KI-gestütztes Objekterkennungssystem zur Erkennung von Sportergebnissen

Über unseren Kunden

Unser Kunde war im Bereich Sportanalytik tätig und stellte Live-Statistiken sowie Echtzeit-Analysen zu laufenden Sportereignissen bereit.

Für den Service waren eine schnelle und präzise Ergebniserfassung von entscheidender Bedeutung. Die bestehenden Prozesse waren jedoch stark von manueller Dateneingabe abhängig, was nicht nur zu Verzögerungen, sondern auch zu Fehlern führte.

Vor diesem Hintergrund benötigte der Kunde eine automatisierte Lösung, die Spielstände direkt aus Live-Videostreams erkennen kann.

• Region: Global
• Branche: Sportanalytik / Medien
• Projektlaufzeit: ca. 2 Monate

Herausforderung

Die Verarbeitung von Live-Sportdaten erfordert nicht nur hohe Geschwindigkeit, sondern auch besondere Genauigkeit und Zuverlässigkeit. Zu den größten Herausforderungen gehörten:

• Manuelle Ergebniserfassung, die Verzögerungen verursachte und fehleranfällig war
• Schwierige Erkennung von Spielständen in sehr dynamischen oder unscharfen Videosegmenten
• Stark unterschiedliche Scoreboards je nach Sportart und Übertragung
• Anforderung an minimale Latenz für die Live-Verarbeitung
• Integration mit bestehenden Statistik- und Benachrichtigungssystemen

Hauptziele

Um die beschriebenen Herausforderungen zu bewältigen, definierten wir folgende Ziele:

• Automatisierung der Ergebniserkennung aus Live-Videodaten
• Erkennung von Objekttypen und deren Positionen (z. B. Scoreboards, Ziffern und Overlays)
• Unterstützung von Echtzeit- oder Near-Real-Time-Verarbeitung
• Verbesserung der Genauigkeit im Vergleich zu manuellen Datenerfassungsmethoden
• Einfache Integration mit Analyse- und Benachrichtigungsdiensten ermöglichen

Projektübersicht

Wir entwickelten ein Computer-Vision-System auf Basis von YOLO-NAS zur Erkennung und Analyse von Objekten in Live-Sportübertragungen. Das Modell analysierte Videoframes, lokalisierte den Bereich des Scoreboards innerhalb des Bildes und extrahierte die darin enthaltenen numerischen Werte.

Zur Koordination und Verarbeitung der Erkennungsergebnisse setzten wir LangChain ein, wodurch deren Weiterleitung an nachgelagerte Workflows ermöglicht wurde. Das Modell wurde sportartenübergreifend konzipiert und unterstützte unterschiedliche Scoreboard-Layouts und Darstellungsformate.

Lösung

Wir entwickelten eine Lösung mit einer KI-basierten Objekterkennungspipeline zur automatischen Erkennung von Spielständen und Extraktion von Daten aus Live-Sportübertragungen. Das System verarbeitete eingehende Videoframes, identifizierte relevante Objekte und wandelte visuelle Informationen in strukturierte Daten um, die in Echtzeit weiterverarbeitet werden konnten.

Hauptfunktionen der Plattform

• Erkennung von Scoreboards und Lokalisierung relevanter Objekte innerhalb von Videoframes
• Identifikation von Spielständen, Timern und weiteren wichtigen Informationen
• Echtzeit-Pipeline für Datenextraktion und -verarbeitung
• Kompatibilität mit verschiedenen Sportarten und Übertragungsformaten
• Integration mit Statistiksystemen und Benachrichtigungsdiensten
• Minimierung manueller Dateneingaben und damit verbundener Fehler
• Validierungstests zur Sicherstellung definierter Genauigkeitsschwellenwerte

Technologie-Stack

Um Echtzeit-Objekterkennung und Spielstandserfassung zu ermöglichen, nutzten wir eine Computer-Vision-zentrierte Architektur, ergänzt durch KI-gestützte Workflow-Orchestrierung.

• Backend: Python-basierte Verarbeitungsservices
• Computer Vision: YOLO-NAS-Modell für Objekterkennung und Lokalisierung
• KI-Orchestrierung: LangChain für Verarbeitungspipelines und Integrationslogik
• Datenverarbeitung: Analyse von Videoframes und Extraktion strukturierter Daten

Kernteam

• Softwarearchitekt: Entwickelte die Computer-Vision-Pipeline und Systemarchitektur.
• KI-Ingenieure: Implementierten das YOLO-NAS-Modell und die Erkennungslogik.
• Backend-Entwickler: Entwickelten Verarbeitungsservices und Integrationen.
• QA-Ingenieure: Validierten Erkennungsgenauigkeit und Live-Performance.