YOLC avec attention parcimonieuse dynamique pour la détection à grande vitesse de petites cibles dans des images sportives portables

Voir le sport à travers les yeux d’un joueur

Imaginez regarder un service de tennis ou un échange de tennis de table non pas depuis les gradins, mais à travers une caméra fixée à la tête d’un athlète. La balle traverse le champ de vision comme un petit flou, et pourtant entraîneurs et analystes aimeraient savoir précisément où elle est allée, à quelle vitesse et comment les joueurs ont réagi. Cet article présente un nouveau système de vision par ordinateur nommé YOLC, conçu pour repérer et suivre ces objets rapides et de petite taille en temps réel sur de petits appareils portables à faible consommation.

Pourquoi les cibles petites et rapides sont si difficiles à saisir

Les caméras portables sont devenues courantes dans l’entraînement sportif, capturant des vidéos à la première personne lors de matchs et d’exercices. Mais de ce point de vue, des objets cruciaux – un volant de badminton, une balle de tennis, le pied d’un sprinteur au départ – n’occupent souvent qu’une poignée de pixels et se déplacent rapidement d’une image à l’autre. Les systèmes de détection existants sont soit trop lourds pour des appareils à faible puissance, soit perdent la trace lorsque les objets sont petits, flous ou éloignés. Les auteurs montrent que dans des séquences sportives réelles, de nombreuses cibles sont plus petites que 32 par 32 pixels et se déplacent si vite entre les images que les méthodes standard les manquent ou perdent leur identité à plusieurs reprises, rompant les trajectoires et compromettant toute analyse de performance sérieuse.

Un pipeline de vision léger pour caméras portables

Les chercheurs présentent YOLC (pour « You Only Look Clusters »), un pipeline complet de détection et de suivi adapté au matériel en périphérie comme un NVIDIA Jetson Nano. Au cœur se trouve un extracteur de caractéristiques épuré construit à partir d’une famille de réseaux neuronaux efficaces connue sous le nom de MobileNet, remodelée pour utiliser principalement des opérations « peu coûteuses » qui réduisent à la fois la mémoire et le calcul tout en conservant suffisamment de détails pour voir de petits objets. Les images vidéo sont redimensionnées à une résolution équilibrée, et trois niveaux de cartes de caractéristiques sont produits : une mettant l’accent sur les détails fins pour les petites cibles, une pour les objets de taille moyenne, et une avec des sémantiques de haut niveau renforcées pour les objets grands ou lointains. Ces cartes multi-échelles alimentent le reste du système, qui est soigneusement conçu pour extraire le maximum d’information de chaque opération.

Laisser le réseau regarder seulement là où cela compte

Une innovation centrale est un mécanisme d’« attention parcimonieuse dynamique » qui imite la façon dont un humain ne regarde que les parties les plus informatives d’une scène. Au lieu de traiter chaque pixel de manière égale, YOLC mesure combien l’image change localement – par exemple aux bords, aux coins ou au contour d’une balle en mouvement – et construit une carte des zones où la texture est la plus prononcée. Il ne conserve ensuite qu’environ les 30 % supérieurs de ces emplacements à forte réponse pour un traitement ultérieur, coupant effectivement les régions d’arrière-plan bruyantes telles que murs, tribunes ou ciel. Une astuce d’entraînement spéciale permet au modèle de rester entièrement entraînable malgré cette coupure franche. Ce focus sélectif améliore non seulement la précision en ignorant les distractions, il réduit aussi considérablement la charge de calcul du réseau, un avantage crucial sur des appareils portables alimentés par batterie.

Des caractéristiques nettes à des trajectoires stables

Après s’être concentré sur les régions clés, YOLC combine l’information à travers les échelles en utilisant une pyramide de caractéristiques bidirectionnelle qui fait circuler les signaux à la fois du grossier vers le fin et du fin vers le grossier. La force de ces connexions est guidée par la même carte d’attention, de sorte que les petits objets importants sont amplifiés à chaque étape. Dans l’étape finale de détection, une unité supplémentaire d’« attention de coordonnées » aide le système à mieux comprendre où se trouvent les objets dans l’image en reliant les signaux selon les directions horizontale et verticale. Pour transformer des détections image par image en pistes temporelles lisses, la méthode ajoute un module léger de flux optique – un outil qui estime comment les pixels se déplacent entre images consécutives – et un schéma d’appariement en deux étapes qui associe d’abord les détections à haute confiance aux trajectoires existantes, puis réutilise prudemment les boîtes de plus faible confiance qui correspondent au mouvement attendu. Ensemble, ces éléments réduisent les permutations d’identité et les interruptions, même lorsque les objets se croisent ou sont brièvement masqués.

Performances en conditions réelles

L’équipe a testé YOLC sur un jeu de données sportif personnalisé incluant badminton, basket-ball, tennis, sprint et tennis de table, tous capturés avec une caméra montée sur la tête dans des environnements d’entraînement réels. Sur ce matériau exigeant, le système tourne à 53,5 images par seconde avec seulement 1,78 million de paramètres, bien moins que de nombreux détecteurs d’objets populaires. Il atteint un score de détection (mAP@0.5) de 75,3 % et un rappel pour petits objets supérieur à 80 %, surpassant plusieurs modèles légers bien connus. Dans les benchmarks de suivi, YOLC maintient des trajectoires plus longues et plus fiables et réduit drastiquement les changements d’identité. Il s’avère aussi robuste face au flou de mouvement et aux secousses de la caméra, divisant à peu près par deux le taux de fausses alertes comparé aux méthodes concurrentes.

Ce que cela signifie pour le sport et au‑delà

Pour les entraîneurs, les analystes et les fabricants d’équipement, le message est clair : une compréhension précise et en temps réel des actions sportives rapides ne nécessite pas des serveurs volumineux ni des images propres à la télévision. En décidant soigneusement où et quand investir des ressources de calcul, YOLC transforme des vidéos bruyantes à la première personne issues de dispositifs portables en enregistrements détaillés du mouvement et des interactions de petits objets rapides avec les athlètes. Cela peut permettre un retour d’information plus riche à l’entraînement, une surveillance plus sûre dans les sports à haute intensité, et, plus largement, des systèmes de vision plus intelligents sur tout petit appareil qui doit voir clairement malgré des contraintes matérielles strictes.

Citation: Chen, H., Song, Y., Liu, W. et al. YOLC with dynamic sparse attention for high-speed small target detection in wearable sports images. Sci Rep 16, 6858 (2026). https://doi.org/10.1038/s41598-026-38079-5

Mots-clés: vision sportive portable, détection de petits objets, suivi en temps réel, IA en périphérie, mécanismes d’attention