
6. 使用了 21.77 個單元，經過 1 小時 9 分鐘和 2 萬次迭代之後，我們得到了多個檢查點和乙個可用模型。
7. 我們使用最先進的檢查點，使用訓練好的模型進行推斷。（官方文件：
使用自定義模型 moment
8. 我們將從以下選項中使用該模型：
更多示例資訊，詳見：
這可能只是這項有趣研究的開始……後續也許會涉及到如何改進體育戰術、囊括更多運動員和驗證關聯。現在，我們僅僅使用傳統的電視直播資訊，如果我們使用更清晰或能看到球場全景的攝像頭，又會發生什麼呢？
所有球員的位置都可以得到計算。事實上，我們的實驗證明了用機器學習識別球員非常容易，但是我們能根據球員的位置和他們擅長的技術找到更好的戰術嗎？
我希望你能從中獲得樂趣，希望在未來，我們能夠看到更多體育領域的 tensorflow 實現。
團隊中不能只有梅西呀
這次世界盃，德國戰車的表現可謂神勇，而昨天4 0 阿根挺的一幕，估計令 95 的人目瞪口呆，人們不禁要問，德國為啥能強大到這個地步？在專案管理和軟體工程中，同樣的道理，在乙個強大的開發團隊中，不能只有梅西這樣的 高手，其實要的是更多的綠葉。從專案需求分析，架構設計，編碼，測試，運維，市場售前，售後技...
Ubuntu下如何安裝TensorFlow
本文目錄 利用anaconda安裝tensorflow 總結利用docker安裝tensorflow 安裝過程中的一些小問題記錄 tensorflow tensor 向量 flow 流 張量在網路圖中流動 主要參考 1 tensorflow官網tutorials 2 極客學院對tensorflow官...
進球助攻均為第一 梅西當選上賽季西甲MVP
1月29日電 北京時間29日凌晨，巴薩球星梅西當選西甲2017 18賽季mvp，西甲主席特巴斯在世界體育報晚宴中向梅西頒發了這個獎項。梅西在領獎時表示 這個獎項代表的意義是對於我的一種認可。對此我非常感激。本賽季的聯賽冠軍已經很接近了，我們將繼續努力爭取衛冕。在國王盃0 2落後並不是乙個很好的局面。...