Aprendizado profundo para reconhecimento dinâmico de formações táticas no futebol profissional

Lendo o jogo com IA

Quando torcedores assistem a uma partida de futebol, costumam falar sobre formações como 4-4-2 ou 4-3-3. Mas em campo essas configurações estão constantemente se curvando, esticando e se transformando enquanto os jogadores correm, pressionam e recuam. Este artigo mostra como a inteligência artificial moderna pode acompanhar esses padrões em constante mudança em tempo real, convertendo dados brutos de movimento em um quadro detalhado de como as equipes realmente jogam, segundo a segundo.

Por que formações são mais do que números

A formação de um time é mais do que uma sequência de números no quadro tático. É o projeto que organiza onde os jogadores se posicionam, como se movem juntos e como alternam entre atacar e defender. A análise tradicional dependia de treinadores assistindo vídeos e fazendo anotações — um processo lento e subjetivo que tem dificuldade para captar mudanças sutis. Mesmo métodos computacionais anteriores geralmente congelavam a ação em instantâneos estáticos, rotulando cada um com uma única formação e ignorando o fluxo contínuo do jogo. Como resultado, perdiam características essenciais do futebol moderno: jogadores trocando funções em movimento, linhas se deslocando em uníssono e estratégias que se desenrolam em diferentes escalas de tempo, desde uma pressão rápida até um ajuste tático de longo prazo.

Do movimento bruto ao insight tático

Os autores propõem um novo modelo de IA, o Hierarchical Dual‑Stream Spatiotemporal Graph Transformer (HDS‑SGT), desenvolvido especificamente para seguir esses movimentos complexos. Ele recebe como entrada os dados de rastreamento comuns no futebol de elite: as posições bidimensionais de todos os jogadores de linha, amostradas dez vezes por segundo, além de informações derivadas dessas posições, como velocidade, aceleração e distâncias entre companheiros. Antes de qualquer aprendizado, o sistema limpa e padroniza os dados — recentralizando-os na equipe, suavizando medições ruidosas e adicionando características que capturam quão agrupados ou espalhados os jogadores estão. Isso torna possível reconhecer a mesma formação seja o time defendendo recuado ou pressionando alto no campo.

Duas maneiras de ver espaço e tempo

O HDS‑SGT analisa a partida por meio de duas lentes complementares. Um fluxo trata o time como uma rede: cada jogador é um nó, e conexões se formam entre jogadores que estão suficientemente próximos no campo para afetarem-se mutuamente. Essa visão baseada em grafos ajuda o modelo a aprender padrões como linhas defensivas compactas ou triângulos no meio‑campo. Ao mesmo tempo, um segundo fluxo foca em como a forma geral da equipe evolui ao longo de trechos maiores de tempo. Ele comprime o movimento de todos os jogadores em sinais de nível de equipe e usa um mecanismo de atenção — originalmente desenvolvido para tradução de linguagem — para descobrir quais momentos do passado importam mais para entender o presente. Crucialmente, esse segundo fluxo opera em várias escalas temporais simultaneamente, desde mudanças rápidas ao longo de alguns segundos até reorganizações mais lentas ao longo de um minuto completo de jogo.

Seguindo funções em vez de números de camisa

Um aspecto particularmente desafiador do futebol moderno é que os jogadores frequentemente trocam deveres: um lateral avança como um ponta, um meio‑campista recua para a linha defensiva ou um atacante lidera a pressão no meio. Rótulos fixos atrelados aos números de camisa não conseguem acompanhar essa fluidez. Para resolver isso, o modelo inclui um Módulo de Atribuição Dinâmica de Funções. Em vez de assumir que um determinado jogador é sempre, por exemplo, um lateral esquerdo, ele aprende “modelos de função” flexíveis com base no comportamento dos jogadores. A cada instante, compara o movimento e a posição atuais de cada jogador a esses modelos e atribui a eles uma mistura de funções que pode mudar suavemente ao longo do tempo. Uma penalidade incorporada desencoraja saltos de função irrealisticamente bruscos, espelhando o fato de que mudanças táticas reais geralmente se desenrolam ao longo de vários segundos, e não em um único instante.

O que o modelo alcançou em partidas reais

Os pesquisadores testaram seu sistema em dados de rastreamento de 847 partidas profissionais em várias competições, cobrindo mais de 1.200 horas de jogo. Treinadores especialistas forneceram rótulos detalhados, marcando não só qual formação estava sendo usada, mas também quando as equipes estavam no processo de mudar de forma. Comparado a uma ampla gama de métodos existentes — de modelos estatísticos clássicos a arquiteturas modernas de aprendizado profundo — o HDS‑SGT mostrou‑se substancialmente mais preciso. Identificou formações corretamente em cerca de 95% dos quadros temporais e detectou transições táticas com alta pontuação F1, uma medida equilibrada de precisão e recall. Esses ganhos foram particularmente fortes para formações raras ou mais incomuns e para momentos complexos em que muitos jogadores mudam de posição simultaneamente. Importante, após o treinamento, o modelo pode rodar rápido o suficiente em uma placa gráfica padrão para acompanhar o jogo ao vivo, analisando mais de vinte quadros de dados de rastreamento por segundo.

De ferramenta de laboratório a assistente na beira do campo

Para um leigo, a conclusão principal é que este trabalho transforma a ideia vaga de “forma” em algo que um computador pode acompanhar em tempo real. Ao combinar uma visão em rede de como os jogadores se relacionam, uma visão multiescala de como as táticas se desenrolam ao longo do tempo e uma noção flexível de papéis dos jogadores, o sistema consegue identificar não apenas qual formação um time está usando, mas também quando essa formação começa a mudar. Embora o estudo se concentre em dados de rastreamento de elite e em hardware específico, a abordagem aponta para ferramentas futuras que poderiam apoiar treinadores, analistas e até transmissores — oferecendo insight objetivo e ao vivo sobre a história tática oculta que se desenrola por baixo da superfície de cada partida.

Citação: Wang, Y., ShangGuan, Q., Chen, G. et al. Deep learning for dynamic tactical formation recognition in professional football. Sci Rep 16, 13846 (2026). https://doi.org/10.1038/s41598-026-41383-9

Palavras-chave: táticas de futebol, análise de formações, análise esportiva, aprendizado profundo, dados de rastreamento de jogadores