Mindket

HockeyRink

新上架第 1 版 · 更新于

概览

在图片中找出冰球场的 56 个地标点,并标注编号和置信度。适合体育分析师、转播图形团队和计算机视觉研究者。

HockeyRink 是一款工具包,属于研究类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。

速览

你需要
  • Windows、macOS 或 Linux 上的 Python
  • requirements.txt 里的软件包,以及 Gradio 5.12.0
用在
  • 网页浏览器:打开 Hugging Face 上的 Space 页面并上传图片
  • Hugging Face Spaces:它在那里运行于基础 CPU 机器上
  • Windows、macOS 或 Linux:用 Python 运行你自己的副本
先运行
pip install -U huggingface_hub
hf download SimulaMet-HOST/HockeyRink --repo-type space --local-dir HockeyRink
cd HockeyRink

平台

Windows操作系统
macOS操作系统
Linux操作系统

关于

它是什么

这个 Space 能在图片里找出冰球场上的 56 个地标点,并画在图像上,每个点都带有编号和置信度。它运行的是在冰球场数据集上训练的 YOLOv8 姿态模型。这样你在做空间分析之前,不用再手动标记场地线。

适合谁

它适合体育分析师、转播图形团队和计算机视觉研究者,他们需要知道球场在相机画面中的位置。

谁可能用到它
行业谁在用怎么用例子
体育转播图形团队把叠加图形固定在冰面上在广角镜头的冰面上放置一张图形
体育分析分析师把球员映射到球场平面图上把一帧画面转成球场坐标,用于比赛统计
计算机视觉研究者在体育视频上测试关键点检测检查球员挡住地标时它的表现
AR 和 VR开发者让虚拟场景对齐真实球场把虚拟场景套进球场画面

做其他运动,或者完全不处理球场图片的人可以跳过。

用在哪里

  • 网页浏览器:打开 Hugging Face 上的 Space 页面并上传图片
  • Hugging Face Spaces:它在那里运行于基础 CPU 机器上
  • Windows、macOS 或 Linux:用 Python 运行你自己的副本
它能做的事
用途适合谁得到什么
相机标定视觉工程师可用于单应性估计的球场地标点
转播叠加图形图形团队显示球场在画面中位置的关键点坐标
球员追踪分析师用来定位球员的固定球场参考点

如何设置

使用在线 Space 不需要安装任何东西。在自己的电脑上运行副本,你需要先准备好:

  • Windows、macOS 或 Linux 上的 Python
  • requirements.txt 里的软件包,以及 Gradio 5.12.0
  1. 安装 Hugging Face hub 软件包。
  2. 把 Space 下载到名为 HockeyRink 的文件夹。
  3. 进入这个文件夹。
  4. 先安装 Gradio 5.12.0,再安装其他软件包。
  5. 启动应用。
pip install -U huggingface_hub
hf download SimulaMet-HOST/HockeyRink --repo-type space --local-dir HockeyRink
cd HockeyRink
pip install gradio==5.12.0
pip install -r requirements.txt
python app.py

如何使用

在线使用时,打开 Space 页面并上传一张冰球场的图片。在自己的电脑上,用下面的命令启动应用,用法相同。

python app.py

模型会检测关键点,并在图片上显示每个点的编号和置信度。你可以把这些结果用于后续的空间分析或绘图。

示例

你上传一帧比赛的广角画面,其中球员部分挡住了球场。Space 会返回同一张图片,上面标出检测到的关键点,每个点都有编号和置信度。

新手与专家

如果你刚接触这类工具,可以把它看作一个在照片里找出球场固定地标的工具。打开 Space 页面,试试它自带的示例图片,或者上传你自己的球场图片。

如果你熟悉这个领域,这个模型是 YOLOv8-Large 姿态估计器,接收任意分辨率的 RGB 图像,输出 56 个关键点坐标及置信度。模型卡给出的平均 mAP@0.5 为 97.48%,mAP@0.5:0.95 为 76.45%,精确率 96.21%,召回率 96.24%。它用瑞典冰球联赛的比赛画面训练,模型卡没有给出其他联赛球场的结果。

  1. 上传一张球场图片
  2. 模型找出 56 个关键点
  3. 每个点获得编号和分数
  4. 应用把它们画在图片上

注意事项

模型卡列出了在两台机器上测得的速度。

每秒帧数
Tesla T4 GPU13.64 FPS
M3 MacBook Pro6.4 FPS
  • License: MIT
  • Cost to run: 未提及
  • Data it reaches: 你上传到 Space 或自己副本里的图片

README 和文件

README

HockeyRink

在图片中找出冰球场的 56 个地标点,并标注编号和置信度。适合体育分析师、转播图形团队和计算机视觉研究者。

由 SimulaMet-HOST 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么:这个 Space 能在图片里找出冰球场上的 56 个地标点,并画在图像上,每个点都带有编号和置信度。它运行的是在冰球场数据集上训练的 YOLOv8 姿态模型。这样你在做空间分析之前,不用再手动标记场地线。

适合谁:它适合体育分析师、转播图形团队和计算机视觉研究者,他们需要知道球场在相机画面中的位置。

Title: 谁可能用到它
行业 | 谁在用 | 怎么用 | 例子
体育转播 | 图形团队 | 把叠加图形固定在冰面上 | 在广角镜头的冰面上放置一张图形
体育分析 | 分析师 | 把球员映射到球场平面图上 | 把一帧画面转成球场坐标,用于比赛统计
计算机视觉 | 研究者 | 在体育视频上测试关键点检测 | 检查球员挡住地标时它的表现
AR 和 VR | 开发者 | 让虚拟场景对齐真实球场 | 把虚拟场景套进球场画面

做其他运动,或者完全不处理球场图片的人可以跳过。

用在哪里:

  • 网页浏览器:打开 Hugging Face 上的 Space 页面并上传图片
  • Hugging Face Spaces:它在那里运行于基础 CPU 机器上
  • Windows、macOS 或 Linux:用 Python 运行你自己的副本
Title: 它能做的事
用途 | 适合谁 | 得到什么
相机标定 | 视觉工程师 | 可用于单应性估计的球场地标点
转播叠加图形 | 图形团队 | 显示球场在画面中位置的关键点坐标
球员追踪 | 分析师 | 用来定位球员的固定球场参考点

如何设置:使用在线 Space 不需要安装任何东西。在自己的电脑上运行副本,你需要先准备好:

  • Windows、macOS 或 Linux 上的 Python
  • requirements.txt 里的软件包,以及 Gradio 5.12.0
  1. 安装 Hugging Face hub 软件包。
  2. 把 Space 下载到名为 HockeyRink 的文件夹。
  3. 进入这个文件夹。
  4. 先安装 Gradio 5.12.0,再安装其他软件包。
  5. 启动应用。
pip install -U huggingface_hub
hf download SimulaMet-HOST/HockeyRink --repo-type space --local-dir HockeyRink
cd HockeyRink
pip install gradio==5.12.0
pip install -r requirements.txt
python app.py

如何使用:在线使用时,打开 Space 页面并上传一张冰球场的图片。在自己的电脑上,用下面的命令启动应用,用法相同。

python app.py

模型会检测关键点,并在图片上显示每个点的编号和置信度。你可以把这些结果用于后续的空间分析或绘图。

示例:你上传一帧比赛的广角画面,其中球员部分挡住了球场。Space 会返回同一张图片,上面标出检测到的关键点,每个点都有编号和置信度。

新手与专家:如果你刚接触这类工具,可以把它看作一个在照片里找出球场固定地标的工具。打开 Space 页面,试试它自带的示例图片,或者上传你自己的球场图片。

如果你熟悉这个领域,这个模型是 YOLOv8-Large 姿态估计器,接收任意分辨率的 RGB 图像,输出 56 个关键点坐标及置信度。模型卡给出的平均 mAP@0.5 为 97.48%,mAP@0.5:0.95 为 76.45%,精确率 96.21%,召回率 96.24%。它用瑞典冰球联赛的比赛画面训练,模型卡没有给出其他联赛球场的结果。

上传一张球场图片
模型找出 56 个关键点
每个点获得编号和分数
应用把它们画在图片上

注意事项:模型卡列出了在两台机器上测得的速度。

Title: 每秒帧数
Tesla T4 GPU: 13.64 FPS
M3 MacBook Pro: 6.4 FPS
  • License: MIT
  • Cost to run: 未提及
  • Data it reaches: 你上传到 Space 或自己副本里的图片

Hugging Face 上的数据(2026年11月13日)

  • 点赞:1
  • 构建方式:gradio
  • 许可证:mit

链接

  • Space:https://huggingface.co/spaces/SimulaMet-HOST/HockeyRink
  • 文件:https://huggingface.co/spaces/SimulaMet-HOST/HockeyRink/tree/main

试用

在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。

文件
README.md  4 KB

1 个文件,共 4 KB,以 zip 压缩包下载。

更新内容

  • 第 1 版 · 2026-11-12

同类产品对比

同一分类里与本产品共有标签最多的已上架 Hugging Face Space。

产品点赞构建方式许可证最近更新
HockeyRink 本页1gradiomit
Open VLM Leaderboard共有 gradio1,034gradioapache-2.0
Face Swap共有 gradio808gradiocc-by-nc-sa-4.0
TTS Spaces Arena共有 gradio493gradiozlib
Depth Anything 3共有 gradio490gradiocc-by-nc-4.0
BLIP共有 gradio431gradiobsd-3-clause
数据为 Mindket 在 2026-11-12 至 2026-11-13 期间读取的数值。

评价

还没有评分

写评价

还没有评价。

Mindket 的更多商品

查看 Mindket 的全部商品

Bonsai-27B-GGUF

lmstudio-community · 工具包

面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。

新上架

以每权重 2.9 位的 EXL3 量化运行 DeepSeek-V4.1-Flash-1017,这是一份 196 GiB 的副本,适合在自己硬件上部署大模型的人。困惑度与原模型相差不大。

新上架

MusicGen Small

facebook · 工具包

根据文字描述或音频提示生成短音乐片段,是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。

新上架

研究类的相似商品

查看研究类的全部商品

Merlin-Cancer-Super

AbdomenAtlas · 工具包

在 CT 扫描上检测并勾画 9 个器官的肿瘤,使用从放射学报告中学习的 R-Super 方法训练。这是面向医学影像团队的研究模型,采用非商业许可。

新上架

EarthJev

dBenf · 工具包

回答关于卫星图像块的类型化问题,使用 Sentinel-2 的全部 12 个波段,为每个选项返回概率,不生成文字。这是 Qwen3.5-0.8B 的微调版本,适合地球观测研究者。

新上架

getting-over-it-rl-jax

zimmerk4 · 工具包

用一个在 JAX 物理模拟器里学会的小型策略网络,从头到尾通关游戏 Getting Over It。适合强化学习研究者和好奇的动手爱好者。

新上架