Uso de aprendizado de máquina para geração de dados posicionais no futebol

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Feitosa, Alexandre Cardoso
Orientador(a): Perico, D. H.
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Rastreamento de objetos
Redes neurais (Computação)
Identificação de Objetos
Futebol
Link de acesso: https://repositorio.fei.edu.br/handle/FEI/5753
https://doi.org/10.31414/ee.2025.d.132062
Resumo: Devido ao elevado nível técnico, físico e tático que o futebol alcançou nos últimos anos, a utilização de dados neste meio vem se tornando cada vez mais comum nos grandes clubes ao redor do mundo. O avanço nas soluções capazes de extrair, tratar e disponibilizar os dados gerados pelos atletas tem impulsionado mais equipes a explorar essas informações. Contudo, um grande desafio da área é a obtenção de dados especializados, pois esses, por natureza, possuem alta complexidade e, por conseguinte, são comercializados por altos valores, afastando a análise e pesquisa. Os poucos dados públicos existentes contêm informações limitadas, como o resultado da partida e as escalações e, embora existam dados sendo comercializados, a maior parte é gerada manualmente, na qual uma pessoa assiste ao jogo e reporta os acontecimentos, ocasionando falta de padrão entre partidas. Por sua vez, os dados posicionais (localização dos jogadores ao longo da partida) normalmente são obtidos por meio de um GPS vestível que tem um custo elevado e que geralmente são de uso restrito dos clubes. Portanto, esta pesquisa teve como objetivo utilizar algoritmos baseados em visão computacional e aprendizado de máquina, como YOLO e DeepSort, para a obtenção dos dados posicionais dos jogadores a partir das imagens de transmissões televisivas. A abordagem visa viabilizar a criação de métricas e análises avançadas, como posse de bola, porcentagem de acerto de passes por jogador e outras informações derivadas da posição dos jogadores, contribuindo para o desempenho dos clubes e o desenvolvimento do esporte. Os resultados obtidos demonstraram que o sistema construído foi capaz de alcançar um desempenho satisfatório, atingindo um F1-Score de 83,8%
id FEI_fdfe7d6f155f22c1904be91eba094fac
oai_identifier_str oai:repositorio.fei.edu.br:FEI/5753
network_acronym_str FEI
network_name_str Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
repository_id_str
spelling Feitosa, Alexandre CardosoPerico, D. H.2025-05-09T12:20:32Z2025FEITOSA, Alexandre Cardoso. <b> Uso de aprendizado de máquina para geração de dados posicionais no futebol.</b> São Bernardo do Campo, 2025. 76 p. Dissertação (Mestrado Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2025. Disponível em: Texto na íntegra.https://repositorio.fei.edu.br/handle/FEI/5753https://doi.org/10.31414/ee.2025.d.132062Devido ao elevado nível técnico, físico e tático que o futebol alcançou nos últimos anos, a utilização de dados neste meio vem se tornando cada vez mais comum nos grandes clubes ao redor do mundo. O avanço nas soluções capazes de extrair, tratar e disponibilizar os dados gerados pelos atletas tem impulsionado mais equipes a explorar essas informações. Contudo, um grande desafio da área é a obtenção de dados especializados, pois esses, por natureza, possuem alta complexidade e, por conseguinte, são comercializados por altos valores, afastando a análise e pesquisa. Os poucos dados públicos existentes contêm informações limitadas, como o resultado da partida e as escalações e, embora existam dados sendo comercializados, a maior parte é gerada manualmente, na qual uma pessoa assiste ao jogo e reporta os acontecimentos, ocasionando falta de padrão entre partidas. Por sua vez, os dados posicionais (localização dos jogadores ao longo da partida) normalmente são obtidos por meio de um GPS vestível que tem um custo elevado e que geralmente são de uso restrito dos clubes. Portanto, esta pesquisa teve como objetivo utilizar algoritmos baseados em visão computacional e aprendizado de máquina, como YOLO e DeepSort, para a obtenção dos dados posicionais dos jogadores a partir das imagens de transmissões televisivas. A abordagem visa viabilizar a criação de métricas e análises avançadas, como posse de bola, porcentagem de acerto de passes por jogador e outras informações derivadas da posição dos jogadores, contribuindo para o desempenho dos clubes e o desenvolvimento do esporte. Os resultados obtidos demonstraram que o sistema construído foi capaz de alcançar um desempenho satisfatório, atingindo um F1-Score de 83,8%Due to the high technical, physical, and tactical level that football has reached in recent years, the use of data in this field has become increasingly common among major clubs worldwide. Advances in solutions capable of extracting, processing, and making available the data generated by athletes have driven more teams to explore this information. However, a major challenge in the field is the acquisition of specialized data, as these are complex and, consequently, are commercialized at high prices, hindering analysis and research. The limited publicly available data typically include basic information, such as match results and player lineups. Although commercialized data do exist, most of it is generated manually, where an individual watches the game and reports the events, resulting in a lack of consistency across matches. Positional data (the location of players throughout the match), in turn, are usually obtained through wearable GPS devices, which are expensive and generally restricted to club use. Therefore, the objective of this research is to utilize algorithms based on computer vision and machine learning to obtain players’ positional data from broadcast images. This approach aims to enable the creation of advanced metrics and analyses, such as ball possession, pass accuracy percentage per player, and other insights derived from players’ positions, contributing to the performance of clubs and the development of the sportFundação Educacional Inaciana Padre Saboia de Medeirosporpt_BRCentro Universitário FEI, São Bernardo do CampoRastreamento de objetosRedes neurais (Computação)Identificação de ObjetosFutebolUso de aprendizado de máquina para geração de dados posicionais no futebolinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)instname:Centro Universitário da Fundação Educacional Inaciana (FEI)instacron:FEIinfo:eu-repo/semantics/openAccessORIGINALfulltextapplication/pdf19613331https://repositorio.fei.edu.br/bitstreams/200f41ae-3bf0-442b-9e7a-38058124ab40/downloadb97acaed56c87317868587c0188ed860MD51trueAnonymousREADTEXTfulltext.txtfulltext.txtExtracted texttext/plain103059https://repositorio.fei.edu.br/bitstreams/d1de94c9-986e-406b-982e-b3e923e97634/downloadcb50adfe817dc1c43adf4c3963410c44MD52falseAnonymousREADTHUMBNAILfulltext.jpgfulltext.jpgGenerated Thumbnailimage/jpeg2363https://repositorio.fei.edu.br/bitstreams/0510d1c8-0302-4436-a10c-f5ad3c0414c4/downloadbfc83e1c7b8055ee49e5e50c08aafb31MD53falseAnonymousREADFEI/57532025-05-27 00:01:12.733open.accessoai:repositorio.fei.edu.br:FEI/5753https://repositorio.fei.edu.brBiblioteca Digital de Teses e Dissertaçõeshttp://sofia.fei.edu.br/pergamum/biblioteca/PRIhttps://repositorio-api.fei.edu.br/server/oai/requestcfernandes@fei.edu.bropendoar:2025-05-27T00:01:12Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) - Centro Universitário da Fundação Educacional Inaciana (FEI)false
dc.title.pt_BR.fl_str_mv Uso de aprendizado de máquina para geração de dados posicionais no futebol
title Uso de aprendizado de máquina para geração de dados posicionais no futebol
spellingShingle Uso de aprendizado de máquina para geração de dados posicionais no futebol
Feitosa, Alexandre Cardoso
Rastreamento de objetos
Redes neurais (Computação)
Identificação de Objetos
Futebol
title_short Uso de aprendizado de máquina para geração de dados posicionais no futebol
title_full Uso de aprendizado de máquina para geração de dados posicionais no futebol
title_fullStr Uso de aprendizado de máquina para geração de dados posicionais no futebol
title_full_unstemmed Uso de aprendizado de máquina para geração de dados posicionais no futebol
title_sort Uso de aprendizado de máquina para geração de dados posicionais no futebol
author Feitosa, Alexandre Cardoso
author_facet Feitosa, Alexandre Cardoso
author_role author
dc.contributor.author.fl_str_mv Feitosa, Alexandre Cardoso
dc.contributor.advisor1.fl_str_mv Perico, D. H.
contributor_str_mv Perico, D. H.
dc.subject.por.fl_str_mv Rastreamento de objetos
Redes neurais (Computação)
Identificação de Objetos
Futebol
topic Rastreamento de objetos
Redes neurais (Computação)
Identificação de Objetos
Futebol
description Devido ao elevado nível técnico, físico e tático que o futebol alcançou nos últimos anos, a utilização de dados neste meio vem se tornando cada vez mais comum nos grandes clubes ao redor do mundo. O avanço nas soluções capazes de extrair, tratar e disponibilizar os dados gerados pelos atletas tem impulsionado mais equipes a explorar essas informações. Contudo, um grande desafio da área é a obtenção de dados especializados, pois esses, por natureza, possuem alta complexidade e, por conseguinte, são comercializados por altos valores, afastando a análise e pesquisa. Os poucos dados públicos existentes contêm informações limitadas, como o resultado da partida e as escalações e, embora existam dados sendo comercializados, a maior parte é gerada manualmente, na qual uma pessoa assiste ao jogo e reporta os acontecimentos, ocasionando falta de padrão entre partidas. Por sua vez, os dados posicionais (localização dos jogadores ao longo da partida) normalmente são obtidos por meio de um GPS vestível que tem um custo elevado e que geralmente são de uso restrito dos clubes. Portanto, esta pesquisa teve como objetivo utilizar algoritmos baseados em visão computacional e aprendizado de máquina, como YOLO e DeepSort, para a obtenção dos dados posicionais dos jogadores a partir das imagens de transmissões televisivas. A abordagem visa viabilizar a criação de métricas e análises avançadas, como posse de bola, porcentagem de acerto de passes por jogador e outras informações derivadas da posição dos jogadores, contribuindo para o desempenho dos clubes e o desenvolvimento do esporte. Os resultados obtidos demonstraram que o sistema construído foi capaz de alcançar um desempenho satisfatório, atingindo um F1-Score de 83,8%
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-05-09T12:20:32Z
dc.date.issued.fl_str_mv 2025
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv FEITOSA, Alexandre Cardoso. <b> Uso de aprendizado de máquina para geração de dados posicionais no futebol.</b> São Bernardo do Campo, 2025. 76 p. Dissertação (Mestrado Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2025. Disponível em: Texto na íntegra.
dc.identifier.uri.fl_str_mv https://repositorio.fei.edu.br/handle/FEI/5753
dc.identifier.doi.none.fl_str_mv https://doi.org/10.31414/ee.2025.d.132062
identifier_str_mv FEITOSA, Alexandre Cardoso. <b> Uso de aprendizado de máquina para geração de dados posicionais no futebol.</b> São Bernardo do Campo, 2025. 76 p. Dissertação (Mestrado Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2025. Disponível em: Texto na íntegra.
url https://repositorio.fei.edu.br/handle/FEI/5753
https://doi.org/10.31414/ee.2025.d.132062
dc.language.iso.fl_str_mv por
pt_BR
language por
language_invalid_str_mv pt_BR
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
dc.source.none.fl_str_mv reponame:Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
instname:Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron:FEI
instname_str Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron_str FEI
institution FEI
reponame_str Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
collection Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
bitstream.url.fl_str_mv https://repositorio.fei.edu.br/bitstreams/200f41ae-3bf0-442b-9e7a-38058124ab40/download
https://repositorio.fei.edu.br/bitstreams/d1de94c9-986e-406b-982e-b3e923e97634/download
https://repositorio.fei.edu.br/bitstreams/0510d1c8-0302-4436-a10c-f5ad3c0414c4/download
bitstream.checksum.fl_str_mv b97acaed56c87317868587c0188ed860
cb50adfe817dc1c43adf4c3963410c44
bfc83e1c7b8055ee49e5e50c08aafb31
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) - Centro Universitário da Fundação Educacional Inaciana (FEI)
repository.mail.fl_str_mv cfernandes@fei.edu.br
_version_ 1865734573575372800

Registros relacionados