Im Video oben zeigt Lambert, wie das CV-Tool die Drehachse von Bällen mit einem neongrünen Punkt und die Kontaktrichtung mit anderen Neonfarben identifiziert.
„Ich denke, die derzeit wahrscheinlich sinnvollste Verwendung von CV besteht darin, einige Kennzahlen zu erhalten, die ich von Hawk Eye nicht erhalten kann“, sagte Lambert. „Ich bin sicher, Sie können sich vorstellen, dass mein Bruder in der High School in Cincinnati einen Bullpen werfen würde und kein Trackman zur Verfügung hätte. Wenn wir ein paar Aufnahmen machen und ein paar Schätzungen darüber bekommen könnten, was vor sich geht, sollten wir diesen Prozess besser von dort aus anpassen.“
Ein Computer-Vision-System lernt, indem es Tausende und Abertausende beschrifteter Bilder analysiert – manchmal Millionen, wie im Fall von Teslas frühen Versuchen zum autonomen Fahren – und dabei Faltungs-Neuronale Netze verwendet, um Muster zu identifizieren und räumliche Hierarchien zu verstehen. Das ist tiefes Lernen.
Boddy und andere bei Driveline haben viel Tagging und schwere Arbeit geleistet, um das System zu trainieren – sie haben Ebenen, Drehachsen und Tonhöhentypen für Tausende und Abertausende aufgezeichneter Darbietungen markiert. Das System lernt immer noch und verbessert sich immer noch.
Lambert hat Anfang dieses Monats etwa 50 Pitches durchgeführt und dabei den Ballflug und die Auswirkungen jeder Anpassung untersucht, wobei er sich an dem Feedback der realen KI-Bemühungen von Driveline orientierte.
Es war nicht in der Lage, das Spielfeld in einem Spiel perfekt nachzubilden, aber es konnte einige seiner Eigenschaften nach nur einem Griff, einer Empfehlung unseres Computer-Vision-Modells und einigen Optimierungen simulieren.
„Was ich nachstellen konnte, ist, dass ich den hohen Lauf von der Seite des Arms, den er werfen wollte, hinkriegen konnte“, sagte Lambert. „Ich konnte die Rotationseffizienz nicht ausreichend verbessern, um die Gyro-Aktion zu erzielen. Ich fand es im Grunde einfacher, ein Änderungsprofil mit einer Rückenlage (Bearbeitung) zu erstellen, als eine echte gyroskopische Version seines Sliders zu erstellen. Das war der größte Teil des Iterationsprozesses. Tatsächlich dauerte es nicht lange, einige Würfe mit hohem Lauf auf der Seite des Arms zu erzeugen.“
Stellen Sie sich vor, was professionelle und College-Pitcher und Trainer mit diesem Tool machen könnten?
Dies ist eine Anwendung des Computer-Vision-Modells: Es hilft Trainern und Spielern zu verstehen, wie sie einen Schuss einleiten.
Conor White, Pitch Manager bei Driveline, erklärt den anderen großen Vorteil der Gestaltung einer Präsentation mithilfe von Deep Learning.
„Die Geschwindigkeit der Analyse ist eines der aufregendsten Dinge“, sagte White. „Wir wollen diese Stifte spielähnlich gestalten. Wenn man also nach jedem Wurf anhalten, sich eine Reihe von Messwerten ansehen und zum Video zurückkehren muss, und als nächstes merkt man, dass zwischen den Würfen etwa eine Minute vergangen ist, ist das wirklich eine Art Zeitraffer, der fließt … Computer Vision ermöglicht es Ihnen, die beobachtete (Bewegung) im Vergleich dazu zu betrachten, wie der Spin aussieht, was der Ballphysik des Geschehens in Echtzeit näher kommt.“
„Die Geschwindigkeit, mit der diese (Entwicklungen) umgesetzt werden können, ist sehr spannend.“
Es ist wirklich spannend, die Feedbackschleife zu verkürzen und zu verstehen, was die Präsentation bewirkt.
Unser Computer-Vision-Modell ist noch kein fertiges Produkt, erzielt aber in unseren Fitnessstudios bereits Ergebnisse.
Driveline-Pitching-Trainer Grayson Liebhardt sagt, dass es ihm als Trainer wirklich hilft.
„Es ist ein wirklich nützliches Werkzeug“, sagte Liphart. „Es befindet sich noch in einem frühen Entwicklungsstadium, aber es hilft uns, die Lücke zu schließen und die Nahtrichtung zu verstehen, ohne auf die Daten professioneller Organisationen zugreifen zu müssen … Es gibt uns mehr Kontext dazu, warum sich eine Präsentation in eine bestimmte Richtung bewegt oder wie wir die Nahtrichtung für bestimmte Bewegungsprofile optimieren können.“
„Die Physik des Spielfelds ist noch nicht vollständig geklärt. Es gibt viele Dinge, die nichts mit Magnus zu tun haben, wie variable Nahtbewegungen und vielleicht andere Variablen, von denen wir vielleicht nicht einmal wissen, die den Flug des Balls beeinflussen“, sagte Liphart.
Lijphart weist zum Beispiel darauf hin, dass wir wissen, wie sich die Kontaktverschiebung auf den Ballflug auswirkt, aber wir können nicht bestimmen, wie sehr sie sich zusammen mit anderen Variablen auf die Bewegung auswirkt, von denen einige, wie er betont, „wir derzeit möglicherweise nicht berücksichtigen“.
Wir wissen nicht alles. Was sehr spannend ist, ist, dass Computer Vision zu einem besseren Verständnis führen wird.
„Diese Tools sind sehr nützlich, um die Informationen, die wir bereits haben, zu nutzen und weitere Informationen zu sammeln, damit wir mehr über die Physik des Stadions erfahren können“, sagte er über den Lebenslauf.
Das Spannende an realen KI-Durchbrüchen ist auch, dass sie ständig dazulernen und immer besser werden.
„Das Coole für mich ist, dass ich die Nahtrichtung und die Rotationsachse einfacher erkennen kann“, sagte Liphart. „Historisch gesehen musste man einfach die Edgertronic-Kamera (studieren) und versuchen, sie zu finden und zu erraten, wo sich die Rotationsachse befindet.“
Jetzt verfügt Liebhardt über ein Tool, das das Rätselraten noch einfacher macht.
Er hat diesen Clip aus einer anderen Mystery-Show geteilt, die Imai ähnelt, dieses von Driveline-Athlet Tony Uribe.