YOLOv8n ile Maç Yayını Görüntülerinden Futbolcu Tespiti ve Uzamsal Yoğunluk Analizi

Abstract

Futbol analizinde bilgisayar görüşünün kullanımı, özellikle objektif performans değerlendirmesini desteklemek amacıyla son yıllarda hızla artmıştır. Bu çalışma, önceden eğitilmiş bir YOLOv8 modelini, yayınlanan maç görüntülerine uygulayan gerçek zamanlı bir oyuncu tespiti ve uzamsal analiz çerçevesi sunmaktadır. Sistem yaklaşık 30 kare/saniye hızında çalışmakta ve oyuncu tespitini kare kare gerçekleştirerek dinamik maç koşullarında duyarlılığı sağlamaktadır. Oyuncu konumlandırmasını daha anlamlı bir şekilde temsil etmek için, yalnızca ham koordinat noktalarına güvenmek yerine, yoğunluk tabanlı haritalar oluşturmak üzere 32×32'lik bir uzamsal ızgara yapısı kullanılmaktadır. Bu temsil, toplu uzamsal dağılım modellerinin gözlemlenmesini sağlar ve takımın kompaktlığı ve pozisyonel organizasyonu hakkında yorumlanabilir bilgiler sunar. Elle etiketlenmiş gerçek verilerle yapılan deneysel doğrulama, ortalama %92,3'lük bir tespit doğruluğu ve birden fazla zamansal ölçekte sürekli olarak 0,98'in üzerinde F1 puanları göstermiştir. Kısa, yüksek yoğunluklu bölümlerde gözlemlenen tutarlılık indeksi değerleri, hızlı oyun geçişleri sırasında bile kareler arası izleme sürekliliğinin güvenilirliğini daha da vurgulamaktadır. Uzamsal değerlendirme, tespit edilen oyuncu aktivitesinin neredeyse yarısının (%48,9) orta saha bölgesinde yoğunlaştığını ortaya koyarak, çerçevenin pozisyonel dağılımı yapılandırılmış ve tekrarlanabilir bir şekilde ölçme yeteneğini göstermektedir. Bulgular, gerçek zamanlı yayın görüntülerinin ek sensör verilerine ihtiyaç duymadan yorumlanabilir uzamsal göstergeler elde etmek için kullanılabileceğini göstermektedir. Önerilen sistemin modüler yapısı, teknik analiz iş akışlarına entegrasyonu sağlar ve gelecekteki genişletmeleri destekler. Potansiyel geliştirmeler arasında top tespiti, oyuncu yeniden tanımlama ve pas dizisi analizi yer alarak, çerçevenin daha kapsamlı bir futbol analizi platformuna dönüşmesini sağlayabilir.

Keywords

• Futbol analizi
• YOLOv8
• Oyuncu tespiti
• Uzamsal dağılım

YOLOv8n-Based football player detection and spatial density analysis using broadcast footage

Abstract

The use of computer vision in football analysis has grown rapidly in recent years, particularly for supporting objective performance evaluation. This study presents a real‑time player detection and spatial analysis framework that applies a pre‑trained YOLOv8 model to broadcast match footage. The system operates at approximately 30 frames per second and performs player detection on a frame‑by‑frame basis, ensuring responsiveness under dynamic match conditions. To represent player positioning more meaningfully, a 32×32 spatial grid structure is employed to generate density‑based maps rather than relying solely on raw coordinate points. This representation enables the observation of collective spatial distribution patterns and provides interpretable insights into team compactness and positional organization. Experimental validation against manually annotated ground‑truth data demonstrated an average detection accuracy of 92.3% and F1 scores consistently above 0.98 across multiple temporal scales. The consistency index values observed in short high‑intensity segments further highlight reliable frame‑to‑frame tracking continuity, even during rapid gameplay transitions. Spatial evaluation revealed that nearly half of the detected player activity (48.9%) was concentrated in the midfield region, illustrating the framework’s ability to quantify positional distribution in a structured and reproducible manner. The findings suggest that real‑time broadcast footage can be used to extract interpretable spatial indicators without the need for additional sensor data. The modular structure of the proposed system allows integration into technical analysis workflows and supports future extensions. Potential enhancements include ball detection, player re‑identification, and pass‑sequence analysis, enabling the framework to evolve into a more comprehensive football analytics platform.

Keywords

• Football analysis
• YOLOv8
• Player detection
• Spatial distribution

References

1. B. T. Naik, M. F. Hashmi, and N. D. Bokde, “A comprehensive review of computer vision in sports: open issues, fu-ture trends and research directions,” Applied Sciences, vol. 12, no. 9, pp. 4429, 2022.
2. S. Akan and S. Varlı, “Use of deep learning in soccer videos analysis: survey,” Multimedia Systems, vol. 29, no. 3, pp. 897–915, 2023.
3. B. Wang, “Football sports video tracking and detection technology based on YOLOv5 and DeepSORT,” Discover Applied Sciences, vol. 7, no. 6, pp. 563, 2025.
4. A. Sharma et al., “Real-Time Football Match Analysis: Leveraging YOLO for Enhanced Object Detection and Pos-session Tracking,” Procedia Computer Science, vol. 252, pp. 312–321, 2025.
5. Y. Liu et al., “Automatic Estimation of Football Possession via Improved YOLOv8 Detection and DBSCAN-Based Team Classification,” Sensors, vol. 26, no. 4, pp. 1252, 2026.
6. A. Cioppa et al., “Setting a Baseline for Long-Shot Real-Time Player and Ball Detection in Soccer Videos,” arXiv preprint arXiv:2311.06892, 2023.
7. J. Zhang et al., “Video object tracking based on YOLOv7 and DeepSORT,” arXiv preprint arXiv:2207.12202, 2022.
8. Z. L. Crang et al., “Concurrent validity of computer-vision artificial intelligence player tracking software using broadcast footage,” arXiv preprint arXiv:2508.19477, 2025.

9. C. Ranasinghe and U. Thayasivam, “Team-aware football player tracking with SAM: an appearance-based ap-proach to occlusion recovery,” arXiv preprint arXiv:2512.08467, 2025.
10. D. Memmert, K. A. Lemmink, and J. Sampaio, “Current approaches to tactical performance analyses in soccer us-ing position data,” Sports Medicine, vol. 47, no. 1, pp. 1–10, 2017.
11. C. Gu, V. De Silva, and M. Caine, “A machine learning framework for quantifying in-game space-control efficien-cy in football,” Knowledge-Based Systems, vol. 283, pp. 111123, 2024.
12. Z. Wang et al., “TacticAI: an AI assistant for football tactics,” Nature Communications, vol. 15, no. 1, 2024.
13. F. Wu et al., “A survey on video action recognition in sports: datasets, methods and applications,” IEEE Transac-tions on Multimedia, vol. 25, pp. 7943–7966, 2023.
14. H. W. Kuhn, “The Hungarian method for the assignment problem,” Naval Research Logistics Quarterly, vol. 2, no. 1–2, pp. 83–97, 1955.