[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-roboflow--sports":3,"tool-roboflow--sports":61},[4,18,26,36,44,53],{"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",154349,2,"2026-04-13T23:32:16",[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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"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":76,"owner_email":77,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":94,"github_topics":95,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":144},7335,"roboflow\u002Fsports","sports","computer vision and sports","sports 是 Roboflow 推出的一个开源计算机视觉项目，旨在利用体育场景的高难度特性，推动目标检测、图像分割、关键点检测及基础模型的技术边界。在竞技体育中，毫厘与瞬间决定成败，而 sports 正是为了解析这些细微数据而生。\n\n该项目重点攻克了体育分析中的几大核心难题：包括高速运动中微小足球的精准追踪、因遮挡或模糊导致的球衣号码识别、复杂对抗下的球员持续跟踪与重识别，以及动态视角下的摄像机校准以提取速度与距离等高级统计指标。通过提供可复用的工具链和高质量的标注数据集（涵盖足球运动员、足球、球场关键点及篮球相关数据），sports 让开发者能够快速构建专业的体育分析应用。\n\nsports 非常适合计算机视觉开发者、AI 研究人员以及体育数据分析师使用。无论是希望训练定制模型的工程师，还是致力于探索多模态技术在动态场景中应用的科研人员，都能从中获益。其独特之处在于将极具挑战性的真实体育视频作为“试验场”，不仅验证了算法的鲁棒性，更沉淀了一套通用的视觉解决方案，可轻松迁移至体育之外的其他动态监测领域。欢迎社区共同参与，打造更强大的开源体育分析生态。","\u003Cdiv align=\"center\">\n\n  \u003Ch1>sports\u003C\u002Fh1>\n\n[notebooks](https:\u002F\u002Fgithub.com\u002Froboflow\u002Fnotebooks) | [inference](https:\u002F\u002Fgithub.com\u002Froboflow\u002Finference) | [autodistill](https:\u002F\u002Fgithub.com\u002Fautodistill\u002Fautodistill) | [maestro](https:\u002F\u002Fgithub.com\u002Froboflow\u002Fmultimodal-maestro)\n\n\u003C\u002Fdiv>\n\n## 👋 hello\n\nIn sports, every centimeter and every second matter. That's why Roboflow decided to use sports as a testing ground to push our object detection, image segmentation, keypoint detection, and foundational models to their limits. This repository contains reusable tools that can be applied in sports and beyond.\n\n## 🥵 challenges\n\nAre you also a fan of computer vision and sports?  We welcome contributions from anyone who shares our passion! Together, we can build powerful open-source tools for sports analytics. Here are the main challenges we're looking to tackle:\n\n- **Ball tracking:** Tracking the ball is extremely difficult due to its small size and rapid movements, especially in high-resolution videos.\n- **Reading jersey numbers:** Accurately reading player jersey numbers is often hampered by blurry videos, players turning away, or other objects obscuring the numbers.\n- **Player tracking:** Maintaining consistent player identification throughout a game is a challenge due to frequent occlusions caused by other players or objects on the field.\n- **Player re-identification:** Re-identifying players who have left and re-entered the frame is tricky, especially with moving cameras or when players are visually similar.\n- **Camera calibration:** Accurately calibrating camera views is crucial for extracting advanced statistics like player speed and distance traveled. This is a complex task due to the dynamic nature of sports and varying camera angles.\n\n## 💻 install\n\nWe don't have a Python package yet. Install from source in a\n[**Python>=3.8**](https:\u002F\u002Fwww.python.org\u002F) environment.\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports.git\n```\n\n## ⚽ datasets\n\n| use case                               | dataset                                                                                                                                                           |\n|:---------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| ⚽ soccer player detection              | [![Download Dataset](https:\u002F\u002Fapp.roboflow.com\u002Fimages\u002Fdownload-dataset-badge.svg)](https:\u002F\u002Funiverse.roboflow.com\u002Froboflow-jvuqo\u002Ffootball-players-detection-3zvbc)  |\n| ⚽ soccer ball detection                | [![Download Dataset](https:\u002F\u002Fapp.roboflow.com\u002Fimages\u002Fdownload-dataset-badge.svg)](https:\u002F\u002Funiverse.roboflow.com\u002Froboflow-jvuqo\u002Ffootball-ball-detection-rejhg)     |\n| ⚽ soccer pitch keypoint detection      | [![Download Dataset](https:\u002F\u002Fapp.roboflow.com\u002Fimages\u002Fdownload-dataset-badge.svg)](https:\u002F\u002Funiverse.roboflow.com\u002Froboflow-jvuqo\u002Ffootball-field-detection-f07vi)    |\n| 🏀 basketball court keypoint detection | [![Download Dataset](https:\u002F\u002Fapp.roboflow.com\u002Fimages\u002Fdownload-dataset-badge.svg)](https:\u002F\u002Funiverse.roboflow.com\u002Froboflow-jvuqo\u002Fbasketball-court-detection-2)      |\n| 🏀 basketball jersey numbers ocr       | [![Download Dataset](https:\u002F\u002Fapp.roboflow.com\u002Fimages\u002Fdownload-dataset-badge.svg)](https:\u002F\u002Funiverse.roboflow.com\u002Froboflow-jvuqo\u002Fbasketball-jersey-numbers-ocr)     |\n\n\nVisit [Roboflow Universe](https:\u002F\u002Funiverse.roboflow.com\u002F) and explore other sport-related datasets.\n\n## 🔥 demos\n\nhttps:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports\u002Fassets\u002F26109316\u002F7ad414dd-cc4e-476d-9af3-02dfdf029205\n\n## 🏆 contribution\n\nWe love your input! [Let us know](https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports\u002Fissues) what else we should build!\n","\u003Cdiv align=\"center\">\n\n  \u003Ch1>体育\u003C\u002Fh1>\n\n[笔记本](https:\u002F\u002Fgithub.com\u002Froboflow\u002Fnotebooks) | [推理](https:\u002F\u002Fgithub.com\u002Froboflow\u002Finference) | [自动蒸馏](https:\u002F\u002Fgithub.com\u002Fautodistill\u002Fautodistill) | [大师](https:\u002F\u002Fgithub.com\u002Froboflow\u002Fmultimodal-maestro)\n\n\u003C\u002Fdiv>\n\n## 👋 你好\n\n在体育领域，每一厘米、每一秒都至关重要。正因如此，Roboflow 决定以体育为试验场，将我们的目标检测、图像分割、关键点检测以及基础模型推向极限。本仓库包含可在体育及其他领域重复使用的工具。\n\n## 🥵 挑战\n\n你是否也热爱计算机视觉与体育？我们欢迎所有志同道合者的贡献！让我们携手共建强大的开源体育分析工具。以下是当前我们希望解决的主要挑战：\n\n- **球体追踪**：由于球体体积小且运动速度快，尤其是在高分辨率视频中，对其进行精准追踪极具难度。\n- **球衣号码识别**：受视频模糊、球员转身或物体遮挡等因素影响，准确读取球员球衣号码往往十分困难。\n- **球员追踪**：比赛中频繁出现的其他球员或场上物体遮挡，使得持续稳定地识别同一球员成为一大难题。\n- **球员再识别**：对于离开画面后又重新进入视野的球员，尤其是当摄像机移动或球员外貌相似时，实现再识别颇具挑战性。\n- **相机标定**：为了提取诸如球员速度、移动距离等高级统计信息，精确的相机标定至关重要。然而，由于体育场景的动态特性及不同拍摄角度，这一任务相当复杂。\n\n## 💻 安装\n\n目前我们尚未发布 Python 包。请在 [**Python>=3.8**](https:\u002F\u002Fwww.python.org\u002F) 环境中从源码安装。\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports.git\n```\n\n## ⚽ 数据集\n\n| 应用场景                               | 数据集                                                                                                                                                           |\n|:---------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| ⚽ 足球运动员检测              | [![下载数据集](https:\u002F\u002Fapp.roboflow.com\u002Fimages\u002Fdownload-dataset-badge.svg)](https:\u002F\u002Funiverse.roboflow.com\u002Froboflow-jvuqo\u002Ffootball-players-detection-3zvbc)  |\n| ⚽ 足球球体检测                | [![下载数据集](https:\u002F\u002Fapp.roboflow.com\u002Fimages\u002Fdownload-dataset-badge.svg)](https:\u002F\u002Funiverse.roboflow.com\u002Froboflow-jvuqo\u002Ffootball-ball-detection-rejhg)     |\n| ⚽ 足球场关键点检测      | [![下载数据集](https:\u002F\u002Fapp.roboflow.com\u002Fimages\u002Fdownload-dataset-badge.svg)](https:\u002F\u002Funiverse.roboflow.com\u002Froboflow-jvuqo\u002Ffootball-field-detection-f07vi)    |\n| 🏀 篮球场关键点检测 | [![下载数据集](https:\u002F\u002Fapp.roboflow.com\u002Fimages\u002Fdownload-dataset-badge.svg)](https:\u002F\u002Funiverse.roboflow.com\u002Froboflow-jvuqo\u002Fbasketball-court-detection-2)      |\n| 🏀 篮球球衣号码 OCR       | [![下载数据集](https:\u002F\u002Fapp.roboflow.com\u002Fimages\u002Fdownload-dataset-badge.svg)](https:\u002F\u002Funiverse.roboflow.com\u002Froboflow-jvuqo\u002Fbasketball-jersey-numbers-ocr)     |\n\n\n欢迎访问 [Roboflow Universe](https:\u002F\u002Funiverse.roboflow.com\u002F)，探索更多与体育相关的数据集。\n\n## 🔥 演示\n\nhttps:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports\u002Fassets\u002F26109316\u002F7ad414dd-cc4e-476d-9af3-02dfdf029205\n\n## 🏆 贡献\n\n我们非常期待你的建议！[请告诉我们](https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports\u002Fissues)你还希望我们开发哪些功能吧！","# Sports AI 工具快速上手指南\n\n`sports` 是 Roboflow 推出的开源项目，旨在利用计算机视觉技术解决体育分析中的核心难题（如球体追踪、球衣号码识别、球员重识别等）。本项目提供了一系列可复用的工具和数据集，适用于足球、篮球等多种运动场景。\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- **操作系统**：Linux, macOS 或 Windows\n- **Python 版本**：>= 3.8\n- **依赖管理**：建议创建虚拟环境（如 `venv` 或 `conda`）以避免依赖冲突\n\n```bash\n# 示例：创建并激活虚拟环境\npython -m venv sports-env\nsource sports-env\u002Fbin\u002Factivate  # Windows 用户使用: sports-env\\Scripts\\activate\n```\n\n> **提示**：目前该项目尚未发布独立的 PyPI 包，需直接从源码安装。国内用户若遇到网络连接问题，可尝试配置全局代理或使用支持 Git 协议加速的网络环境。\n\n## 安装步骤\n\n使用 `pip` 直接从 GitHub 仓库安装最新版本的 `sports` 工具包：\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports.git\n```\n\n安装完成后，您可以导入相关模块进行开发。\n\n## 基本使用\n\n本项目主要作为工具集和数据集索引库。最基础的使用方式是结合 Roboflow 提供的预训练模型和数据集进行推理或微调。\n\n### 1. 获取数据集\n访问 [Roboflow Universe](https:\u002F\u002Funiverse.roboflow.com\u002F) 下载特定场景的数据集（如足球球员检测、篮球球衣号码 OCR 等）。点击 README 中的数据集链接即可直接获取。\n\n### 2. 代码调用示例\n安装后，您可以在 Python 脚本中导入工具库（具体模块取决于您需要的功能，如推理、数据处理等）。以下是一个通用的导入和初始化示例：\n\n```python\nimport sports\n\n# 初始化您的任务逻辑\n# 注意：具体 API 用法请参考 notebooks 目录下的示例代码或各子模块文档\nprint(\"Sports toolkit ready for analysis!\")\n```\n\n### 3. 进阶探索\n- **查看示例笔记**：访问 [Roboflow Notebooks](https:\u002F\u002Fgithub.com\u002Froboflow\u002Fnotebooks) 获取完整的 Jupyter Notebook 教程，涵盖从数据加载到模型推理的全流程。\n- **参与挑战**：针对球体追踪、遮挡情况下的球员跟踪等难点，欢迎通过 GitHub Issues 提交您的解决方案或建议。","某职业足球俱乐部的数据分析师正试图从数千场历史比赛录像中，自动提取球员的跑动距离、瞬时速度及战术站位热图，以优化下一赛季的训练计划。\n\n### 没有 sports 时\n- **小球追踪失效**：由于足球体积小且移动极快，通用检测模型在高速运动中频繁丢失目标，导致轨迹数据断断续续。\n- **球员身份混淆**：当多名球员发生遮挡或背对镜头时，系统无法准确识别球衣号码，难以区分具体是哪位球员在跑动。\n- **数据缺乏尺度**：缺少自动化的球场关键点校准，无法将像素坐标转换为真实的米\u002F秒速度，统计结果仅停留在相对位置层面。\n- **人工成本高昂**：分析师不得不手动逐帧标注关键事件，处理一场 90 分钟的比赛需要耗费数天时间，效率极低。\n\n### 使用 sports 后\n- **精准球路捕捉**：利用专为体育优化的足球检测数据集，sports 能稳定锁定高速飞行中的足球，生成完整且平滑的运动轨迹。\n- **智能重识别**：结合球衣号码 OCR 与球员重识别功能，即使在激烈拼抢和遮挡情况下，也能持续锁定特定球员身份。\n- **自动透视校准**：通过足球场关键点检测自动完成摄像机标定，直接将视频像素映射为真实物理距离，输出精确的速度与跑动距离数据。\n- **全流程自动化**：一键部署即可批量处理海量录像，将原本数天的手工工作缩短至几小时，让团队能专注于战术分析而非数据清洗。\n\nsports 将原本高门槛的体育视觉分析转化为可落地的自动化流程，让每一厘米的移动和每一秒的爆发都能被量化赋能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Froboflow_sports_6799d8ad.png","roboflow","Roboflow","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Froboflow_1234eb3b.png","",null,"hello@roboflow.com","https:\u002F\u002Froboflow.com","https:\u002F\u002Fgithub.com\u002Froboflow",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,4935,589,"2026-04-13T21:22:44","MIT","未说明",{"notes":91,"python":92,"dependencies":93},"该工具尚未发布为独立的 Python 包，需通过源码安装（使用 pip install git+... 命令）。README 中主要介绍了其在体育分析中的应用场景（如球类追踪、球衣号码识别等）及相关数据集链接，未详细列出具体的深度学习框架依赖（如 PyTorch 或 TensorFlow）及硬件加速需求。","3.8+",[],[15,14,16],[96,97,98,99,100,101,102,103,104,64,105,106,107,108,109,110],"computer-vision","deep-learning","deep-neural-networks","image-embeddings","keypoint-detection","object-detection","tutorial","football","soccer","soccer-analytics","soccer-data","sports-analytics","sports-data","visualization","football-data","2026-03-27T02:49:30.150509","2026-04-14T12:30:13.303593",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},32939,"在 Windows 上安装时遇到 'ModuleNotFoundError: No module named sports' 或 'UnicodeDecodeError' 错误怎么办？","这是 Windows 系统特有的编码问题。解决步骤如下：\n1. 确保已安装 Python 3.12+ 并创建了虚拟环境。\n2. 如果仍然报错，尝试单独运行 `pip install setuptools`。\n3. 如果遇到 `UnicodeDecodeError: 'charmap' codec can't decode byte...`，原因是 `setup.py` 中的 `README = (HERE \u002F \"README.md\").read_text()` 行无法正确解码。解决方法是注释掉该行，然后重新运行安装命令。安装完成后，模型权重和视频示例即可正常运行。","https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports\u002Fissues\u002F7",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},32940,"在哪里可以找到复现演示视频效果的完整代码和文档？","大部分核心代码最初存储在单独的仓库中，现已迁移至当前仓库。你可以直接在 `examples\u002Fsoccer` 目录下找到用于复现演示效果的主要文件、类定义和辅助函数。维护者正在持续完善相关文档。","https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports\u002Fissues\u002F4",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},32941,"项目是否提供预训练模型？我的电脑性能有限，无法自行训练。","是的，项目包含预训练模型权重。在安装过程中（解决上述 Windows 安装问题后），所有模型权重会自动下载并配置好，无需用户自行训练即可直接运行球、球员和场地的检测模式。","https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports\u002Fissues\u002F41",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},32942,"运行球检测模式时出现关于 `overlap_filter_strategy` 的参数错误如何解决？","这是因为 API 参数名称已更新。请将代码中的 `overlap_filter_strategy` 修改为 `overlap_filter`。例如，在使用 `sv.InferenceSlicer` 时，应设置为：\n```python\nslicer = sv.InferenceSlicer(\n    callback=callback,\n    overlap_filter=sv.OverlapFilter.NONE,\n    slice_wh=(640, 640),\n)\n```\n具体用法可参考 Supervision 库的最新文档。","https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports\u002Fissues\u002F24",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},32943,"为什么我在项目中找不到主要的逻辑代码？README 中提到的“代码迁移”是什么意思？","项目的大部分核心逻辑代码此前存储在一个独立的仓库中。最近这些代码已经全部迁移到了当前的 `roboflow\u002Fsports` 仓库中。你现在可以直接在 `main\u002Fexamples\u002Fsoccer` 路径下查看和使用这些完整的逻辑代码。","https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports\u002Fissues\u002F6",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},32944,"如何处理一帧中出现多个球体检测框的情况，从而只保留正确的检测结果？","这是一个常见的多检测问题。虽然该 Issue 未给出最终代码方案，但通常的解决思路是利用时间连续性过滤（跟踪球的轨迹）或置信度阈值过滤。建议结合 `supervision` 库中的跟踪器（如 ByteTrack）来关联连续帧中的检测结果，从而筛选出唯一且正确的球体位置。","https:\u002F\u002Fgithub.com\u002Froboflow\u002Fsports\u002Fissues\u002F18",[]]