基于 YOLOv8 目标检测与 DeepSeek AI 大模型的足球视频智能分析平台
GoalScope 是一套面向足球训练场景的 AI 视频分析系统，支持对比赛/训练录像进行全自动的球员追踪、队伍识别、能力评估和精彩片段提取。系统采用前后端分离架构，提供可视化 Web 界面，无需专业技术背景即可操作。
| 功能模块 | 说明 |
|---|---|
| 视频上传与分析 | 拖拽或点击上传足球视频，YOLOv8 自动检测场内球员，输出标注视频 |
| 队伍自动识别 | 基于 HSV 颜色聚类，自动区分主客队，用不同颜色边框标注 |
| 球员能力画像 | 生成防守/射门/传球/速度/体能五维雷达图及 AI 评估报告 |
| 球衣号码识别 | YOLOv8 Pose 姿态估计精确定位躯干区域，EasyOCR 多策略识别球衣背号 |
| 精彩片段生成 | Farneback 光流分析 + 人群密度检测，自动剪辑比赛精彩时刻 |
| AI 智能助手 | 接入 DeepSeek 大模型，支持自然语言问答球员技战术数据 |
| 历史记录管理 | 查看历史分析记录，支持搜索/排序/下载 |
| 管理后台 | 管理员专属后台，支持用户管理、数据清理、系统监控 |
- Python 3.10+
- FastAPI 0.104 — 高性能异步 Web 框架
- SQLAlchemy 2.0 + SQLite — 数据库 ORM
- YOLOv8n (ultralytics) — 实时目标检测与追踪
- YOLOv8n-Pose (ultralytics) — 姿态估计，用于精确定位球员躯干关键点
- OpenCV 4.8 — 视频处理与图像分析（光流、颜色聚类、号码裁剪）
- imageio-ffmpeg — 视频编解码（内置 ffmpeg，无需单独安装）
- EasyOCR — 球衣背号 OCR 识别（多策略 + 多阈值）
- DeepSeek API (OpenAI 兼容) — AI 智能对话
- HTML5 / CSS3 / JavaScript — 零框架依赖
- Chart.js 3.9 — 雷达图/数据可视化
- Font Awesome 6.1 — 图标库
| 组件 | 最低版本 | 推荐版本 |
|---|---|---|
| Python | 3.9 | 3.10 / 3.11 |
| pip | 21.0+ | 最新版 |
| 内存 | 4 GB | 8 GB+ |
| 磁盘 | 3 GB 可用空间 | 6 GB+（含两个模型文件） |
| 操作系统 | Windows 10 / macOS 12 / Ubuntu 20.04 | Windows 11 |
| 浏览器 | Chrome 90+ / Edge 90+ | Chrome 最新版 |
注意：无需单独安装 ffmpeg，系统通过
imageio-ffmpeg自动获取内置版本。
打开命令提示符（cmd）或 PowerShell，进入项目根目录：
cd backend
pip install -r requirements.txt首次安装约需 5～15 分钟（包含 PyTorch、YOLOv8、EasyOCR 等大型库）。 如网络较慢，可使用国内镜像：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
将项目根目录的 .env.example 复制为 .env，并填写所需配置：
copy .env.example .env主要配置项说明：
| 配置项 | 说明 | 默认值 |
|---|---|---|
DEEPSEEK_API_KEY |
DeepSeek API 密钥（AI 功能必填） | 演示模式 |
HOST |
服务监听地址 | 127.0.0.1 |
PORT |
服务端口 | 9999 |
MAX_CONCURRENT_REQUESTS |
AI 最大并发请求数 | 100 |
CACHE_MAX_SIZE |
AI 缓存容量 | 500 |
方式一：双击项目根目录的 START.bat（Windows）
方式二：命令行启动
cd backend
python main.py服务启动成功后，控制台将显示：
Application Started Successfully
系统会自动跳转至登录页面。
系统提供三种登录方式：
| 方式 | 账号 | 密码 | 权限 |
|---|---|---|---|
| 管理员账号 | admin |
123456(Admin@2024(后台登录)) |
全功能 + 管理后台 |
| 普通用户 | user |
123456 |
全功能 |
| 游客体验 | 点击"游客体验"按钮 | 无需密码 | 全功能（演示模式） |
演示建议：推荐使用"游客体验"或
admin/123456快速进入。
- 登录后进入主页面
- 将足球视频文件拖入上传区域（支持 mp4/avi/mov 格式，建议视频时长 15 分钟以内）
- 系统自动启动分析，进度条实时更新
- 分析完成后（约 5 ~ 10 分钟）自动显示：
- 标注视频：不同队伍球员用不同颜色边框标注（主队橙色/客队红色）
- 球员能力雷达图：防守/射门/传球/速度/体能五维可视化
- AI 评估报告：针对每名球员的技战术分析
- 球衣号码：基于姿态估计精确裁剪躯干，EasyOCR 多策略识别
- 在上传界面勾选"生成精彩视频"选项
- 系统使用 Farneback 光流算法自动检测运动强度高的精彩时刻，约 15 分钟生成完毕
- 生成后可在线预览或下载
- 点击右上角"AI 智能助手"进入对话界面
- 选择已分析的视频，直接以自然语言提问，例如：
- "分析最近上传视频中球员的防守能力"
- "哪名球员最适合担任前锋？"
- "综合分析本场比赛两队整体表现"
- 支持 6 个预设问题快速发送
- 若已配置
DEEPSEEK_API_KEY，将使用真实大模型；否则为演示模式
- 点击右下角悬浮按钮（时钟图标）展开历史面板
- 支持按时间排序、关键词搜索
- 可查看历史分析报告和下载精彩视频
- 使用
admin/123456登录后访问管理后台 - 支持用户管理、视频记录查看、系统数据清理
AI 智能助手默认为演示模式，若需接入真实 DeepSeek 大模型：
- 在 DeepSeek 开放平台 申请 API Key
- 在
.env文件中配置：
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxx或通过环境变量临时设置：
Windows CMD：
set DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxx
cd backend
python main.pyWindows PowerShell：
$env:DEEPSEEK_API_KEY="sk-xxxxxxxxxxxxxxxx"
cd backend
python main.pyGoalScope/
├── frontend/ # 前端页面
│ ├── index.html # 主页面（视频上传与分析）
│ ├── login.html # 用户登录页
│ ├── ai-chat.html # AI 智能助手
│ ├── admin.html # 管理后台
│ ├── admin-login.html # 管理员登录
│ ├── app.js # 主应用逻辑（视频上传/分析/可视化）
│ ├── highlight.js # 精彩视频功能
│ ├── logo-football.svg # 项目 Logo
│ └── style.css # 全局样式
│
├── backend/ # 后端服务
│ ├── main.py # FastAPI 主服务（入口）
│ ├── analysis.py # 视频分析引擎（YOLO + 姿态估计 + 标注）
│ ├── highlight_generator.py # 精彩视频生成器（光流分析）
│ ├── jersey_number_recognition.py # 球衣号码识别（EasyOCR 多策略）
│ ├── ai_agent.py # DeepSeek AI 代理
│ ├── database.py # 数据库模型（SQLAlchemy）
│ ├── auto_cleaner.py # 自动清理过期任务
│ ├── create_demo_data.py # 演示数据生成
│ ├── convert_videos.py # 视频格式转换工具
│ ├── patch_ultralytics.py # PyTorch 兼容性补丁
│ ├── start_server.py # 带编码修复的启动脚本
│ ├── requirements.txt # Python 依赖清单
│ ├── yolov8n.pt # YOLOv8n 目标检测预训练模型
│ ├── yolov8n-pose.pt # YOLOv8n-Pose 姿态估计预训练模型
│ ├── football_demo.db # SQLite 数据库
│ ├── Dockerfile # Docker 容器化配置
│ ├── start.sh # Linux/macOS 启动脚本
│ └── uploads/ # 视频上传目录
│ └── exports/ # 标注视频导出目录
│
├── uploads/ # 根目录上传缓存
├── START.bat # Windows 一键启动脚本
├── init.sql # 数据库初始化 SQL
├── football_demo.db # SQLite 数据库（根目录副本）
├── .env.example # 环境变量配置示例
└── README.md # 本文件
Q: 启动时提示 "ModuleNotFoundError"
pip install -r backend/requirements.txtQ: 分析进度卡在某个百分比不动
等待 2 分钟后若仍无响应，刷新页面重新上传。首次运行 YOLOv8 时需下载模型权重，可能较慢。
Q: 标注视频生成后无法播放
系统已内置 ffmpeg 自动转码为 H.264 格式，若仍无法播放，请更换 Chrome/Edge 浏览器。
Q: AI 助手无响应
未配置 DEEPSEEK_API_KEY 时，AI 助手工作在演示模式，仅返回预设回答。配置后即可使用完整功能。
Q: 提示 "YOLO 模型加载失败"
确认 backend/yolov8n.pt 和 backend/yolov8n-pose.pt 文件存在，且 ultralytics 已正确安装：
pip install ultralyticsQ: 球衣号码识别为空或不准确
号码识别依赖视频分辨率与拍摄角度。低分辨率或背部遮挡时识别率会下降，属正常现象。系统已集成多策略 OCR（5 种阈值处理 + 姿态关键点精确裁剪）以提升准确率。
- 版本：v2.0.0
- 服务端口：9999
- 数据库：SQLite（
backend/football_demo.db） - 检测模型：YOLOv8n（轻量版，适合 CPU 推理）
- 姿态模型：YOLOv8n-Pose（轻量版）
- 作者：韩欣涛 · 汤宇飞 · 彭勃元