Dans la vidéo ci-dessus, Lambert montre comment l’outil CV identifie l’axe de rotation des boules avec un point vert fluo et l’orientation de la couture dans d’autres nuances de néon.
“Je pense que l’utilisation la plus applicable du CV à l’heure actuelle est probablement d’obtenir certaines des mesures que je ne peux pas obtenir de Hawk-Eye”, a déclaré Lambert. “Je suis sûr que vous pouvez imaginer que si mon frère au lycée de Cincinnati lance dans un enclos des releveurs et qu’il n’a tout simplement pas de Trackman disponible, si nous pouvons obtenir des images, obtenir des estimations de ce qui se passe, nous aimerions affiner ce processus à partir de là.”
Un système de vision par ordinateur apprend en analysant des milliers et des milliers d’images étiquetées, parfois même des millions, comme dans le cas des premiers efforts de conduite autonome de Tesla, en utilisant des réseaux neuronaux convolutifs pour identifier des modèles et comprendre les hiérarchies spatiales. C’est un apprentissage profond.
Boddy et d’autres chez Driveline ont effectué des tonnes de marquage et de gros travaux pour former le système : marquage des coutures, des axes de rotation et des types de pas à partir de milliers et de milliers d’offres enregistrées. Le système continue d’apprendre et de s’améliorer.
Lambert a effectué environ 50 lancers plus tôt ce mois-ci, étudiant le vol de la balle et l’impact de chaque ajustement, guidé par les commentaires des efforts d’IA du monde réel de Driveline.
Il n’a pas été capable de reproduire parfaitement le terrain dans un enclos des releveurs, mais il a pu imiter certaines de ses caractéristiques après une seule recommandation d’adhérence et de terrain de notre modèle de vision par ordinateur et quelques ajustements.
“Ce que j’ai pu recréer, c’est que je pouvais courir en hauteur et lancer le bras”, a déclaré Lambert. “Je ne parvenais pas à supprimer suffisamment l’efficacité de la rotation pour obtenir l’action du gyroscope. En gros, j’ai trouvé plus facile de créer un profil de changement avec un (relâchement) en supination que de créer la véritable version gyroscopique de son curseur. C’était l’essentiel du processus d’itération. En fait, il n’a pas fallu si longtemps pour produire des lancers avec la course du bras élevé. “
Imaginez ce que de vrais lanceurs et entraîneurs professionnels et universitaires pourraient faire avec cet outil ?
Il s’agit d’une application d’un modèle de vision par ordinateur : aider les entraîneurs et les joueurs à comprendre comment commencer un terrain.
Le directeur du pitch chez Driveline, Connor White, explique l’autre grand avantage de la conception de pitch assistée par apprentissage profond.
“La vitesse d’analyse est l’une des choses les plus excitantes”, a déclaré White. “Nous voulons garder ces stylos comme un jeu. Donc, si cela doit s’arrêter après chaque lancer et regarder un tas de mesures et vérifier la vidéo, et la prochaine chose que vous savez, il s’est écoulé une minute ou plus entre les lancers, cela interrompt vraiment le flux… La vision par ordinateur vous permet de comparer ce qui est observé par rapport au mouvement basé sur la rotation, vous rapprochant ainsi de la physique de la balle en temps réel.
“La vitesse à laquelle ces (avancées) peuvent être appliquées est vraiment passionnante.”
Raccourcir la boucle de rétroaction, la compréhension de ce qui constitue une version, est vraiment passionnant.
Notre modèle de vision par ordinateur n’est pas un produit fini, mais il donne déjà des résultats dans nos salles de sport.
L’entraîneur des lanceurs de transmission Grayson Liebhardt dit qu’il aide déjà en tant qu’entraîneur.
“C’est un outil vraiment utile”, a déclaré Liebhardt. “Il est encore en développement, mais il nous aide à combler le fossé et à comprendre l’orientation des coutures sans aucun accès aux données dont disposent les organisations professionnelles… Cela nous donne plus de contexte quant aux raisons pour lesquelles un terrain peut bouger d’une certaine manière, ou comment optimiser l’orientation des coutures pour certains profils de mouvement.
“La physique du terrain n’est pas complètement élaborée. Il y a beaucoup de choses, sans rapport avec Magnus, comme le déplacement des coutures, et peut-être d’autres variables que nous ne connaissons peut-être même pas, qui affectent le vol de la balle”, a déclaré Liebhardt.
Par exemple, Liebhardt note que nous savons comment le sillage décalé de la couture affecte le vol de la balle, mais nous ne pouvons pas quantifier dans quelle mesure cela affecte le mouvement ainsi que d’autres variables, dont certaines, note-t-il, “peut-être que nous ne les considérons même pas pour le moment”.
Nous ne savons pas tout. Et ce qui est si excitant, c’est que la vision par ordinateur permettra une meilleure compréhension.
“Ces outils sont très utiles pour utiliser les informations dont nous disposons déjà”, a-t-il déclaré à propos de CV, “ainsi que pour recueillir davantage d’informations afin que nous puissions en apprendre davantage sur la physique du ton”.
Ce qui est également passionnant dans les avancées concrètes de l’IA, c’est qu’elles continuent d’apprendre et de s’améliorer.
“Ce qui est intéressant pour moi, c’est de pouvoir visualiser plus facilement l’orientation de la couture et l’axe de rotation”, a déclaré Liebhardt. “C’est juste quelque chose pour lequel, historiquement, il fallait (étudier une) caméra Edgertronic et essayer de la trouver et de deviner où se trouverait le pivot.”
Liebhardt dispose désormais d’un outil qui élimine davantage de conjectures.
Il a partagé ce clip d’un autre pitch mystère de type Imai, celui-ci de l’athlète Driveline Tony Oreb.