Futbolda Yapay Zekanın Kullanımı
Futbol dünyadaki en büyük sektörlerden bir tanesi. Coğrafya ya da gelenek fark etmeksizin her türden insan için seyir zevki çok yüksek bir spor. Bu yüzden bu sektörde yapılan harcamalar ve yatırımlar da müthiş derecede fazla. Televizyon tarihinin en çok izlenen olayları arasında 6. sırada yaklaşık 715 milyon kişinin izlediği bir futbol maçı var.(İtalya — Fransa Dünya Kupası Finali) Bunun yanı sıra FIFA’nın raporuna göre dünyadaki futbol kulüpleri, 2011 başından 2020 sonuna kadar 48,5 milyar dolarlık transfer harcaması yaptı. Yayın haklarına bakacak olursak da sadece İngiltere Premier Lig’in 2019–2022 yılları arasındaki yayın hakları için ödenen ücret 4 milyar 740 milyon Euro.
Futbola verilen ilginin ve harcanan paranın bu kadar çok olmasına rağmen, hâlâ sistemde çok büyük eksikler mevcut. Futboldaki verilerin işlenmesi 2022 yılında bile büyük oranda manuel olarak yapılıyor, bu durum da ekstra maliyet ve işgücü gerektiriyor. Veriden anlamlı sonuç çıkarma işi ise genel anlamda xG değerinden ileriye gidebilmiş değil. Bunun sebebi olarak, yapay zekânın verilerinin kesinleştirilmiş bir doğruluk payı vermemesi ve yapay zekâ kavramının hayatımızın içine yeni yeni girmiş olması diyebiliriz.
Çoğu veri şirketinde verilerin toplanması manuel olduğundan dolayı her maç için insan gücü gereklidir. Ancak yapay zeka ve görüntü işleme teknikleri sayesinde buna gerek olmadığı ve verilerin çok yüksek doğruluklarla işlenebileceğini düşünüyorum. Bunun için bir machine learning algoritmasıyla veri elde etmeye karar verdim.
Yaptığım proje Python dilinde yazıldı.(Convolutional Neural Network) Ve bu dilin içerisinde OpenCV, YOLOv4 ve Deepsort kütüphanelerini kullandım. Machine learning algoritmalarının öğrenim sürecinde ekran kartının kalitesi önemli olduğu için ücretsiz ekran kartı hizmeti veren Google Colab kullandım.
Öncelikli olarak indirdiğim maç özetlerini, VLC player yardımıyla saniyelere bölünmüş fotoğraf kareleri olarak kaydettim. Nasıl yapılacağına buradan bakabilirsiniz. Maç özetlerini fotoğraf karelerine dönüştürdükten sonra parazit görüntüleri siliyoruz.(Yakın çekim görüntüler ya da taraftar görüntüleri) Bu işlemi de gerçekleştirdikten sonra geriye bu verileri etiketleyip yolov4 yardımıyla eğitime sokmak kalıyor.
Verileri etiketlemek için makesense.ai sitesini kullandım. Bu işlem için ek olarak labelimg gibi alternatifler de kullanılabilir. Parazitlerden arındırdığımız binlerce görseli etiketledikten sonra, koordinat belirten tüm txt dosyalarını yolo formatında indirip fotoğrafların olduğu dizine atıyoruz.
Şimdiki aşamada ise makine öğrenmesi algoritmalarından yararlanarak elimizdeki veriyi eğiteceğiz. Bunun için dosyaları train ve test set olarak parçalamamız gerekiyor. Ben bu parçalama ismini %80 train ve %20 test olarak yaptım.
Colab kullandığım için train ve test olarak ayırdığım klasörleri zip haline getirip google drive hesabıma yükledim. Daha sonra colab üzerinden google drive hesabımla bağlantı kurup zipteki dosyaları çıkararak kullandım.
Yaklaşık 24 saatlik bir veri eğitiminden sonra ortaya çıkan ağırlık dosyasıyla %90- %99 arasında bir tespit kalitesine erişebildim. Ağırlığı videolar üzerinde de analiz edebilmek için DeepSort kullandım. Ağırlık dosyalarına ve kodlarıma Github linkim üzerinden erişebilirsiniz.
