🏀 HoopCut

🎯 基于AI的篮球视频自动剪辑系统

使用YOLOv8深度学习模型实现篮球进球自动检测和视频集锦生成的后端API服务。

🎬 演示视频

3b3ca866f140a46980a8cb0a60c914c0.mp4

🧩整体pipeline

✨ 核心功能

• 🎯 AI进球检测：基于YOLOv8模型的篮球进球自动识别
• 🎬 视频集锦生成：FFmpeg自动剪辑生成精彩进球集锦
• 📊 统计分析：提供投篮统计和命中率分析
• 🚀 REST API：完整的后端API接口服务
• ⚡ 实时处理：支持视频上传和实时处理进度反馈

🛠️ 技术栈

• Flask - Python Web框架
• YOLOv8 (Ultralytics) - AI目标检测模型
• OpenCV - 计算机视觉库
• FFmpeg - 视频处理工具

📋 系统要求

• Python 3.8+
• FFmpeg (用于视频处理)
• 支持的视频格式：MP4, AVI, MOV, MKV

🚀 快速开始

# 克隆项目
git clone <repository-url>
cd HoopCut

# 进入后端目录
cd backend

# 创建虚拟环境
python -m venv venv

# 激活虚拟环境 (Windows)
venv\Scripts\activate
# 或 (Linux/macOS)
source venv/bin/activate

# 安装依赖
pip install -r requirements.txt

# 启动后端服务(测试阶段)
python test_full_pipeline.py

# 返回项目根目录
cd ..

# 进入前端目录
cd frontend

# 安装依赖
npm install

# 启动开发服务器
npm run dev

前端页面展示

处理过程页面

进球判断逻辑

📁 项目结构

HoopCut/
├── backend/                 # 后端代码
│   ├── app.py              # 主应用文件
│   ├── shot_detector_video.py  # 进球检测模块
│   ├── video_processor.py   # 视频处理模块
│   ├── utils.py            # 工具函数
│   ├── requirements.txt    # 依赖配置
│   ├── uploads/            # 上传文件目录
│   ├── outputs/            # 输出文件目录
│   └── AI-Basketball-Shot-Detection-Tracker/  # AI模型
├── models/                 # 模型文件目录
├── outputs/                # 全局输出目录
├── uploads/                # 全局上传目录
└── README.md              # 项目说明文档

📡 API接口

上传视频并处理

POST /api/upload
Content-Type: multipart/form-data

# 参数
- file: 视频文件 (MP4, AVI, MOV, MKV)
- before_time: 进球前保留时间 (默认8秒)
- after_time: 进球后保留时间 (默认2秒)

获取处理状态

GET /api/status/{task_id}

下载集锦视频

GET /api/download/{filename}

📄 许可证

MIT License

🙏 致谢

• 本项目受 AI-Basketball-Shot-Detection-Tracker 的启发，感谢作者提供的思路与开源贡献。

🏀 帮你发现篮球场上的每一个精彩瞬间！