La educación futbolística desempeña un papel importante en la educación universitaria, ya que enriquece la vida en el campus y promueve el desarrollo integral de los estudiantes. Sin embargo, el entrenamiento universitario de fútbol en China enfrenta desafíos debido a las limitaciones en popularidad, recursos de entrenamiento y condiciones ambientales. Este estudio aborda problemas de disminución de la precisión de detección causada por oclusión, iluminación desigual y tamaño pequeño de los objetos en los sistemas de detección de objetos tradicionales mediante la mejora de la estructura de red YOLOv5. La estructura principal original de CSPDarkNet53 se simplificó a una estructura de red móvil con convoluciones separables en profundidad, lo que redujo los parámetros del modelo y mejoró la velocidad de detección. Se integraron mecanismos de atención en la red YOLOv5 para mejorar la extracción de características del objetivo y mitigar la interferencia de fondo, abordando la oclusión y los fondos complejos. Además, se introdujo el filtro Kalman sin aroma en Deep SORT, reemplazando IoU con DIoU y empleando un método de coincidencia en cascada, lo que redujo significativamente el cambio de ID en las tareas de seguimiento de objetivos. Los resultados experimentales en conjuntos de datos públicos demuestran que el modelo propuesto exhibe un rendimiento de detección superior, lo que lo hace adecuado para escenarios de entrenamiento de fútbol universitario. Este estudio también destaca el potencial de la inteligencia artificial, en particular la tecnología de detección de objetos, para mejorar la eficiencia y la eficacia del entrenamiento de fútbol, contribuyendo al desarrollo integral de los estudiantes-atletas.
Football education plays a significant role in university education, enriching campus life and promoting holistic student development. However, university football training in China faces challenges due to limitations in popularity, training resources, and environmental conditions. This study addresses issues of decreased detection accuracy caused by occlusion, uneven lighting, and small object size in traditional object detection systems by improving the YOLOv5 network structure. The original CSPDarkNet53 backbone was streamlined to a MobileNet structure with depthwise separable convolutions, reducing model parameters and improving detection speed. Attention mechanisms were integrated into the YOLOv5 network to enhance target feature extraction and mitigate background interference, addressing occlusion and complex backgrounds. Additionally, the Unscented Kalman Filter was introduced into DeepSORT, replacing IoU with DIoU and employing a cascade matching method, significantly reducing ID switching in target tracking tasks. Experimental results on public datasets demonstrate that the proposed model exhibits superior detection performance, making it suitable for university football training scenarios. This study also highlights the potential of artificial intelligence, particularly object detection technology, to advance the efficiency and effectiveness of football training, contributing to the comprehensive development of student-athletes.