Real-Time Soccer Analytics on the Edge : A Lightweight Framework and Data Standardization

최근 인공지능과 컴퓨터 비전 기술의 발전으로 방송 축구 영상으로부터 전술 및 퍼포먼스 관련 정보를 자동으로 추출하는 축구 영상 분석 연구가 빠르게 발전하고 있다. Liu et al.(2009)은 수작업 시각 특징과 확률적 데이터 연계를 기반으로 선수 탐지, 라벨링, 추적을 자동화한 고전적 파이프라인을 제시하며 해당 분야의 기초를 확립하였다. 이후 산업 중심의 접근 방식들은 딥러닝 기반 축구 분석의 실용 가능성을 보여주었고, ByteTrack과 같은 최신 범용 다중 객체 추적 기법은 벤치마크 환경에서 높은 성능을 달성하였다. 그러나 기존 연구들은 과업 정의, 평가 방식, 데이터 표현 구조가 상이하여 직접적인 성능 비교가 어렵고, 축구 영상 분석을 위한 통합된 표준이 부재하다는 한계를 지닌다.이러한 문제의식을 바탕으로 본 연구는 일반 소비자용 하드웨어 환경에서도 실시간으로 동작 가능한 경량화된 축구 선수 라벨링 및 볼 점유 추정 프레임워크를 제안한다. 제안 시스템은 YOLOv8을 활용한 선수·볼 탐지, 비지도 K-평균 군집화를 통한 팀 색상 자동 분류, 그리고 시간적 관성과 홀드 규칙을 결합한 Norfair 기반 추적을 통합하여 선수 식별과 점유 추정의 안정성을 향상시킨다. 볼 검출기는 COCO 사전학습된 YOLOv8 모델을 기반으로 약 1,000장의 축구공 주석 데이터를 활용해 미세조정되었다. 실험은 총 네 경기의 방송 축구 영상을 대상으로 수행되었으며, 이 중 한 경기는 검증용 홀드아웃 데이터로 사용되었다. 실험 결과, 제안 시스템은 선수 탐지에서 정밀도 96.3%, 재현율 93.8%, 볼 탐지에서 정밀도 96.1%, 재현율 92.4%를 달성하였으며, MacBook Air(M3) 환경에서 25–30 FPS의 처리 속도를 유지하여 실시간 적용 가능성을 입증하였다. 또한 본 연구는 선수 추적, 팀 라벨, 볼 점유 정보를 통합적으로 표현할 수 있는 축구 영상 분석 표준 주석 형식인 SAF-SVA를 제안하여, 향후 연구의 재현성과 공정한 비교, 벤치마크 구축에 기여하고자 한다. 제안 프레임워크는 실제 환경에서 활용 가능한 확장성과 안정성을 갖춘 축구 영상 분석의 기반을 제공한다.

Soccer video analysis has advanced rapidly with recent progress in artificial intelligence and computer vision, enabling the automatic extraction of tactical and performance-related information from broadcast footage. Early systems, such as the classical pipeline of Liu et al. (2009), established the foundations of automatic player detection, labeling, and tracking using handcrafted visual features. More recent industry-oriented approaches demonstrated the practical feasibility of deep-learning-based soccer analytics, while modern generic multi-object tracking methods such as ByteTrack achieved strong benchmark performance. Despite these advances, differences in task formulation, evaluation protocols, and data representation hinder direct comparison and reveal the absence of a unified standard for soccer video analytics. Motivated by these observations, this study presents a modernized lightweight framework that performs automatic soccer player labeling and ball possession estimation and is specifically designed for real-time deployment on consumer-grade hardware. The framework integrates YOLOv8 to detect players and the ball, adaptive K-Means clustering to achieve unsupervised team-color labeling, and Norfair-based tracking enhanced with temporal inertia and a hold-rule mechanism to stabilize player identities and possession timelines. The ball detector is initialized from a COCO-pretrained YOLOv8 model and fine-tuned using approximately 1,000 manually annotated soccer-ball samples. Evaluation is conducted on four full-match broadcast videos, including a held-out match used exclusively for validation. Experimental results show that the proposed system achieves high detection performance (player precision 96.3%, recall 93.8%; ball precision 96.1%, recall 92.4%) while sustaining 25–30 FPS on a MacBook Air (M3), confirming its practicality for real-time soccer analytics. In addition, this work formally defines the Soccer Analytics Format for Spatial-Visual Annotation (SAF-SVA), a lightweight JSON-based schema that unifies player tracking, team labeling, and ball possession representation, enabling reproducible experimentation and fair benchmarking. Overall, the proposed framework provides a robust and scalable foundation for real-world soccer video analytics.