中文 | English

AI-Driven Badminton Analysis & Tactical Evolution Platform

Open-Source Competition Edition · Vision + Physics + Tactics + LLM · Interactive HUD Experience

_{海报由 GPT Image 2 生成}

真正决定胜负的，往往不是某一次击球本身，而是它前后那些未被看见的选择。
EvoSmash 试图记录这些转瞬即逝的瞬间，把经验从直觉变成可以被理解、被解释、也可以继续进化的认知。

• 2026-02-10：🎉 Congratulations！EvoSmash 成功进入 全国大学生软件创新大赛-华东区域赛复赛 🚀
• 2026-04-20：🎉 Congratulations！EvoSmash 更进一步，成功进入 全国大学生软件创新大赛-全国复赛 🏆

_{Every round of progress matters. Every milestone makes the project more alive. ✨}

EvoSmash 是一个面向羽毛球训练与比赛分析场景的多模态智能系统。
它将 计算机视觉、物理推理、自动裁判逻辑、战术检索 与 LLM 教练建议 串联成一条完整分析链路，把普通回合视频转化为可读、可解释、可演化的智能反馈。

它希望回答的不只是“发生了什么”，还包括：

• 球是如何飞行的
• 这一分为什么会这样发生
• 当前战术为什么值得推荐
• 下一次应该如何更稳定地完成调整

_{从真实赛场出发，让速度、判断、对抗与调整，都能被转译成更可理解的智能反馈。}

很多运动分析项目停留在“检测”或“分类”层面，而 EvoSmash 更关注一条完整、连续、可解释的分析链路。

它把一次回合视为从感知、推理、判定、检索到反馈的连续过程，因此它更像一个轻量级、可交互、可扩展的 Badminton Intelligence System，而不只是一个视觉演示 Demo。

_{从视频输入到视觉感知、物理推理、裁判逻辑、战术记忆与教练生成的分层智能链路。}

这条链路并不追求单一模块“看起来很强”，而是强调每一层都能为下一层提供稳定、可解释的信号：

1. Video Input
   输入短回合视频或连续比赛片段。

2. Vision Perception
   完成羽毛球追踪、球员姿态估计与场地检测。

3. Physics Engine
   将视觉坐标映射到球场空间，估计球速、落点与轨迹质量。

4. Referee Logic
   输出结构化判定结果，并给出可信度与解释依据。

5. Tactical Retrieval & Evolution
   检索最相关战术，综合风险、连续性、压力状态进行排序，并根据结果更新策略先验。

6. Coach Agent & Frontend HUD
   将复杂分析压缩成更适合人理解与执行的摘要、战术卡片、回放报告与建议。

• 不只分析当前这一拍，而是回看最近若干回合的战术漂移与压力变化
• 输出更适合前端展示的 sequence memory
• 让“为什么现在推荐这一策略”拥有连续上下文支撑

• 针对当前推荐战术，预测对手更可能的回应方式
• 给出 why_this_tactic 与 risk_note
• 帮助结果页从“推荐列表”升级为“对抗推演卡片”

• 将回合分析组织成更易浏览的 replay story
• 展示 turning points、adaptation cycles、critical rallies 与 closing state

• 即使自动判定不够稳定，系统仍会保留诊断信息与中间信号
• 方便调试、复盘与人工修正
• 保证系统不是“只给结论”，而是“给出 reasoning trail”

_{实时 HUD 结果页、多回合记忆、战术对抗推演、可回放分析报告与 AI 教练反馈。}

cd backend
python -m venv venv

Windows:

.\venv\Scripts\activate

macOS / Linux:

source venv/bin/activate

Install dependencies and run:

pip install -r requirements.txt
python main.py

将模型文件放入 backend/checkpoints/：

TrackNet_best.pt
InpaintNet_best.pt
yolov8n-pose.pt

npm install
npm run dev

Open:

http://localhost:5173

npm run build
npx cap sync
npx cap open android

分析短回合视频，并返回：

• 球速与事件类型
• 自动判定结果
• 战术推荐与解释摘要
• AI 教练输出
• 回合摘要与诊断信息

分析更长的视频片段，自动切分多个回合并返回结构化时间线结果。

提交人工反馈，用于后续战术修正与策略更新。

EvoSmash/
├─ src/
│  ├─ components/
│  ├─ context/
│  ├─ pages/
│  ├─ styles/
│  └─ utils/
├─ backend/
│  ├─ core/
│  │  ├─ vision/
│  │  ├─ physics/
│  │  ├─ memory/
│  │  ├─ agent/
│  │  └─ utils/
│  ├─ services/
│  ├─ schemas/
│  ├─ checkpoints/
│  ├─ db/
│  └─ main.py
├─ android/
├─ assets/
│  └─ pic/
└─ README.md

• 整场比赛时间线可视化
• 更深入的生物力学分析
• 更完整的 AR 覆盖与回放体验
• 个性化长期球员画像
• 多设备与云端部署支持

感谢每一位让这个仓库更完整的人，也感谢每一次认真对待“为什么这一分会这样发生”的追问。✨

• yanpeigong
• PM_Liu
• Serendipity985
• Severus-C

Thanks to everyone exploring how AI, computer vision, reasoning systems, and interactive design can create better sports training tools. 💙

If this project helps you think about sports not only as competition, but also as perception, judgment, and evolution, then EvoSmash has already done something meaningful.