Monitoramento automatizado de desempenho de atletas de futebol em peneiras utilizando visão computacional

Abstract

Este estudo apresenta a aplicação de visão computacional e ciência de dados em peneiras de futebol, com o objetivo de tornar a identificação de talentos mais objetiva. Tradicionalmente, esse processo depende da avaliação subjetiva de observadores, o que pode comprometer sua precisão. Assim, é apresentado um script automatizado de análise de desempenho baseado em processamento de vídeo. São utilizados modelos YOLO para detecção de jogadores, bola e elementos do campo, além do algoritmo ByteTrack para rastreamento contínuo dos atletas. O sistema também emprega técnicas de clusterização para identificar equipes pelas cores das camisas e homografia para mapear as posições em um minimapa tático. Como resultado, são extraídas métricas espaciais e de movimentação que permitem uma análise mais estruturada do desempenho. Conclui-se que a abordagem contribui para reduzir a subjetividade nas peneiras, apoiando a tomada de decisão na seleção de jogadores.

This study presents the application of computer vision and data science in soccer tryouts, aiming to make talent identification more objective. Traditionally, this process relies on the subjective evaluation of observers, which can compromise its accuracy. Thus, an automated performance analysis script based on video processing is presented. YOLO models are used for player, ball, and field element detection, in addition to the ByteTrack algorithm for continuous athlete tracking. The system also employs clustering techniques to identify teams by shirt colors and homography to map positions on a tactical minimap. As a result, spatial and movement metrics are extracted, allowing for a more structured performance analysis. It is concluded that the approach contributes to reducing subjectivity in tryouts, supporting decision-making in player selection.