基于YOLO11改进的足球比赛目标检测：C3k2-ConverseB模块实践

做足球比赛自动分析的朋友，大概都经历过这种场景：对着比赛录像一帧帧拖，去认那个只有十几个像素的足球，眼睛快看瞎。我前段时间接了个类似的需求，要从比赛视频里实时输出三类目标——场上运动员、足球、场地线，下游还要接轨迹统计和越位辅助判断。当时第一反应是直接拿现成检测模型跑，结果小足球的漏检率让我直接怀疑人生。后来在YOLO11的骨架上做了局部改造，把C3k2里的标准瓶颈块换成自己设计的ConverseB卷积块，精度和速度总算平衡下来。这篇文章把整个方案从数据、结构、训练到部署完整复盘一遍，给正在做体育场景目标检测的朋友做个参考。

1. 项目背景：先看清楚任务再谈改模型

1.1 足球场景检测到底难在哪

很多人觉得检测运动员和足球就是普通目标检测，拿个通用模型套上去就行。但我实测下来，足球场景有三个问题是通用模型很难直接搞定的。

第一是目标尺度差异极端。运动员在1080p画面里通常有几百甚至上千像素的面积，而足球在远射镜头下往往只有十个像素上下。两类的尺度差可以达到几十倍，这让网络在特征提取时很容易把注意力全放在大目标上，小目标特征在图里经过几层下采样后几乎就没了。

第二是足球本身的外观信息太弱。它就是个白底带花纹的圆球，颜色和草皮、球衣、观众席混在一起时，对比度经常不够。遇到球员铲球、跑动遮挡、运动模糊，人眼都容易看漏，模型当然也容易懵。

第三是场地线的检测输出问题。严格说场地线不是“物体”，而是一堆长条线段。用普通bbox去框一段边线或禁区线，语义上就很别扭。一个bbox横跨半场长度，另一个bbox只有半米宽，这对数据标注和损失函数都不友好。

1.2 三类目标的检测口径

做项目的第一步不是写代码，而是把“检测什么”定义清楚。我最终把类别收敛成三类：

• 运动员：所有场上人员，包括双方球员和裁判，不细分队伍。细分放到跟踪阶段做。
• 足球：只检测比赛用球，不检测球场外的备用球或者观众扔下来的东西。
• 场地线：把边线、底线、禁区线、中线、中圈这些能在线条上形成闭合或半闭合轮廓的标志物，用尽量贴合线段走向的倾斜bbox框出来。

为什么不把运动员分成主队、客队、裁判三类？因为分组颜色在不同镜头下会变，球衣颜色受光照影响很大，检测网络去做颜色强关联容易过拟合。更稳的做法是先用检测框锁定所有人，再用ReID特征的聚类去区分阵营。这个切分让检测头压力小很多。

场地线这类的处理，我用的是“线段bbox + 后续几何拟合”的组合。网络只负责输出线段可能存在的区域，后面再用霍夫直线检测和已知场地尺寸做单应性映射，把线段恢复成标准坐标。这样既避开了实例分割的大计算量，又保留了之后做越位判断和热力图所需的几何信息。

1.3 数据集与标注的取舍

数据来源主要有三个：网上公开的足球比赛抽帧数据集、自己录的几场业余比赛、以及从公开转播画面里截取的困难样本。公开数据集我用了一部分低级别比赛和国外某联赛的公开抽帧数据，但发现它们的标注口径差别很大，有的只标球员不标球，有的场地线标成多边形。

所以最终训练集合是以自建数据为主，公开数据仅做补充。总量大概一万两千张训练图，一千五百张验证图，全部转成YOLO格式的txt。

这里有个我认为很重要的原则：标注一致性比标注精细度更重要。比如场地线，大家要统一标“可辨识的完整线段区域”，而不是每个人按自己的喜好把一段线切成不同长度。足球要统一标“完整球体可见部分的轮廓”，球被挡一半也要标，挡到只剩四分之一就不标。这些细节不统一，模型学出来会自带噪声，AP再高都是虚的。

标注工具我用的是X-AnyLabeling，因为可以用SAM做辅助预标注，线段类目标可以画参考线之后快速微调。三个人标了两周，之后做了一轮交叉复核，重点看球类相同目标是否被不同标注员漏标错标。

2. 网络结构选型：YOLO11和C3k2-ConverseB

2.1 为什么拿YOLO11做底子

选基础模型的时候我对比过几类方案。两阶段检测器在精度上确实稳，但足球视频要做实时处理，部署成本压力很大。端侧模型轻小型号虽然快，小目标能力通常不行。YOLO11当时的优势在于三点：

• 无锚框解耦头，分类和回归分支分离，收敛稳定。
• 带了C3k2、SPPF、C2PSA这些模块，在轻量化和特征提取之间配得比较均衡。
• 官方代码库搞好了训练、验证、导出的完整链路，我只需要改模块、改配置，不用从零搭工程。

更重要的是YOLO11本身在中等算力设备上表现稳，我手上只有一张消费级显卡和一台边缘设备，选它能省很多事。

2.2 C3k2模块的前世今生

C3k2可以理解成CSP结构的又一次演进。它的基本做法是：输入分两条路径，一条直接往前走，另一条过一个由若干C3k瓶颈块串联的小分支，最后再拼回去。这种分裂-变换-融合的设计让梯度在反向传播时多了一条“高速公路”，缓解深网络训练难的问题，同时在同等计算量下比早期更密的Bottleneck结构更省。

我在YOLO11里最关心的不是它整体结构，而是那条小分支里的基础块。默认是标准Bottleneck：一个1x1降维、一个3x3卷积升维，再接残差。这个块中规中矩，但我在足球场景里发现，3x3卷积的感受野对小足球不够用，却又不想单纯把3x3换成5x5就完事——那样只会增加参数，不改特征表达能力。

2.3 ConverseB块的设计与代码实现

于是我自己实现了一个替换块，工程文件名里写着ConverseB，取自ConvNeXt Block的思路缩写。它跟标准Bottleneck最大的不同，是把“大核深度卷积 + 倒残差 + LayerNorm语义”这套组合引进来。

我在C3k2里替换的ConverseB块结构如下：

import torch import torch.nn as nn class ConverseB(nn.Module): def __init__(self, c1, c2, k=5, e=0.5): super().__init__() c_ = int(c2 * e) self.pw1 = Conv(c1, c_, 1, 1) self.dw = Conv(c_, c_, k, 1, groups=c_) self.pw2 = Conv(c_, c2, 1, 1, act=False) self.norm = nn.GroupNorm(1, c2) self.act = nn.SiLU() self.shortcut = (c1 == c2) def forward(self, x): y = self.pw2(self.dw(self.pw1(x))) if self.shortcut: y = self.norm(y) + x y = self.act(y) return y

解释一下这个设计的取舍：

第一个关键点是深度卷积。标准Bottleneck用3x3普通卷积，它同时做空间和通道混合。而深度卷积每个通道独立卷积，参数量从k²乘通道数降为k²乘单通道，因此把核取到5甚至7也不会显著涨参数。5x5的感受野对捕捉十几像素的足球边缘有用得多。

第二个关键点是倒残差。先1x1把通道压缩，深度卷积在低维空间提取特征，再1x1把通道恢复。这跟MobileNet系的做法类似，特点是中间瓶颈通道低，计算量受控，但非线性更强。

第三个点是我用GroupNorm代替了常见的BatchNorm。检测模型常在batch size较小时训练，BatchNorm对batch统计量依赖强，不稳定。GroupNorm按通道分组做归一化，batch小也能稳。这对我们这种batch size只能开到16的消费级显存很关键。

命名上我需要说明一下，ConverseB这名字是我起的，网上搜不到标准定义，它就是“ConvNeXt风格Bottleneck”的简称。你可以把它理解成把ConvNeXt的设计思想压扁到YOLO系列C3k2的Bottleneck位置，而不是照搬整个ConvNeXt骨干。

2.4 结构对比与计算量

我在三个阶段做了替换：骨干网络的Stage3、Stage4里的C3k2，以及Neck部分的C3k2。实测下来，Neck部分换掉效果不如骨干明显，还增加延迟，最后只保留骨干替换，Neck维持默认。

以YOLO11s为基准，我统计了大致变化：

• 原始YOLO11s：参数量约9.4M，FLOPs约16.2G。
• 加入ConverseB，骨干Stage3和Stage4替换，核取5：参数量约9.9M，FLOPs约17.5G。

涨了大概5%到8%，在可接受范围内。速度方面，在1080p视频单张推理上大约从95毫秒涨到105毫秒左右，没有伤筋动骨。

这里有个我踩过的坑：把核设到7虽然在小目标AP上又涨了零点几个点，但边缘部署时延迟明显变大，帧率掉了一截。后来在核大小5和7之间对比，核5的综合收益最好。做改进不能只盯精度的数字，要把速度和计算量一起放进评分表。

3. 训练细节与实验过程

3.1 训练环境和参数配置

先说环境。我用的是PyTorch，GPU是一张消费级显卡，显存24G。软件栈就是官方YOLO11仓库，额外加了自己的模块文件和配置文件。

超参数我最终定为：

• 输入分辨率：1280x1280
• 训练轮数：180轮
• 初始学习率：0.002，采用余弦衰减
• 优化器：AdamW，权重衰减0.0005
• batch size：16
• 数据加载进程：8

这里重点说下为什么输入分辨率定1280。足球在原始640分辨率下大多只有10像素左右，网络第一个stage下采样后就剩不到一半，后面再下采样几次，小目标的信息基本损耗完。升到1280后，足球能占到20多像素，深层特征里还能保留可用信息。代价是训练和推理都慢了，但这是小目标检测最直接有效的办法之一。

3.2 输入端策略：分辨率、马赛克、多尺度

数据增强我严格控制尺度，避免把目标弄得过于失真。用到的增强包括：

• 马赛克增强，概率0.8，对四张图拼成大图，增加目标上下文多样性。
• HSV颜色扰动，色相0.015，饱和度0.5，明度0.5。太高会把草地颜色搞成奇怪的色块，模型容易学歪。
• 随机平移0.1，随机旋转3度。我没敢给更大的旋转角度，球场目标的朝向本身有规律，转太多会让网络学到错误的空间先验。
• 模拟运动模糊，对小概率样本做随机方向的模糊卷积，用来模拟转播画面里的快速运动。

多尺度训练我也开了，幅度在0.5到1.5之间。这个幅度要谨慎，尺度跨度太大，小目标有可能被缩到几乎看不见；训练后期我把多尺度幅度收窄到0.8到1.2，效果更稳。

3.3 实验结果对照

我把几组关键实验放在一张表里，数据来自我本地验证集，不代表通用结论，但趋势值得参考。

单独看mAP50，提升似乎不算夸张，也就几个点。但分类别看就很明显了：

• 运动员类AP50从91.2提升到93.8，提升集中在密集站位和身体交叠的场景。
• 足球类AP50从64.5提升到76.8，这是收益最大的类别。小足球漏检少了，置信度也更稳定。
• 场地线类AP50从78.3提升到82.0，提升主要体现在斜向线段和远端的禁区线。

mAP50-95整体提升更明显，说明预测框的定位精度也变好了。

3.4 从指标到可视化：模型到底学会了什么

指标好看还不够，我习惯把所有验证集预测结果按置信度排序，人工翻图检查高置信度和中置信度的典型输出。一个意外的发现是：改完模块后，模型开始大量输出“半场视角下远处球员脚下压着的小块白色区域”，这在原始模型里几乎不会出现，原始模型更倾向于把球漏掉或者随便给个低置信度框。

这说明深度卷积带来的局部纹理感知对“微弱小目标的前景分离”确实有帮助。另一个发现是场地线类偶尔会误检球衣上的竖直条纹，这类问题我用后处理过滤了一部分，后面第四章细说。

4. 实测中的常见问题与排查技巧

4.1 小目标足球漏检

这是整个项目里最让我头疼的问题，也是花时间最多的地方。

排查思路分几层。先看标注够不够，我把所有漏检样例抽出来逐帧对比标注文件，发现很多训练图里的足球根本没标，特别是球在球员脚边、画面边缘时。用漏检样本驱动补标了两轮，足球AP就涨了两个点。这一步成本最低、见效最快。

再看阈值。足球目标小、特征弱，默认置信度阈值0.25会把很多真阳性压掉。推理时我把conf阈值降到0.1，并用“连续帧轨迹平滑”来兜底：如果检测结果里有连续两三帧的足球位置符合线性外推，即使某帧置信度只有0.08，我也保留候选。这样漏检率降了，误检也没涨太多。

最后还有一个取舍：加P2小目标头理论上最直接，但计算量涨太多。我在小规模对照里看到，换ConverseB加1280输入已经达到需求，就没动P2头。如果你业务对足球召回要求极高，可以再试P2方案，但要做好推理性能下降的准备。

4.2 密集遮挡下的运动员漏检与错检

足球场上十几个人围在一起拼抢时，运动员互相遮挡很常见。此时检测框经常出现两个问题：要么漏掉被挡了大半身体的球员，要么一个框套住两个人，定位框偏到两个目标的重心位置。

我的处理分三步：

第一，训练阶段增加随机擦除增强，概率设为0.3，模拟遮挡。 第二，推理阶段用DIoU-NMS替换普通NMS。DIoU-NMS在判断重叠框时不仅看IoU，还把两框中心的距离加进去，能更好地区分“两个靠很近的独立目标”和“同一个目标的重叠框”。 第三，跟踪阶段用ByteTrack，允许低分检测框参与轨迹匹配。很多被遮挡帧的球员检测置信度很低，但ByteTrack能把他们和前后帧的轨迹串起来，我实际用下来ID切换率降了不少。

4.3 场地线检测不稳定

场地线的难点我之前提过，它本质是“细长结构”。bbox预测出来的区域经常只有部分线段，前后帧还不连续。

我先在后处理里加了霍夫直线检测：把场地线类的预测框内部做边缘提取，再用概率霍夫变换找线段。找到后把线段端点投影到标准场地坐标系的预估位置，这样输出就从“支离破碎的框”变成了“至少视觉上连续”的线段集合。

还有个简单但有效的过滤：场地外的误检。很多误检来自广告牌上的斜纹、观众席的栏杆。我用场地线检测结果拟合出一个粗略的场地多边形，只保留落在多边形内的线段。这个后处理让场地线的可视误检大幅减少。

4.4 推理性能不达标

模型改完以后，在纯PyTorch环境里1080p单帧要100多毫秒，离实时还有差距。

我把部署流程拉到了TensorRT FP16。先把模型导出为ONNX，再转TensorRT引擎，batch size固定为1，开启FP16。同样硬件上推理耗时从105毫秒降到42毫秒左右，基本满足25帧每秒的实时需求。

这里提醒一点：TensorRT对LayerNorm和特殊卷积的实现有版本差异。我的ConverseB块里用了GroupNorm，在某些TensorRT版本里会被当成插件处理，如果遇到转不动的情况，考虑把GroupNorm换成可重参数化的逐通道缩放偏置，代价是精度会有轻微损失。

5. 从检测到业务闭环

5.1 加上跟踪：从框到轨迹

视频分析只有单帧检测是不够的，下游要统计球员跑动距离、射门次数，必须先把同一个运动员在连续帧里连起来。我用的方案是ByteTrack。

ByteTrack的核心思路是把检测框分成高、低分两批，高分框先做匹配，低分框再在未匹配轨迹里做第二轮匹配。这在体育场景里非常好用，因为剧烈运动时部分运动员的检测置信度不稳定，低分框参与匹配能明显减少轨迹断裂。

训练完模型后，我用它配合ByteTrack在几场完整比赛视频上做了跑通测试。单路视频实时处理没问题，运动员ID保持情况在正常转播镜头下还可以接受，一个球员的轨迹能连续跟住几十秒，只在快速交叉跑动时偶尔发生ID互换。

5.2 场地坐标映射与战术数据

光有图像坐标没太大业务价值，战术统计要的是标准球场坐标系。这一步需要场地线和摄像机参数做单应性变换。

我的流程是：从场地线检测结果中提取至少四条不共线的线段，匹配它们在标准球场尺度的对应位置，解出单应矩阵H。有了H，运动员的二维图像坐标就可以投影到场地平面。

用这个投影做越位判断时有个关键技巧：不能取检测框中心做投影，而是取检测框底边中点。因为运动员脚部才是与场地平面接触的点，框中心会因为身体前倾、手臂摆动等上下浮动，直接投影中心会导致场地平面的位置偏差。这个小细节我踩过坑，一开始用框中心做越位判断，误差能到一两米，改成底边中点后稳定很多。

5.3 继续迭代的几条路线

如果这个项目继续推进，我不会再花大量时间魔改骨干网络，而是优先尝试三条路线：

第一条是半监督学习。转播画面里大量未标注视频只做了伪标签，置信度高的伪标签数据拿来做第二遍训练，对小目标召回往往有意外提升。

第二条是多帧融合。当前模型逐帧推理，没有利用时间信息。如果引入相邻帧的特征对齐，对球员快速转身和球被遮挡后的再出现会有帮助。

第三条是针对球检漏的专门化后处理。足球轨迹比一般目标更平滑，用卡尔曼滤波和轨迹外推把漏检点补上，比继续堆模型精度更划算。

6. 踩坑总结与一点个人体会

整个项目做下来，我的第一个体会是：不要一上来就魔改网络。我最初直接把ConvNeXt整套思想塞进YOLO11，结果模型又慢又难收敛。后来老老实实从数据清洗、标注复核、难例挖掘开始，简单改几个模块，效果反而立刻出来了。数据问题的优先级永远高于结构创新。

第二个体会是核大小和输入分辨率这类“土办法”往往比花哨模块更有效。1280输入加核5深度卷积，小足球AP涨了十几个点，而换更复杂的注意力模块只涨了一两个点，还把训练搞得不稳定。做工程，先吃透输入端的收益，再考虑结构端的求新。

最后再提一件事：C3k2-ConverseB这个组合对我这套足球数据有效，但不代表它能无脑平移到篮球、冰球或者别的体育场景。球的尺寸、场地线的形状、运动员的密集程度都不一样。真换场景时，先把原来的baseline跑起来，再拿我这套思路做AB实验，别直接照搬参数。调参这件事没有银弹，只有一步步试出来的结论才靠谱。