BEPRO'nun Taktik Akışı - Genel Bir Bakış

Bu makale, BEPRO ekosistemini avantajımıza kullandığımız taktiksel bakış açısının nedenlerini, yaratılışını ve gelişimini vurgulamaktadır.

Futbol Yayını

Ekranda futbol maçı denildiğinde aklımıza televizyon yayını gelir.

Kamera bir insan tarafından çalıştırılıyor ve prodüksiyon, sonuçta göreceğimiz görüntülere karar veriyor.

Ancak oyuna taktik açıdan bakmak istiyorsanız bir sorunla karşı karşıyasınız: Ne göreceğinizi kamera belirliyor.

Video aksiyonu takip ediyor ve kimin aklına gelirdi ki çoğunlukla topun olduğu yerde geçiyor. Ancak oyunu bir taktik analisti gibi gözlemlemek için sadece topu takip edemezsiniz. Çünkü baloda yaşananlar resmin tamamının sadece küçük bir kısmı.

Aslında çoğu zaman sahada topla aktif olarak etkileşime girmeyen yirmiden fazla oyuncu bulunur. Onlar ne yapıyor? Nereye taşınıyorlar? Hangi konumu veya alanı işgal ediyorlar? Aslında bu oyuncuların eylemleri genellikle doğrudan topun üzerindeki durumdan daha önemlidir çünkü büyük olasılıkla bir sonraki hamleyi belirleyeceklerdir.

Panoramik Video

TV'deki futbolun aksine, kameralarımız maçın her anını yakalar. Panoramik videomuz oyun boyunca tüm oyun alanını kapsıyor. 3D video oynatıcı, kullanıcının kamera operatörü olmasına ve oyunun görünümünü belirlemesine olanak tanır. Bununla ilgili daha fazla bilgiyi burada bulabilirsiniz.

Otomatik Taktik Görünüm

Kamerayı kendiniz çalıştırmak eğlencelidir ancak oyunun geneline tam olarak konsantre olmanıza izin vermez. Yapay Zeka ile Üretilen Taktik Görünümümüzün devreye girdiği yer burasıdır.

Otomatik kamera hareketi, kullanıcılarımızın sahadaki her taktiksel inceliği değerlendirirken, takımlarının heyecan verici hareketlerini takip etmelerine olanak tanır.

BEPRO'nun Taktik Görüşü, kameranın görüş açısında her zaman mümkün olduğu kadar çok saha oyuncusunun görülebileceği şekilde tanımlanır. Oyuncuları hariç tutmak için belirli istisnalar; kaleci veya çok geride kalan oyuncular, taktik dizilişin genel görünümünü kaybetmeden mümkün olan en iyi perspektifi sağlar.

Sahadan Görünüme

Nihai sonuç olarak Taktik Görünümün nasıl oluşturulduğunun kısa bir özeti:

Sahadan Görünüme

1. Her kameranın video akışlarından panoramik bir video oluşturun

2. Yapay zeka modeliyle nesne algılama (oyuncu ve top) gerçekleştirin

3. Birikmiş bilgilere göre en iyi görüntüleme konumunu belirleyin

4. Sonucun platformumuzda sunulması ve indirilmek üzere video olarak sağlanması

2. ve 3. noktalar Taktik Görünümü oluşturmak için en uygun olanlardır, o yüzden bunlara daha detaylı bakalım.

Nesne Algılama

Kameranın tüm panoramanın (video) ideal bölümünü gösterebilmesi için sahada olup biteni değerlendirmemiz ve bunu yapabilmek için de oyuncuların ve topun nerede olduğunu bilmemiz gerekiyor. Bu bilgiyi elde etmek için nesne algılama teknolojisinden yararlanıyoruz.

Vikipedi'deki ilk cümle bunu çok güzel özetliyor:

“Nesne algılama, dijital görüntülerde ve videolarda belirli bir sınıftaki (insanlar, binalar veya arabalar gibi) anlamsal nesnelerin örneklerini algılamayla ilgilenen, bilgisayarlı görme ve görüntü işlemeyle ilgili bir bilgisayar teknolojisidir.”

Ama şimdi soru şu ki, bu nasıl çalışıyor? — Kısa (ve açıkçası hatalı) cevap şu: Yapay Zeka!

AI kısaltması, günümüzde çözülmesi gereken hemen hemen her sorunun çözümü olarak anılıyor, çoğu zaman haksız bir şekilde, ancak şunu kabul edelim: Bir yapay zekanın bir şeyi çözebildiğini hayal etmek büyüleyici. Ancak nesne tespiti gerçekten yapay zekanın, daha doğrusu Derin Öğrenmenin hakim olduğu bir alandır.

Özel olarak tasarlanmış bir model, daha doğrusu evrişimli bir sinir ağı (CNN) kullanıyoruz. Bu model, nesneleri (burada oyuncu, top ve arka plan) tanımlamak için milyonlarca örnekle eğitilmiştir. Bunun için ihtiyaç duyulan eğitim verileri için devasa miktardaki kayıtlı videolarımıza başvurabiliriz (şu anda yaklaşık 60.000 saat). Ayrıca elimizde çok fazla veri seti olmasının yanı sıra sistemlerimizin tamamen farklı lokasyon ve kullanıcılardan dolayı geniş bir çeşitlilik yelpazesine sahip olması avantajına da sahibiz.

Görünüm Konumunu Belirle

İlk adım, tespit edilen nesnelerin konumunu görüntü koordinat sisteminden (video görüntüsündeki konum) dünya koordinat sistemine (oyun alanı üzerindeki konum) dönüştürmektir. Gerekli hesaplamalar, kameranın oyun alanına göre konumundan elde edilebilir. Nesnelerin oyun alanındaki konumu belirlendikten sonra her örnek, algılama hatalarını en aza indirmek için bir dizi filtreleme adımından geçer.

Kameranın gerçek görünümü, oyuncu ve topun konum bilgilerine dayalı bir dizi kural ve işlemle tanımlanır.

Bu tanımlara Taktik Görüş Mantığı diyoruz.

Mantık daha sonra hangi oyuncuların ilgili olduğuna ve daha iyi bir kamera perspektifi adına hangilerinin hariç tutulabileceğine karar verir. Bu amaçla belirlenen oyuncular arasındaki mesafe veya topa olan mesafe, genel konumu gibi çeşitli bilgilerden yararlanılıyor.

Ayrıca oyunun mevcut durumunu değerlendirmek ve görünümü buna göre ayarlamak için çeşitli göstergeler hesaplanıyor. Mantığın son adımı, mümkün olan en iyi görüntü bölümünü belirlemek için toplanan bilgileri kullanmak ve bunu kusursuz bir kamera hareketine aktarmaktır.

Taktik Görüş Mantığı

Sürüm 2.0 ile Tanışın

Taktik Görünümün ilk sürümü uzun süredir piyasada ve sürekli güncellemeler alıyor. Zamanla birçok küçük iyileştirme ve hata düzeltmesi uygulandı, ancak kalitede büyük bir sıçrama elde etmek için bazen boş bir sayfayla başlamak en iyisidir. Biz de tam olarak bunu yaptık.

Taktiksel Görünümün yapısını ve mantığını sıfırdan yeniden tasarladık.

Böyle bir yeniden tasarımda ilk amaç, orijinal versiyonun kalitesini yeniden yaratmaktır. Ancak aynı zamanda her satırı tek tek inceleyerek kodun verimliliğini, anlaşılırlığını ve modülerliğini arttırmayı da hedefliyoruz. Belli bir taklit düzeyine ulaşıldıktan sonra bir sonraki aşama başlar; öğrenci usta olur.

Mevcut mantığın sorgulanması sıklıkla tamamen yeni yaklaşımlar üretir ve bu yaklaşımlar, kodun geliştirilmiş yapısı sayesinde artık hızlı bir şekilde tanıtılıp test edilebilir. Orijinal sürümle karşılaştırıldığında, iyileştirilen veya geliştirilen birkaç önemli nokta şunlardır:

• Daha hızlı kamera tepki süresi

• Boş arka planları azaltmak için kameranın iyileştirilmiş hizalaması

• Mümkün olan en iyi perspektifi sağlamak için oyuncuları hariç tutmanın yeni yöntemi

• Yanlış tespitleri önlemek için filtreleme mekanizmalarının geliştirilmiş etkinliği

• Oyuncunun hareketlerine göre oyunu değerlendiren yeni özellik

• Köşe vuruşlarını algılamak ve yakalamak için yeni özellik

• Hedef potansiyeli olan kritik durumları belirlemek için yeni yöntem

Değerlendirme — BEPRO Ekosisteminden Yararlanmak

Bu makalenin son konusu Taktik Bakışın geliştirilmesindeki en önemli noktalardan biri olan kalitenin değerlendirilmesi ile ilgilidir. Bu konuyu açıklığa kavuşturmak için öncelikle iki şeyi tespit etmek gerekir:

• İdeal Taktik Görüşün evrensel olarak geçerli bir tanımı yoktur.

• Taktik Görüşün kalitesi büyük ölçüde özneldir

Bu gerçeklerle karşı karşıya kaldığınızda muhtemelen şunu merak ediyorsunuz: kesin olarak tanımlanmayan ve son derece öznel olan bir şey nasıl değerlendirilebilir ve geliştirilebilir? Çözümümüz: veri!

Yapay zekamızı nesneleri tanımlama konusunda eğitmek için videolarımızdan çıkardığımız milyonlarca örneği hatırlıyor musunuz? Ayrıca hepsi bir arada ekosistemimiz için oyunların detaylı analizini yapıyoruz.

Taktik Görünümün subjektif kalitesini karşılaştırılabilecek sayılara dönüştürmek için analiz edilen olay verilerimizi kullanırız.

Bu verilerden elde edilen en önemli bilgi olayların konumudur. Oyun alanındaki her eyleme tam olarak referans vererek olayın taktiksel görünümde görünür olup olmadığını belirleyebiliriz. Bu, herhangi bir iyileştirmenin temel gereksinimi ve başlangıç ​​noktasıdır. Ancak hiçbir olayı kaçırmamak için sanal kameranın oyun alanının tamamını değil, gerektiği kadarını göstermesi gerekir. Bu amaçla Taktik Görünümün yakınlaştırma seviyesi ve konumu değerlendirilebilir. Ayrıca keyifli bir izleme deneyimi sağlamak için kameranın yön değiştirme sayısı mümkün olduğunca düşük tutulmalıdır.

Ancak odaklama ve kamera hareketinin gerçek deneyimi hâlâ özneldir ve her kullanıcı tarafından farklı şekilde algılanır. Bu nedenle Taktiksel Görüşümüzü sürekli olarak geliştirmeye çalışıyoruz.

Örnek Sahneler

Aşağıdaki videolar, otomatik taktik görünüm değerlendirmesi tarafından tespit edilen iyileştirilmiş durumların kliplerini göstermektedir. Önceki sürüm solda, yeni sürüm ise sağdadır.

Kritik bir top kaybından sonra gol dahil

Kritik bir top kaybından sonra gol dahil

Golü tehdit eden bir durumu fark etmek ve başarılı savunmanın ardından hızla konuya yaklaşmak

Golü tehdit eden bir durumu fark etmek ve başarılı savunmanın ardından hızla konuya yaklaşmak

Oyuncu hareketini kullanarak tehlikeli bir durumu tahmin etmek

Oyuncu hareketini kullanarak tehlikeli bir durumu tahmin etmek

Kaleye doğru bir hareketi tahmin etmek için savunma düzenini okumak

Kaleye doğru bir hareketi tahmin etmek için savunma düzenini okumak