[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-chonyy--AI-basketball-analysis":3,"tool-chonyy--AI-basketball-analysis":61},[4,18,26,36,44,52],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",141543,2,"2026-04-06T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":107,"forks":108,"last_commit_at":109,"license":110,"difficulty_score":111,"env_os":112,"env_gpu":113,"env_ram":112,"env_deps":114,"category_tags":121,"github_topics":123,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":136,"updated_at":137,"faqs":138,"releases":168},4392,"chonyy\u002FAI-basketball-analysis","AI-basketball-analysis",":basketball::robot::basketball: AI web app and API to analyze basketball shots and shooting pose.","AI-basketball-analysis 是一款基于人工智能的开源工具，专为篮球投篮动作与姿态分析而设计。它通过上传篮球视频或调用 API 接口，利用机器学习技术自动识别球员动作、评估投篮准确度并生成详细的姿态数据报告，帮助使用者量化分析投篮表现。\n\n该工具主要解决了传统篮球训练中依赖人工观察、缺乏客观数据支撑的痛点。通过自动化分析，它能精准捕捉人体关键骨骼点，将复杂的肢体动作转化为可视化的数据指标，让教练和球员能更科学地纠正动作细节，提升训练效率。\n\n这款工具非常适合体育科研人员、篮球教练、数据分析师以及对计算机视觉感兴趣的开发者使用。对于普通篮球爱好者，若具备一定的技术基础，也可借助 Google Colab 等云端环境体验其功能，无需本地配置昂贵的显卡资源。\n\n其核心技术亮点在于集成了著名的 OpenPose 框架进行人体姿态估计，能够实时计算身体关键点坐标。项目同时提供了便捷的 Web 应用界面和 API 服务，兼顾了交互体验与集成灵活性。需要注意的是，由于授权限制，该项目目前仅限于非商业研究用途，是探索 AI 如何赋能体育科学的优秀实践案例。","# AI Basketball Analysis\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_d41cb5a2493a.gif\" width=\"960\" height=\"300\">\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Ca target=\"_blank\" href=\"https:\u002F\u002Ftravis-ci.com\u002Fchonyy\u002FAI-basketball-analysis\" title=\"Build Status\">\u003Cimg src=\"https:\u002F\u002Ftravis-ci.com\u002Fchonyy\u002FAI-basketball-analysis.svg?branch=master\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"#\" title=\"language count\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Fcount\u002Fchonyy\u002FAI-basketball-analysis\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"#\" title=\"top language\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Ftop\u002Fchonyy\u002FAI-basketball-analysis?color=orange\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fpipenv\u002Flocked\u002Fpython-version\u002Fchonyy\u002Fdaily-nba\" title=\"Python version\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fpipenv\u002Flocked\u002Fpython-version\u002Fchonyy\u002Fdaily-nba?color=green\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT\" title=\"License: MIT\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue.svg\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"#\" title=\"repo size\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002Fchonyy\u002FAI-basketball-analysis\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"http:\u002F\u002Fmakeapullrequest.com\" title=\"PRs Welcome\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPRs-welcome-brightgreen.svg\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n> 🏀 **Analyze basketball shots and shooting pose with machine learning!**\n\n_This is an AI-powered application focused on **object detection** to analyze basketball shots. The app allows users to upload basketball videos for analysis or submit **POST requests** to an API. Results include detailed shot and pose analysis based on object detection data. The project utilizes **OpenPose** to compute body keypoints and other metrics._\n\n---\n\n## 📖 _Project Overview_\n\n_AI Basketball Analysis leverages artificial intelligence to break down basketball shots by detecting player movements, shot accuracy, and pose data. It uses the popular [OpenPose](https:\u002F\u002Fgithub.com\u002FCMU-Perceptual-Computing-Lab\u002Fopenpose) framework for human pose estimation. Whether you're a developer or sports analyst, this project helps explore how AI can automate and enhance basketball analysis._\n\n> **Important**: _This project is for **noncommercial research use only**, as it uses OpenPose's license. Please review the [LICENSE](https:\u002F\u002Fgithub.com\u002Fchonyy\u002FAI-basketball-analysis\u002Fblob\u002Fmaster\u002FLICENSE) for details._\n\n_If you're new to human pose estimation, check out this [summary article](https:\u002F\u002Ftowardsdatascience.com\u002Fopenpose-research-paper-summary-realtime-multi-person-2d-pose-estimation-3563a4d7e66) that breaks down OpenPose's key concepts._\n\n---\n\n## 🚀 _Getting Started_\n\n### 1. **Clone the Repository**\n_To get a copy of the project, run the following command:_\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fchonyy\u002FAI-basketball-analysis.git\n```\n\n### 2. **Install Dependencies**\n_Before running the project, ensure all necessary dependencies are installed by running:_\n```bash\npip install -r requirements.txt\n```\n\n> **Note**: _This project requires a **GPU with CUDA support** to run OpenPose efficiently, especially for video analysis._\n\n### 3. **Run the Application**\n_Once everything is set up, you can host the project locally with a simple command:_\n```bash\npython app.py\n```\n\n_This will launch the application locally, where you can upload basketball videos or images for analysis._\n\n### _Hosting Options_\n_If you'd prefer not to run the project locally, you can try these alternatives:_\n\n#### **Google Colab** _(No GPU required!)_\n_Thanks to [hardik0](https:\u002F\u002Fgithub.com\u002Fhardik0\u002FAI-basketball-analysis-on-google-colab), you can experiment with the AI Basketball Analysis in **Google Colab** without needing your own GPU:_\n[![Google Colab Badge](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fhardik0\u002FAI-basketball-analysis-on-google-colab\u002Fblob\u002Fmaster\u002FAI_basketball_analysis_google_colab.ipynb)\n\n#### **Heroku Hosting**\n_This project is also available on [Heroku](https:\u002F\u002Fai-basketball-analysis.herokuapp.com\u002F), though note that heavy computations like TensorFlow may cause timeout errors on Heroku due to limited resources. For best performance, it's recommended to run the app locally._\n\n---\n\n## 🛠️ _Project Structure_\n\n_Here’s a breakdown of the key components of the project:_\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_4a3282352564.png\">\n\u003C\u002Fp>\n\n- **app.py**: _Main file to run the web application._\n- **\u002Fstatic**: _Contains all static assets like images, CSS, and JavaScript._\n- **\u002Fmodels**: _Directory containing pre-trained models for object detection._\n- **\u002Fscripts**: _Utility scripts for data processing and model training._\n\n---\n\n## 🔍 _Features_\n\n### 1. **Shot and Pose Analysis**\n\n#### **Shot Counting**\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_2f03f09e37ce.png\">\n\u003C\u002Fp>\n\nAnalyze basketball shots from the input video, determining successful and missed shots. Keypoints in different colors represent:\n\n- **Blue**: _Detected basketball in normal status_\n- **Purple**: _Undetermined shot_\n- **Green**: _Successful shot_\n- **Red**: _Missed shot_\n\n#### **Pose Analysis**\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_462b6f57154c.gif\" width=\"800\" height=\"450\">\n\u003C\u002Fp>\n\nUsing [OpenPose](https:\u002F\u002Fgithub.com\u002FCMU-Perceptual-Computing-Lab\u002Fopenpose), the project analyzes the player's elbow and knee angles during a shot, helping determine release angles and times.\n\n### 2. **Shot Detection**\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_fafc7e988811.png\">\n\u003C\u002Fp>\n\nThis feature visualizes shot detection, showing confidence levels and coordinates for each detection.\n\n### 3. **Detection API**\n\n_The project includes a REST API for detection, allowing you to submit images via a **POST** request and receive a JSON response with detected keypoints and other data._\n\n```bash\nPOST \u002Fdetection_json\n```\n- **KEY**: _image_\n- **VALUE**: _Input image_\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_b046336b05ce.png\" width=\"861.6\" height=\"649.6\">\n\u003C\u002Fp>\n\n### 4. **Detection Model**\n_The model is based on the **Faster R-CNN** architecture, trained on the **COCO dataset**. For more details, refer to the [TensorFlow Model Zoo](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Fblob\u002Fmaster\u002Fresearch\u002Fobject_detection\u002Fg3doc\u002Fdetection_model_zoo.md#coco-trained-models)._\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_7ea729296945.png\" width=\"558\" height=\"560.5\">\n\u003C\u002Fp>\n\n---\n\n## 🔧 _Future Plans_\n\n- [ ] _Transition the model to YOLOv4 for better performance._\n- [ ] _Implement SORT tracking algorithm to filter false detections._\n- [ ] _Improve visualization features for clearer results._\n- [ ] _Optimize efficiency for better web app integration._\n\n---\n\n## 🤝 _Contributing_\n\n_We welcome contributions from the community! Here’s how you can get involved:_\n1. _**Fork the repository**_\n2. _**Create a branch**: `git checkout -b feature\u002Fyour-feature-name`_\n3. _**Commit your changes**: `git commit -m 'Add some feature'`_\n4. _**Push to the branch**: `git push origin feature\u002Fyour-feature-name`_\n5. _**Open a Pull Request**_\n\nFor more information on contributing, visit [Make A Pull Request](http:\u002F\u002Fmakeapullrequest.com).\n","# AI篮球分析\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_d41cb5a2493a.gif\" width=\"960\" height=\"300\">\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Ca target=\"_blank\" href=\"https:\u002F\u002Ftravis-ci.com\u002Fchonyy\u002FAI-basketball-analysis\" title=\"构建状态\">\u003Cimg src=\"https:\u002F\u002Ftravis-ci.com\u002Fchonyy\u002FAI-basketball-analysis.svg?branch=master\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"#\" title=\"语言数量\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Fcount\u002Fchonyy\u002FAI-basketball-analysis\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"#\" title=\"主要语言\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Ftop\u002Fchonyy\u002FAI-basketball-analysis?color=orange\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fpipenv\u002Flocked\u002Fpython-version\u002Fchonyy\u002Fdaily-nba\" title=\"Python版本\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fpipenv\u002Flocked\u002Fpython-version\u002Fchonyy\u002Fdaily-nba?color=green\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT\" title=\"许可证：MIT\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue.svg\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"#\" title=\"仓库大小\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002Fchonyy\u002FAI-basketball-analysis\">\u003C\u002Fa>\n    \u003Ca target=\"_blank\" href=\"http:\u002F\u002Fmakeapullrequest.com\" title=\"欢迎PR\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPRs-welcome-brightgreen.svg\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n> 🏀 **用机器学习分析篮球投篮和投篮姿势！**\n\n_这是一个基于人工智能的应用程序，专注于通过**目标检测**来分析篮球投篮。该应用允许用户上传篮球视频进行分析，或向API发送**POST请求**。结果包括基于目标检测数据的详细投篮和姿势分析。该项目利用**OpenPose**计算人体关键点及其他指标。_\n\n---\n\n## 📖 _项目概述_\n\n_AI篮球分析借助人工智能技术，通过检测球员动作、投篮准确性和姿势数据来分解篮球投篮。它使用流行的[OpenPose](https:\u002F\u002Fgithub.com\u002FCMU-Perceptual-Computing-Lab\u002Fopenpose)框架进行人体姿态估计。无论您是开发者还是体育分析师，这个项目都能帮助探索如何利用AI自动化并提升篮球分析水平。_\n\n> **重要提示**：_本项目仅用于**非商业研究用途**，因为它使用了OpenPose的许可协议。请查看[LICENSE](https:\u002F\u002Fgithub.com\u002Fchonyy\u002FAI-basketball-analysis\u002Fblob\u002Fmaster\u002FLICENSE)以获取详细信息。_\n\n_如果您对人体姿态估计还不熟悉，请参阅这篇[总结文章](https:\u002F\u002Ftowardsdatascience.com\u002Fopenpose-research-paper-summary-realtime-multi-person-2d-pose-estimation-3563a4d7e66)，其中详细介绍了OpenPose的核心概念。_\n\n---\n\n## 🚀 _快速入门_\n\n### 1. **克隆仓库**\n_要获取该项目的副本，请运行以下命令：_\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fchonyy\u002FAI-basketball-analysis.git\n```\n\n### 2. **安装依赖**\n_在运行项目之前，请确保已安装所有必要的依赖项：_\n```bash\npip install -r requirements.txt\n```\n\n> **注意**：_该项目需要一台**支持CUDA的GPU**才能高效运行OpenPose，尤其是在进行视频分析时。_\n\n### 3. **运行应用程序**\n_一切设置完成后，您可以通过一条简单的命令在本地托管该项目：_\n```bash\npython app.py\n```\n\n_这将在本地启动应用程序，您可以上传篮球视频或图片进行分析。_\n\n### _托管选项_\n_如果您不想在本地运行该项目，可以尝试以下替代方案：_\n\n#### **Google Colab** _(无需GPU！)_\n_感谢[hardik0](https:\u002F\u002Fgithub.com\u002Fhardik0\u002FAI-basketball-analysis-on-google-colab)，您可以在**Google Colab**中体验AI篮球分析，而无需自己的GPU：_\n[![Google Colab徽章](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fhardik0\u002FAI-basketball-analysis-on-google-colab\u002Fblob\u002Fmaster\u002FAI_basketball_analysis_google_colab.ipynb)\n\n#### **Heroku托管**\n_该项目也在[Heroku](https:\u002F\u002Fai-basketball-analysis.herokuapp.com\u002F)上可用，但请注意，由于资源有限，像TensorFlow这样的重型计算可能会导致Heroku上的超时错误。为了获得最佳性能，建议在本地运行该应用。_\n\n---\n\n## 🛠️ _项目结构_\n\n_以下是项目的关键组件分解：_\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_4a3282352564.png\">\n\u003C\u002Fp>\n\n- **app.py**：_运行Web应用程序的主文件。_\n- **\u002Fstatic**：_包含所有静态资源，如图片、CSS和JavaScript。_\n- **\u002Fmodels**：_存放预训练的目标检测模型的目录。_\n- **\u002Fscripts**：_用于数据处理和模型训练的实用脚本。_\n\n---\n\n## 🔍 _功能_\n\n### 1. **投篮与姿势分析**\n\n#### **投篮计数**\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_2f03f09e37ce.png\">\n\u003C\u002Fp>\n\n从输入视频中分析篮球投篮，判断成功与失误。不同颜色的关键点代表：\n\n- **蓝色**：_检测到正常状态下的篮球_\n- **紫色**：_未确定的投篮_\n- **绿色**：_成功的投篮_\n- **红色**：_未命中的投篮_\n\n#### **姿势分析**\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_462b6f57154c.gif\" width=\"800\" height=\"450\">\n\u003C\u002Fp>\n\n利用[OpenPose](https:\u002F\u002Fgithub.com\u002FCMU-Perceptual-Computing-Lab\u002Fopenpose)，该项目分析球员投篮时的肘部和膝盖角度，帮助确定出手角度和时间。\n\n### 2. **投篮检测**\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_fafc7e988811.png\">\n\u003C\u002Fp>\n\n此功能可视化投篮检测结果，显示每个检测的置信度和坐标。\n\n### 3. **检测API**\n\n_该项目包含一个REST API用于检测，允许您通过**POST**请求提交图像，并接收包含检测到的关键点和其他数据的JSON响应。_\n\n```bash\nPOST \u002Fdetection_json\n```\n- **KEY**：_image_\n- **VALUE**：_输入图像_\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_b046336b05ce.png\" width=\"861.6\" height=\"649.6\">\n\u003C\u002Fp>\n\n### 4. **检测模型**\n_该模型基于**Faster R-CNN**架构，使用**COCO数据集**进行训练。更多详情请参阅[TensorFlow Model Zoo](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Fblob\u002Fmaster\u002Fresearch\u002Fobject_detection\u002Fg3doc\u002Fdetection_model_zoo.md#coco-trained-models)。_\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_readme_7ea729296945.png\" width=\"558\" height=\"560.5\">\n\u003C\u002Fp>\n\n---\n\n## 🔧 _未来计划_\n\n- [ ] _将模型迁移到YOLOv4以提高性能。_\n- [ ] _实现SORT跟踪算法以过滤误检。_\n- [ ] _改进可视化功能，使结果更清晰。_\n- [ ] _优化效率，以便更好地集成到Web应用中。_\n\n---\n\n## 🤝 _贡献_\n\n_我们欢迎社区的贡献！以下是您可以参与的方式：_\n1. _**Fork 仓库**_\n2. _**创建分支**：`git checkout -b feature\u002Fyour-feature-name`_\n3. _**提交更改**：`git commit -m '添加某个功能'`_\n4. _**推送到分支**：`git push origin feature\u002Fyour-feature-name`_\n5. _**打开 Pull Request**_\n\n如需了解更多贡献信息，请访问 [Make A Pull Request](http:\u002F\u002Fmakeapullrequest.com)。","# AI Basketball Analysis 快速上手指南\n\n🏀 **AI 篮球分析**是一个基于机器学习的开源项目，专注于利用目标检测和人体姿态估计技术来分析篮球投篮动作。该项目使用 **OpenPose** 计算身体关键点，并结合 **Faster R-CNN** 模型识别篮球轨迹与投篮结果（命中\u002F未命中）。\n\n> ⚠️ **注意**：由于使用了 OpenPose，本项目仅限**非商业研究用途**。\n\n---\n\n## 🛠️ 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n### 系统要求\n- **操作系统**：Linux (推荐), macOS, Windows\n- **GPU**：强烈建议配备支持 **CUDA** 的 NVIDIA GPU（用于加速 OpenPose 和视频分析）。若无 GPU，可使用 Google Colab 运行。\n- **Python 版本**：Python 3.6+\n\n### 前置依赖\n- Git\n- pip (Python 包管理工具)\n- CUDA Toolkit & cuDNN (若使用本地 GPU)\n\n---\n\n## 📥 安装步骤\n\n### 1. 克隆项目仓库\n将代码下载到本地：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fchonyy\u002FAI-basketball-analysis.git\ncd AI-basketball-analysis\n```\n\n### 2. 安装依赖库\n安装项目所需的 Python 依赖包：\n```bash\npip install -r requirements.txt\n```\n> 💡 **国内加速建议**：如果下载速度慢，建议使用清华或阿里镜像源：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 3. 模型准备\n项目依赖预训练的 **Faster R-CNN** (COCO 数据集) 和 **OpenPose** 模型。首次运行时，脚本可能会自动下载模型，请确保网络连接通畅。如需手动配置，请参考 `\u002Fmodels` 目录下的说明。\n\n---\n\n## 🚀 基本使用\n\n### 方式一：本地运行 Web 应用\n这是最简单的使用方式，启动后可通过浏览器上传视频或图片进行分析。\n\n1. 启动应用：\n   ```bash\n   python app.py\n   ```\n2. 打开浏览器访问 `http:\u002F\u002F127.0.0.1:5000` (默认端口)。\n3. 上传篮球比赛视频或截图，系统将自动分析：\n   - **投篮计数**：区分命中（绿色）、未命中（红色）及不确定（紫色）的投篮。\n   - **姿态分析**：展示球员肘部和膝盖角度等关键数据。\n\n### 方式二：无需本地 GPU (Google Colab)\n如果您没有配备 CUDA 的显卡，可以直接在 Google Colab 中运行：\n\n[![在 Google Colab 中运行](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fhardik0\u002FAI-basketball-analysis-on-google-colab\u002Fblob\u002Fmaster\u002FAI_basketball_analysis_google_colab.ipynb)\n\n### 方式三：调用 API\n项目提供 REST API 接口，可通过 POST 请求提交图片并获取 JSON 格式的分析结果。\n\n**请求示例：**\n```bash\nPOST \u002Fdetection_json\nContent-Type: multipart\u002Fform-data\n\nKEY: image\nVALUE: \u003C上传的图片文件>\n```\n\n返回数据将包含检测到的关键点坐标、置信度及投篮状态。\n\n---\n\n## 📊 核心功能概览\n\n- **投篮检测**：基于 Faster R-CNN 识别篮球位置，可视化显示检测框与置信度。\n- **姿态估计**：利用 OpenPose 提取球员骨骼关键点，分析投篮姿势。\n- **结果可视化**：不同颜色标记篮球状态（蓝：正常飞行，绿：命中，红：打铁）。\n\n现在您可以开始探索 AI 如何赋能篮球数据分析了！","某高中篮球校队教练希望利用比赛录像，为每位首发球员制定个性化的投篮动作矫正方案。\n\n### 没有 AI-basketball-analysis 时\n- 教练需逐帧回放视频，肉眼观察球员的手肘角度、膝盖弯曲度等细节，耗时极长且容易疲劳出错。\n- 缺乏量化数据支持，只能凭经验给出“手再抬高一点”等模糊建议，球员难以理解具体调整幅度。\n- 无法批量处理多场比赛录像，导致分析周期长达数周，往往错过最佳训练调整窗口期。\n- 依赖专业动作捕捉设备成本高昂，学校预算无法承担，导致技术分析长期停留在表面。\n\n### 使用 AI-basketball-analysis 后\n- 上传比赛视频后，工具基于 OpenPose 自动识别并标记全身关键骨骼点，秒级生成动作拆解图。\n- 系统输出具体的关节角度数据和投篮轨迹分析，教练可依据精确数值指导球员调整手肘至特定度数。\n- 支持批量上传整个赛季的录像文件，一夜之间即可完成全队所有球员的动作评估报告。\n- 无需购买昂贵硬件，仅需普通电脑或借助 Google Colab 云端算力，即可享受专业级姿态估计服务。\n\nAI-basketball-analysis 将原本依赖主观经验的投篮指导，转变为数据驱动的精准科学训练，大幅降低了专业运动分析的门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchonyy_AI-basketball-analysis_2f03f09e.png","chonyy","Tony Chou","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fchonyy_34cee338.jpg","💻 Backend Engineer | @amundsen-io Contributor","Software Engineer @AWS","Seattle","tcheon8788@gmail.com",null,"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fchonyy\u002F","https:\u002F\u002Fgithub.com\u002Fchonyy",[83,87,91,95,99,103],{"name":84,"color":85,"percentage":86},"Python","#3572A5",51.4,{"name":88,"color":89,"percentage":90},"HTML","#e34c26",29.3,{"name":92,"color":93,"percentage":94},"CSS","#663399",13.4,{"name":96,"color":97,"percentage":98},"Batchfile","#C1F12E",3.1,{"name":100,"color":101,"percentage":102},"Shell","#89e051",2.6,{"name":104,"color":105,"percentage":106},"Procfile","#3B2F63",0.1,1233,222,"2026-04-05T08:22:34","NOASSERTION",4,"未说明","必需（用于高效运行 OpenPose 及视频分析），具体型号、显存大小及 CUDA 版本未说明",{"notes":115,"python":116,"dependencies":117},"1. 本项目仅限非商业研究使用（受 OpenPose 许可证限制）。2. 本地运行强烈建议配备支持 CUDA 的 GPU。3. 若无本地 GPU，可使用提供的 Google Colab 版本。4. 在 Heroku 等受限资源平台上运行可能因计算量大（如 TensorFlow 任务）而超时。5. 目标检测模型基于 COCO 数据集训练的 Faster R-CNN 架构。","未说明（徽章链接指向另一个项目 daily-nba，当前项目未明确指定）",[118,119,120],"OpenPose","TensorFlow (Faster R-CNN)","requirements.txt 中列出的其他依赖",[14,15,122,16],"插件",[124,125,126,127,128,129,130,131,132,133,134,135],"basketball","machine-learning","tensorflow","api","computer-vision","object-detection","artificial-intelligence","openpose","deep-learning","pose-estimation","yolo","yolov4","2026-03-27T02:49:30.150509","2026-04-06T21:12:42.646853",[139,144,149,153,158,163],{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},19977,"在哪里可以找到用于测试的示例视频？","可以在项目的 upload 目录中找到一些示例视频供测试和使用。","https:\u002F\u002Fgithub.com\u002Fchonyy\u002FAI-basketball-analysis\u002Fissues\u002F7",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},19972,"你们会公开用于检测的数据集吗？如果没有，如何自己构建类似的数据集？","作者目前未直接公开数据集。构建方法非常简单：使用手机在球场上拍摄约 500 张照片，然后手动对所有照片进行标注即可。","https:\u002F\u002Fgithub.com\u002Fchonyy\u002FAI-basketball-analysis\u002Fissues\u002F8",{"id":150,"question_zh":151,"answer_zh":152,"source_url":143},19973,"在 Windows 10 64 位系统上运行时报错 'ModuleNotFoundError: No module named OpenPose.Release.pyopenpose' 或提示找不到 OpenPose 库怎么办？","这通常是因为仓库中丢失了部分文件。维护者已将这些文件补回，请重新克隆（clone）最新的仓库代码，问题即可解决。",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},19974,"安装依赖时遇到 'werkzeug==0.16.0' 版本冲突错误如何解决？","需要修改 requirements.txt 文件中的版本限制。将 'werkzeug==0.16.0' 更改为 'werkzeug==2.0.2' 即可解决依赖冲突问题。","https:\u002F\u002Fgithub.com\u002Fchonyy\u002FAI-basketball-analysis\u002Fissues\u002F44",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},19975,"当输入图片中未检测到目标物体时程序报错崩溃，如何处理？","该问题已在后续更新中修复。维护者添加了异常处理机制（try-except），现在当输入不相关的图片导致无法找到物体位置时，程序不会再直接报错崩溃。","https:\u002F\u002Fgithub.com\u002Fchonyy\u002FAI-basketball-analysis\u002Fissues\u002F5",{"id":164,"question_zh":165,"answer_zh":166,"source_url":167},19976,"项目结构图是使用什么工具绘制的？","项目结构图是使用 draw.io 工具绘制的。","https:\u002F\u002Fgithub.com\u002Fchonyy\u002FAI-basketball-analysis\u002Fissues\u002F12",[]]