Development of an algorithm for ball detection and tracking in video for automated judging in rhythmic gymnastics

UDC 339.54.012
Publication date: 28.05.2026
International Journal of Professional Science №5(2)-26

Development of an algorithm for ball detection and tracking in video for automated judging in rhythmic gymnastics

Разработка алгоритма детекции и отслеживания мяча на видео для задач автоматизированного судейства в художественной гимнастике

Gilfanova Diana Rafaelevna,
Grigoryan Karen Albertovich
1. Master's candidate in Digital Product Analytics and Development Management at the ITIS KFU, Kazan
2. Candidate of Economics, Associate Professor, Kazan (Volga region) Federal University, Kazan


Гильфанова Диана Рафаэлевна,
Григорян Карен Альбертович
1. магистрант направления "Аналитика и управление разработкой цифровых продуктов" института ИТИС КФУ, г. Казань
2. кандидат экономических наук, доцент, Казанский Приволжский Федеральный университет, г. Казань
Аннотация: Художественная гимнастика представляет собой сложный для объективного судейства вид спорта, где точность оценки элементов, особенно динамических с использованием мяча, зависит от субъективных факторов и усталости судей. В данной статье предложен алгоритм автоматической детекции мяча на видео, основанный на комбинации дообученной модели детекции YOLOv8 и алгоритма трекинга ByteTrack. Модель дообучалась на кастомном датасете с учетом специфических условий: малого размера объекта, размытий, окклюзий и сложного фона. В результате проведенных экспериментов разработанный алгоритм продемонстрировал высокую точность детекции (mAP@0.5 ≈ 0.99), а также устойчивость к окклюзиям и стабильность отслеживания объекта, что позволяет рассматривать его в качестве основы для построения систем автоматизированной оценки в художественной гимнастике.

Abstract: Rhythmic gymnastics is a sport that is challenging for objective judging, where the accuracy of evaluating elements, especially dynamic elements involving a ball, depends significantly on subjective factors and judges’ fatigue. In this paper, an algorithm for automatic ball detection in video is proposed, based on a combination of a fine-tuned YOLOv8 detection model and the ByteTrack tracking algorithm. The model was fine-tuned on a custom dataset that accounts for domain-specific conditions, including small object size, motion blur, occlusions, and complex backgrounds. Experimental results demonstrate that the proposed algorithm achieves high detection accuracy (mAP@0.5 ≈ 0.99), as well as robustness to occlusions and stable object tracking, which makes it suitable as a foundation for developing automated evaluation systems in rhythmic gymnastics.
Ключевые слова: художественная гимнастика, компьютерное зрение, детекция объектов, отслеживание объектов, YOLOv8, ByteTrack, глубокое обучение, спортивная аналитика.

Keywords: rhythmic gymnastics, computer vision, object detection, object tracking, YOLOv8, ByteTrack, deep learning, sports analytics.

ВВЕДЕНИЕ

Художественная гимнастика (ХГ) представляет собой один из наиболее зрелищных и субъективно сложных видов спорта, в котором исполнение элементов требует от спортсменок не только исключительной физической подготовки, но и предельной точности координации движений. Оценка таких элементов осуществляется вручную квалифицированными судьями в соответствии с действующими правилами Международной федерации гимнастики (FIG), однако они испытывают значительные психофизические нагрузки в течение длительных соревнований, что неизбежно приводит к усталости, снижению концентрации и, как следствие, ошибкам и пропуску мелких, но критичных нарушений [1, 2].

Особую сложность для судейства представляют динамические элементы с мячом, характеризующиеся высокой скоростью, сложной траекторией и необходимостью синхронной оценки движений гимнастки и предмета. Для полноценной реализации задачи автоматизации оценки таких элементов первоначально необходимо научиться с высокой точностью обнаруживать координаты мяча на видео для последующей обработки.

ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ

Задачи детекции и отслеживания мяча представляют собой классическую проблему компьютерного зрения, связанную с обнаружением малогабаритных быстро движущихся объектов в условиях сложного фона, частичных окклюзий и изменяющегося освещения. В контексте художественной гимнастики эта задача усугубляется следующими факторами:

  • Малый объект в кадре. При удалении камеры мяч может занимать в кадре мало пикселей.
  • Быстрое движение и размытие. Высокие броски дают сильное смазывание на кадрах.
  • Сильные окклюзии. Мяч часто перекрывается частями тела гимнастки на короткие интервалы.
  • Ложные детекции. Соревновательная сцена и одежда гимнасток создают фоновые шумы, требующие робастной фильтрации.
  • Высокие требования к точности для последующего анализа техники.
  • Однокамерная система. В рамках данного исследования нет возможности работы с несколькими камерами.

Вместе с тем имеются и некоторые упрощения:

  • Необходимость детекции только одного мяча и одной гимнастки.
  • Невысокая скорость детектируемого объекта.

ОБЗОР ЛИТЕРАТУРЫ

В рамках решения задачи был проведен анализ современных компьютерных методов из источников, связанных преимущественно с детекцией мяча в спорте. Особое внимание уделялось подходам, обеспечивающим высокую точность и устойчивость в сложных условиях: при высокой скорости объекта, частичных перекрытиях, изменении освещения и сходстве с фоном.

Исторически первые решения основывались на классических алгоритмах компьютерного зрения, представленных на рисунке 1. Эти методы отличаются вычислительной простотой, однако обладают существенными ограничениями, принцип работы и ключевые ограничения некоторых из них отображены в таблице 1. Их эффективность критически снижается в динамичных сценах со сложным переменным освещением, наличием объектов-помех схожей цветовой гаммы и при сильном размытии. В частности, фильтры (Калмана, частиц), эффективные для линейного и предсказуемого движения, плохо адаптируются к резким нелинейным траекториям и изменению внешнего вида быстро движущегося мяча [3].

Читать далее…

References

1. Boksem M. A. S., Meijman T. F., Lorist M. M. Effects of mental fatigue on attention: an ERP study //Cognitive brain research. – 2005. – Т. 25. – №. 1. – С. 107-116.
2. Flessas K. et al. Judging the judges’ performance in rhythmic gymnastics //Medicine & Science in Sports & Exercise. – 2015. – Т. 47. – №. 3. – С. 640-648.
3. Kamble P. R., Keskar A. G., Bhurchandi K. M. Ball tracking in sports: a survey //Artificial Intelligence Review. – 2019. – V. 52. – N. 3. – P. 1655-1705.
4. Moreira C., Ferreira L., Coelho P. J. A comprehensive review of ball detection techniques in sports //PeerJ Computer Science. – 2025. – V. 11. – P. 3109.
5. Sapkota R., Karkee M. Ultralytics YOLO Evolution: An Overview of YOLO26, YOLO11, YOLOv8 and YOLOv5 Object Detectors for Computer Vision and Pattern Recognition //arXiv preprint arXiv:2510.09653. – 2025.
6. Jeong J., Park H., Kwak N. Enhancement of SSD by concatenating feature maps for object detection //arXiv preprint arXiv:1705.09587. – 2017.
7. Liu W. et al. Ssd: Single shot multibox detector //European conference on computer vision. – Cham : Springer International Publishing, 2016. – С. 21-37.
8. Ren S. et al. Faster r-cnn: Towards real-time object detection with region proposal networks //Advances in neural information processing systems. – 2015. – Т. 28.
9. He K. et al. Mask r-cnn //Proceedings of the IEEE international conference on computer vision. – 2017. – С. 2961-2969.
10. Buric M., Pobar M., Ivasic-Kos M. Ball detection using YOLO and Mask R-CNN //2018 International conference on computational science and computational intelligence (CSCI). – IEEE, 2018. – P. 319-323.
11. Lin T. Y. et al. Focal loss for dense object detection //Proceedings of the IEEE international conference on computer vision. – 2017. – P. 2980-2988.
12. Zhang Y. et al. Bytetrack: Multi-object tracking by associating every detection box //European conference on computer vision. – Cham : Springer Nature Switzerland, 2022. – С. 1-21.
13. Aharon N., Orfaig R., Bobrovsky B. Z. BoT-SORT: Robust associations multi-pedestrian tracking //arXiv preprint arXiv:2206.14651. – 2022.
14. Cao J. et al. Observation-centric sort: Rethinking sort for robust multi-object tracking //Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. – 2023. – С. 9686-9696.
15. Ultralytics YOLOv8 Documentation [Электронный ресурс] : [официальная документация] / Ultralytics. – 2023. – URL: https://docs.ultralytics.com/ru/models/yolov8/#performance-metrics (дата обращения: 06.01.2026).
16. Журавлёв А. К., Григорян К. А. Автоматическая разметка обучающих выборок в компьютерном зрении с использованием методов машинного обучения //Электронные библиотеки. – 2024. – Т. 27. – №. 5. – С. 718-729.
17. Shorten C., Khoshgoftaar T. M. A survey on image data augmentation for deep learning //Journal of big data. – 2019. – Т. 6. – №. 1. – С. 1-48.