feat: 全网网球视频教程、AI特征库与训练资料调研完整合集

- 新增 docs/01_Video_Tutorials_Research.md: YouTube和Bilibili高播放量网球视频教程调研报告
- 新增 docs/02_GitHub_AI_Tennis_Research.md: GitHub网球项目、训练图片与AI特征库调研报告
- 新增 research_notes/: YouTube频道、Bilibili视频、AI综述论文原始调研数据
- 新增 github_tennis_projects.csv: 12个GitHub网球相关开源项目详细数据
- 新增 ai_tennis_research.csv: 8个AI网球研究方向详细数据
- 更新 README.md: 完整项目说明和核心发现摘要

README.md

@@ -1,3 +1,36 @@
-# tennis-ai-research
+# 网球视频教程、训练资料与AI特征库全网调研合集
 
-网球视频教程、训练资料与AI特征库全网调研合集
+本项目旨在全网调研并收集高质量的网球视频教程（YouTube、Bilibili）、GitHub开源网球项目、训练数据集、连续动作分析技术以及AI网球特征库的最新进展。
+
+## 目录结构
+
+- `docs/`：包含详细的调研报告文档
+  - `01_Video_Tutorials_Research.md`：全网高播放量网球视频教程调研报告（涵盖YouTube和Bilibili）
+  - `02_GitHub_AI_Tennis_Research.md`：GitHub网球教程、训练图片与AI特征库调研报告
+- `research_notes/`：调研过程中的原始数据和笔记
+  - `youtube_channels.md`：YouTube高播放量频道数据
+  - `bilibili_videos.md`：Bilibili高播放量视频数据
+  - `ai_tennis_review.md`：AI网球综述论文关键信息
+- `github_tennis_projects.csv`：GitHub网球相关项目详细数据表
+- `ai_tennis_research.csv`：AI网球研究方向详细数据表
+
+## 核心发现摘要
+
+### 1. 视频教程资源
+- **YouTube**：以系统性教学和慢动作技术拆解为主，代表频道包括 Intuitive Tennis (520万+播放)、Top Tennis Training 等。
+- **Bilibili**：内容多样化，包含大量海外优质教程的翻译（如海特网球）、本土专业教练指导（如RacketBrothers）以及结合流行文化的趣味内容。
+
+### 2. AI与计算机视觉应用
+- **目标追踪**：TrackNet等深度学习网络被广泛用于高速网球的追踪。
+- **姿态估计**：AthletePose3D、SportsPose等数据集推动了高强度运动下的3D人体姿态估计。
+- **动作识别**：TAR-YOLO等模型实现了对发球、正手、反手等核心动作的实时高精度识别。
+- **挥拍分析**：SwingNet等框架能够精确捕捉球拍的运动轨迹，提供生物力学反馈。
+
+### 3. 关键数据集与特征库
+- **RacketVision**：大型多拍类运动基准数据集，支持统一的球类跟踪和球拍姿态估计。
+- **tennis_serve_dataset**：包含6370个美国网球公开赛发球视频的3D关键点追踪数据。
+- **Tennis Player Actions Dataset**：包含四种基础网球动作的图像及COCO格式标注。
+
+## 维护与更新
+
+本仓库将持续跟踪网球AI领域的最新进展，定期更新相关文献、开源项目和数据集信息。

ai_tennis_research.csv

@@ -0,0 +1,30 @@
+Subject,Topic,Key Technologies,Representative Works,Available Datasets,Open Source Tools,Latest Trends,Error
+AI tennis pose estimation feature extraction deep learning 2024 2025,AI网球姿态估计、特征提取与深度学习,关键技术包括基于深度学习的人体姿态估计（DL-HPE），如使用YOLOv8m-Pose并结合MobileNetV3、CBAM和CARAFE等模块构建的轻量级模型LAFPose。此外，实时目标检测系统（如YOLO）和高速物体跟踪网络（如TrackNet）也被广泛应用。,代表性工作包括2026年发表于《Scientific Reports》的论文“Motion analysis driven by table tennis pose and analysis of participation motivation and athlete satisfaction based on artificial intelligence YOLOv8”（https://www.nature.com/articles/s41598-026-39835-3），以及2025年发表于《Sports Medicine-Open》的综述“The Application of Deep Learning Human Pose Estimation in Sport: A Systematic Review”（https://pmc.ncbi.nlm.nih.gov/articles/PMC12696263/）。,公开数据集包括Tennis Player Actions Dataset、THETIS Dataset和3DTennisDS，为模型训练和评估提供了数据基础。然而，研究中也普遍存在依赖私有数据集的情况，这在一定程度上限制了研究的可复现性。,开源工具和框架为该领域的研究和应用提供了有力支持，主要包括用于姿态估计的OpenPose，用于目标检测的YOLO系列，用于高速物体跟踪的TrackNet，以及提供预训练模型和数据的Roboflow平台。此外，GitHub上有多个开源项目可供参考。,最新趋势表现为模型向轻量化发展，以在保证精度的前提下降低计算成本。同时，研究重点从单一的技术分析扩展到结合实时反馈以提升运动员训练体验和动机，并开始关注增强型教练工具和裁判支持等更广泛的应用场景。,
+AI tennis stroke classification recognition neural network,AI网球击球分类识别神经网络,该领域主要利用深度学习技术，特别是卷积神经网络（CNN）和循环神经网络（RNN）如LSTM。研究人员结合使用3D CNN来分析视频中的时空特征，并利用YOLO等对象检测模型来定位球员和球拍。此外，基于可穿戴设备（如IMU传感器）的数据采集与分析也是一个重要的技术路径，通常与机器学习模型（如SVM）或深度学习模型结合使用。,"1.  **Classification of Tennis Shots with a Neural Network Approach** (Ganser et al., 2021, https://pmc.ncbi.nlm.nih.gov/articles/PMC8433919/)
+2.  **A real-time tennis level evaluation and strokes classification system based on the Internet of Things** (Wu et al., 2022, https://www.sciencedirect.com/science/article/abs/pii/S2542660521001335)
+3.  **Leveraging 3D CNNs and YOLO for Tennis Stroke Classification** (Borg et al., 2024, https://cs231n.stanford.edu/2024/papers/leveraging-3d-cnns-and-yolo-for-tennis-stroke-classification.pdf)
+4.  **tennis_action_recognition** (chow-vincent, https://github.com/chow-vincent/tennis_action_recognition)",研究人员通常使用自己收集或公开视频（如YouTube）中的数据创建自定义数据集。一个值得注意的例子是MobiAct_v2.0，它虽然不是专门针对网球，但包含了可用于活动识别研究的IMU数据。一些研究项目会公开他们的数据集，例如在GitHub仓库'tennis_action_recognition'中就使用了从YouTube收集的视频。,"主要的开源工具和框架包括：
+1.  **TensorFlow** 和 **PyTorch**: 主流的深度学习框架，用于构建和训练神经网络模型。
+2.  **OpenCV**: 用于处理和分析图像及视频数据。
+3.  **GitHub Repositories**: 例如 'chow-vincent/tennis_action_recognition'，提供了使用深度学习进行网球动作分类的完整代码和预处理脚本。",最新趋势包括：（1）多模态融合，结合视频和来自可穿戴传感器的IMU数据进行更准确的分类。（2）实时反馈系统的开发，旨在为球员提供即时技术分析和指导。（3）更精细化的动作识别，不仅分类击球类型，还评估击球质量和检测错误动作。（4）利用生成模型（如Stick Figure）来简化输入数据，降低计算复杂性并保护球员隐私。,
+AI tennis ball tracking TrackNet computer vision,AI网球追踪、TrackNet与计算机视觉,该方向的关键技术包括基于深度学习的检测（如TrackNet、YOLO）、基于热图的定位、连续帧分析、卡尔曼滤波、ByteTrack和BoT-SORT等先进跟踪算法，以及结合了计算机视觉与物理模型或机器学习模型的混合方法。,"代表性论文是“TrackNet: A Deep Learning Network for Tracking High-speed and Tiny Objects in Sports Applications”，作者为Yu-Chuan Huang, I-No Liao, Ching-Hsuan Chen, Tsì-Uí İk, Wen-Chih Peng，发表于2019年，链接为https://arxiv.org/abs/1907.03698。",包含10个广播视频、19835个标记帧的数据集，分辨率为1280x720，帧率为30fps，可从以下网址下载：https://drive.google.com/drive/folders/11r0RUaQHX7I3ANkaYG4jOxXK1OYo01Ut,开源工具和框架包括TrackNet的非官方PyTorch实现（可在GitHub上找到）、预训练模型权重，以及像TensorFlow、PyTorch和Ultralytics YOLO这样的通用深度学习框架。,最新进展和趋势包括使用更先进的目标检测模型（如YOLO）进行实时检测和跟踪，采用更复杂的跟踪算法（如ByteTrack、BoT-SORT）来处理遮挡和快速移动，以及应用混合方法和循环神经网络（RNN）来提高轨迹预测的准确性。,
+AI tennis biomechanics motion analysis wearable sensor,AI网球生物力学运动分析与可穿戴传感器,该方向的关键技术主要包括：1. **可穿戴传感器技术**：主要使用惯性测量单元（IMU），包含加速度计和陀螺仪，有时也结合肌电（EMG）传感器，佩戴于手腕、球拍或腰部等位置，用于捕捉运动员的动态数据。2. **信号处理**：将传感器收集的时序数据通过傅里叶变换等方法转换成频谱图（Spectrogram），以消除个体差异带来的影响。3. **人工智能与机器学习**：应用卷积神经网络（CNN）、支持向量机（SVM）、随机森林等模型对数据进行分类和分析，以识别不同的击球类型、评估动作质量和预测伤害风险。,"1. **“Artificial Intelligence in Sports Biomechanics: A Scoping Review on Wearable Technology, Motion Analysis, and Injury Prevention” (Souaifi et al., 2025)**：该综述探讨了AI在体育生物力学中的应用，重点关注可穿戴技术、运动分析和伤害预防。链接：https://www.mdpi.com/2306-5354/12/8/887
+2. **“Application of wearable technologies for player motion analysis in racket sports: A systematic review” (Rigozzi et al., 2023)**：这篇系统综述聚焦于可穿戴技术在网球等球拍类运动中的应用。链接：https://journals.sagepub.com/doi/abs/10.1177/17479541221138015
+3. **“Detection of Tennis Activities with Wearable Sensors” (Pardo et al., 2019)**：该研究设计并实现了一个系统，能够利用可穿戴传感器和深度学习技术区分网球比赛中的不同活动。链接：https://pmc.ncbi.nlm.nih.gov/articles/PMC6891273/",目前公开可用的大型数据集仍然有限，研究中常使用自建数据集。例如，“Detection of Tennis Activities with Wearable Sensors” [3] 一文中，研究人员创建了一个包含8名球员（4男4女）的数据集，通过可穿戴传感器收集了他们在网球活动中的数据。,该领域常用的开源工具和框架包括：1. **TensorFlow** 和 **PyTorch**：用于构建和训练深度学习模型，特别是卷积神经网络（CNN）。2. **Scikit-learn**：一个广泛使用的Python机器学习库，提供了包括SVM、随机森林在内的多种算法。3. **Python**：作为主要的编程语言，配合Pandas、NumPy等库进行数据处理和分析。,最新进展和趋势包括：1. **从传统统计模型向量深度学习模型的转变**，以处理更复杂的数据并提升分析精度。2. **实时反馈系统的开发**，使运动员和教练能够即时获取生物力学分析结果和技术指导。3. **多模态数据融合**，结合来自不同类型传感器（如IMU、EMG）甚至计算机视觉的数据，以进行更全面的运动分析。4. **个性化训练与伤害预防**，利用AI模型分析个体数据，提供定制化的训练建议，并识别潜在的伤害风险。,
+AI tennis coaching automated feedback system,AI tennis coaching automated feedback system,关键技术包括计算机视觉和姿态估计（如使用MediaPipe分析球员姿势和挥杆力学）、机器学习算法（用于分析数据、识别模式并提供反馈）、传感器技术（从球拍或可穿戴设备收集挥杆速度和球冲击力等数据）以及实时反馈系统（处理数据并通过视觉或听觉提示向球员提供即时反馈）。,代表性论文包括2025年K Nakkeeran等人的《Gamified Computer Vision and AI Coaching for Youth Tennis: Real-Time Feedback and Player Style Matching》、2018年B Bačić和PA Hume的《Computational intelligence for qualitative coaching diagnostics: Automated assessment of tennis swings to improve performance and safety》以及2024年T Sampaio等人的《Applications of machine learning to optimize tennis performance: a systematic review》和《Transforming tennis with artificial intelligence: a bibliometric review》。,可用的数据集包括“网球运动员动作数据集”，其中包含四种不同网球动作（正手、反手、准备姿势和发球）的图像和COCO格式的JSON文件，可在Mendeley Data、Kaggle和NIH数据门户网站上找到。此外，还有“网球姿势估计关键点检测模型”，包括1997张开源网球击球图像和预训练模型，可在Roboflow上获取。,开源工具和框架包括用于体育分析的视频注释工具Kinovea；用于跟踪球、检测球场线和球员的GitHub项目“开源单目Python鹰眼”；以及使用智能减震器收集和分析数据的开源网球运动分析平台SmartDampener。GitHub上还有多个项目提供网球分析的代码和资源。,最新进展和趋势包括超个性化（根据个人优缺点和伤病史创建定制训练计划）、高级分析的普及化（使各级球员都能使用高质量技术和战术分析）、实时场上反馈、与可穿戴设备和智能设备的集成、虚拟教练和远程分析以及用于预测球员表现和识别伤害风险的预测分析。,
+AI tennis match analytics strategy prediction,AI网球比赛分析与策略预测,机器学习（监督学习：决策树、LightGBM、XGBoost、RNN；无监督学习：K-means；强化学习：蒙特卡洛树搜索）、计算机视觉（目标检测、YOLO）、自然语言处理（NLP）。,"1. Match Point AI: A Novel AI Framework for Evaluating Data-Driven Tennis Strategies (Nübel, Dockhorn, & Mostaghim, 2024) - Link: https://github.com/cnuebel98/Match-Point-AI-Public.git
+2. Transforming tennis with artificial intelligence: a bibliometric review (Sampaio et al., 2024)
+3. Predicting tennis match outcomes mid-game using machine learning (Li et al., 2025)",Match Charting Project: 包含自2017年以来超过29万场男子职业网球单打比赛的逐球数据，属性丰富。ATP/WTA官方数据: 提供球员排名、历史交锋记录和各项技术统计。,Match Point AI: 一个开源的网球比赛模拟环境，用于测试和验证新策略。OpenCV: 计算机视觉库，可用于开发网球和球员的追踪系统。TensorFlow/PyTorch: 主流的深度学习框架。Scikit-learn: Python机器学习库，提供丰富的算法。,实时战术调整：开发能够在比赛中根据对手表现和场上局势动态调整策略的AI系统。多模态数据融合：结合球员追踪、球路追踪甚至生理数据，构建更全面的分析模型。可解释性AI（XAI）：让AI的决策过程对教练和球员更加透明和易于理解。个性化训练：根据每个运动员的特点和需求定制训练方案。,
+tennis dataset benchmark pose skeleton keypoint,网球中的姿态估计与关键点检测,"关键技术包括基于深度学习的2D/3D人体姿态估计算法（如OpenPose, HRNet），用于从视频或图像中提取运动员的骨骼关键点。此外，还涉及用于动作识别的时空模型（如3D CNN, Transformer），以及用于提升精度的多传感器融合技术（例如，结合惯性测量单元IMU与视觉数据）。","1.  **RacketVision: A Multiple Racket Sports Benchmark for Unified Ball...** (Jan 28, 2026) - 提出了一个统一的球类跟踪、球拍姿态估计和击球预测的多拍类运动基准。链接: https://arxiv.org/html/2511.17045v3
+2.  **Tennis player actions dataset for human pose estimation** (CY Wang et al., 2024) - 构建了一个包含四种网球姿势（正手、反手、准备、发球）的数据集，并提供了COCO格式的标注。链接: https://www.sciencedirect.com/science/article/pii/S2352340924006322
+3.  **Spatiotemporal pose lifting for tennis motion analysis** (C Chen, 2026) - 提出了一种用于网球运动分析的时空姿态提升方法。链接: https://www.tandfonline.com/doi/abs/10.1080/1448837X.2025.2611663","1.  **Tennis Player Actions Dataset**: 包含4种网球动作（正手、反手、准备、发球），每种动作500张图片，提供COCO格式的JSON标注文件。
+2.  **tennis_serve_dataset**: 包含2024年美国网球公开赛的6370个发球视频，提供每帧17个关节点的3D关键点追踪数据。
+3.  **Kaggle Tennis Player Actions Dataset**: 用于人体姿态估计的网球运动员动作数据集。","1.  **OpenPose**: 一个流行的实时多人关键点检测库，广泛用于提取人体骨骼、面部和手部关键点。
+2.  **Roboflow**: 提供了一个预训练的网球姿态估计模型和API，并包含一个包含1997张开源网球击球图片的数据库。
+3.  **MMPose**: 一个基于PyTorch的开源姿态估计工具箱，支持多种2D和3D姿态估计算法。","最新进展和趋势包括：
+1.  **多任务学习**：将姿态估计与球拍跟踪、击球类型识别、轨迹预测等任务相结合，形成统一的分析框架（如RacketVision）。
+2.  **3D姿态估计与生物力学分析**：从2D视频中恢复3D姿态，并结合生物力学模型进行更深层次的运动分析和伤害预防。
+3.  **无标记动作捕捉（Markerless Motion Capture）**：利用多个摄像机和先进的计算机视觉算法，在无标记点的情况下实现高精度的动作捕捉和分析。",
+tennis video analysis real-time object detection YOLO,基于YOLO的网球视频实时分析,关键技术包括使用YOLO（特别是YOLOv5、YOLOv8和YOLOX）进行实时目标检测，以识别运动员和网球。卷积神经网络（CNN）用于提取球场关键点。NVIDIA TensorRT被用于加速模型推理，以实现实时性能。此外，还结合了传统的计算机视觉技术，如RANSAC算法用于优化场地校准，以及三角测量法用于校正多摄像头数据。,"*   **项目: Tennis-Analysis-YOLOV8** (作者: Chaganti-Reddy, 年份: 2023, 链接: https://github.com/Chaganti-Reddy/Tennis-Analysis-YOLOV8)
+*   **论文: Tennis ball detection based on YOLOv5 with tensorrt** (作者: Xiulei Zhang, Bin Li, 年份: 2025, 链接: https://pmc.ncbi.nlm.nih.gov/articles/PMC12215648/)
+*   **博客文章: Tennis Analysis with AI: Object Detection for Ball Tracking** (作者: Cory Hoi, 年份: 2025, 链接: https://blogs.mathworks.com/deep-learning/2025/10/08/tennis-analysis-with-ai-object-detection-for-ball-tracking/)",可用的数据集包括用于球场关键点提取和网球跟踪优化的Roboflow数据集，以及用于预训练模型的COCO数据集。,主要的开源工具和框架包括YOLO（You Only Look Once）系列模型、深度学习框架PyTorch和TensorFlow、计算机视觉库OpenCV以及用于加速推理的NVIDIA TensorRT。MATLAB也与YOLOX等模型集成，用于网球分析。,最新进展和趋势包括采用更新的YOLO版本（如YOLOv8）以获得更高的检测精度，将深度学习与传统计算机视觉技术相结合以提高准确性，利用TensorRT等工具优化模型以实现实时处理，以及应用迁移学习来快速调整预训练模型以适应特定的网球分析任务。,

docs/01_Video_Tutorials_Research.md

@@ -0,0 +1,78 @@
+# 全网高播放量网球视频教程调研报告
+
+**作者：Manus AI**
+**日期：2026年3月14日**
+
+## 1. 概述
+
+本报告对全球两大主要视频平台（YouTube和Bilibili）上的高播放量网球教学视频进行了全面调研。通过分析数百万至数千万播放量的热门视频，我们总结了当前最受欢迎的网球教学频道、核心教学内容以及不同平台的受众偏好。这些视频资源不仅为网球初学者和进阶玩家提供了宝贵的学习材料，也为AI网球动作分析和特征提取提供了丰富的视觉数据来源。
+
+## 2. YouTube 平台调研分析
+
+YouTube作为全球最大的视频分享平台，汇聚了大量专业的网球教练和前职业选手的教学内容。其特点是系统性强、技术分析深入，且拥有庞大的全球受众基础。
+
+### 2.1 顶级教学频道
+
+在YouTube上，有几个频道因其高质量的教学内容和极高的播放量而脱颖而出：
+
+**Intuitive Tennis** 是目前最受欢迎的网球教学频道之一，由教练Nikola Aracic主讲。该频道强调“直觉式”教学法，其代表作《Beginner Tennis Lesson | Forehand, Backhand & Serve》获得了超过520万次的播放量 [1]。该频道在Reddit等社区中也获得了极高的评价，被认为是涵盖基础知识最直接、易懂的频道。
+
+**Top Tennis Training** 由ATP职业选手Alex Slabinsky和教练Simon Konov共同运营，拥有超过44万订阅者和1100多个视频。该频道的内容从基础技术到高级战术全覆盖，其《Simple Tennis Serve Technique Masterclass for Beginners》获得了160万次播放 [2]。
+
+**Essential Tennis** 由教练Ian Westermann主理，拥有超过31万订阅者。该频道的特色在于提供深度的比赛分析和策略教学，而不仅仅是技术动作的拆解 [3]。
+
+**Feel Tennis Instruction** 由教练Tomaz Mencinger领导，强调网球运动中的“感觉”和流畅自然的身体运动，在高级玩家社区中备受推崇 [4]。
+
+### 2.2 核心技术分析视频
+
+除了系统性教程，YouTube上还有大量针对特定技术动作的慢动作分析视频，这些视频对于AI动作捕捉和特征提取具有极高的价值：
+
+- **正手技术分析**：大量视频通过慢动作回放分析费德勒（Roger Federer）、纳达尔（Rafael Nadal）和德约科维奇（Novak Djokovic）的正手动作。例如，《ATP Forehands In Slow Motion》和《Roger Federer Forehand Slow Motion Analysis》等视频详细拆解了引拍、击球点和随挥等关键环节 [5]。
+- **发球技术拆解**：发球作为网球中最复杂的技术动作，也是教学视频的重点。《Perfect Serve in 5 Steps》等视频将发球分解为握拍、站位、抛球、击球和落地五个步骤进行详细讲解 [6]。
+
+## 3. Bilibili 平台调研分析
+
+Bilibili（B站）是中国最大的年轻世代高度聚集的文化社区和视频平台。在网球教学领域，B站不仅有大量本土教练的原创内容，还包含了大量搬运和翻译的海外优质教程。
+
+### 3.1 百万级播放量热门视频
+
+B站上的高播放量网球视频呈现出多样化的特点，既有专业教学，也有结合流行文化的趣味内容：
+
+- **结合流行文化**：《#网球王子里的绝技重现江湖！#我为亚运打call》以166.2万的播放量位居前列，显示了动漫文化对年轻群体参与网球运动的巨大影响力 [7]。
+- **专业力学分析**：由KOZZ小松哥发布的《在各项运动中"制动"是产生速度的关键所在》获得了101.5万次播放，该视频深入分析了网球击球过程中的生物力学原理 [8]。
+- **海外名教翻译**：冠军教练莫拉托格鲁（Patrick Mouratoglou）的教学视频《令人难以置信的鞭打效果》获得了94.1万次播放，展示了国内受众对国际顶级教练指导的强烈需求 [9]。
+
+### 3.2 重点UP主与内容分类
+
+B站的网球教学内容主要由几类UP主贡献：
+
+**专业翻译频道**：如“海特网球”专注于翻译日本网球训练视频，其《日本两兄弟发球后单反直线和斜线组合练习》获得了近90万次播放。“瑛赛网球”和“B站贝雷蒂尼”则致力于翻译Top Tennis Training等欧美顶级频道的视频 [10]。
+
+**本土专业教练**：如“RacketBrothers（言之有理）”提供5.0级别的进阶教学，其正手和接发球教学视频均获得了数十万的播放量。“轻盈网球”则专注于零基础入门，其《第一课正手、反手和发球》获得了36.5万次播放 [11]。
+
+**技术与力学分析**：“打网球的皮卡邱”等UP主专注于发球力学和动作拆解，其《网球发球力量从哪来？身体像弹弓一样弹射》获得了76.4万次播放 [12]。
+
+## 4. 总结与应用价值
+
+通过对YouTube和Bilibili两大平台的调研，我们发现高播放量的网球视频教程主要集中在以下几个方面：
+
+1. **零基础系统入门**：涵盖正手、反手和发球三大核心技术的综合教程最受大众欢迎。
+2. **慢动作技术拆解**：针对职业选手（特别是三巨头）的慢动作回放和技术分析，是进阶玩家和教练的重要参考。
+3. **生物力学原理解析**：解释击球力量来源（如“鞭打效果”、“制动”、“动力链”）的视频越来越受到关注。
+
+这些海量的视频资源不仅是人类学习网球的宝库，更是**AI网球动作分析、姿态估计（Pose Estimation）和连续动作识别（Action Recognition）的绝佳数据集**。通过提取这些视频中的关键帧和骨骼节点，可以构建高质量的网球特征库，用于训练更精准的AI教练系统和动作纠正模型。
+
+## 参考文献
+
+[1] Intuitive Tennis. "Beginner Tennis Lesson | Forehand, Backhand & Serve". YouTube.
+[2] Top Tennis Training. "Simple Tennis Serve Technique Masterclass for Beginners". YouTube.
+[3] Essential Tennis. "Essential Tennis - Lessons and Instruction for Passionate Players". YouTube.
+[4] Feel Tennis Instruction. "Feel Tennis Instruction Channel". YouTube.
+[5] Various Creators. "ATP Forehands In Slow Motion - Federer, Nadal & Many More". YouTube.
+[6] Perfect Tennis. "Perfect Serve in 5 Steps - Perfect Tennis (Episode 1)". YouTube.
+[7] 听风与是雨. "#网球王子里的绝技重现江湖！#我为亚运打call". Bilibili.
+[8] KOZZ小松哥. "在各项运动中'制动'是产生速度的关键所在". Bilibili.
+[9] 冠军教练-莫拉托格鲁. "令人难以置信的鞭打效果". Bilibili.
+[10] 海特网球. "#网球教学#日本两兄弟发球后单反直线和斜线组合练习". Bilibili.
+[11] 轻盈网球. "网球零基础入门必看！第一课正手、反手和发球". Bilibili.
+[12] 打网球的皮卡邱. "网球发球力量从哪来？身体像弹弓一样弹射". Bilibili.

docs/02_GitHub_AI_Tennis_Research.md

@@ -0,0 +1,85 @@
+# GitHub网球教程、训练图片与AI特征库调研报告
+
+**作者：Manus AI**
+**日期：2026年3月14日**
+
+## 1. 概述
+
+随着计算机视觉和深度学习技术的飞速发展，人工智能在网球领域的应用日益广泛。本报告重点调研了GitHub上开源的网球相关项目、训练数据集、连续动作分析技术以及AI网球特征库的最新进展。这些开源资源为构建智能网球教练系统、比赛分析工具和动作纠正应用提供了坚实的基础。
+
+## 2. GitHub 开源网球项目概览
+
+通过对GitHub上高星级和活跃的网球相关项目进行调研，我们发现当前开源社区的研究主要集中在以下几个方向：目标检测与追踪、人体姿态估计、动作识别与分类以及比赛数据分析。
+
+### 2.1 目标检测与追踪 (Ball & Court Tracking)
+
+网球和球场关键点的准确检测是所有高级分析的基础。由于网球体积小、移动速度快，传统的检测方法往往难以奏效。
+
+- **TrackNet**：这是一个专门为体育应用中高速、微小物体追踪设计的深度学习网络。在GitHub上，`yastrebksv/TrackNet` 等项目提供了其非官方的PyTorch实现。该模型能够有效处理广播视频中模糊甚至不可见的网球轨迹 [1]。
+- **TennisCourtDetector**：由 `yastrebksv` 开发的项目，使用基于热图的深度学习网络从广播视频中检测14个网球场关键点，并结合经典计算机视觉方法增强球网检测效果。该项目提供了一个包含8841张标注图片的数据集 [2]。
+- **CourtCheck**：由 `AggieSportsAnalytics` 团队开发，利用先进的计算机视觉技术（如YOLOv8）准确追踪网球比赛中的网球运动和球场边界 [3]。
+
+### 2.2 人体姿态估计与动作识别 (Pose Estimation & Action Recognition)
+
+通过提取运动员的骨骼关键点，AI可以分析其击球动作的生物力学特征。
+
+- **TennisPose**：`ShadowMasterAJ` 开发的多任务深度学习方法，集成了YOLO、EfficientNet和LSTM等模型，实现了运动员检测、姿态估计和击球分类的统一框架 [4]。
+- **tennis_shot_recognition**：`antoinekeller` 的项目利用Movenet进行实时人体姿态估计，并将网球击球动作提取为持续约1秒（30帧）的姿态序列特征，然后使用GRU（门控循环单元）进行动作分类 [5]。
+- **TennisPoseTrainer**：一个基于OpenPose开发的网球击球训练应用。用户可以通过摄像头实时查看自己的挥拍姿势、轨迹，并支持正手和反手动作的训练 [6]。
+
+### 2.3 比赛数据与统计分析 (Match Analytics)
+
+- **tennis_atp**：由 `JeffSackmann` 维护的著名项目，提供了极其详尽的ATP网球排名、比赛结果和统计数据（CSV格式），涵盖了从1968年至今的数十万场比赛数据，是进行网球数据挖掘和策略预测的宝贵资源 [7]。
+
+## 3. AI 网球特征库与训练数据集
+
+高质量的数据集是训练AI网球模型的关键。目前，学术界和开源社区已经贡献了多个专门针对网球的图像和视频数据集。
+
+### 3.1 姿态与动作数据集
+
+- **AthletePose3D (AP3D)**：这是一个用于体育生物力学中单目3D人体姿态估计的新型基准数据集，特别针对高速、高加速度的运动。该数据集包含12种体育运动（包括网球）的130万帧图像和16.5万个姿势，极大地推动了高强度运动下的姿态估计研究 [8]。
+- **SportsPose**：一个动态的3D体育姿态数据集，提供了多视角的3D姿态估计数据，有助于解决单目视觉中的遮挡和深度模糊问题 [9]。
+- **Tennis Player Actions Dataset**：在Kaggle等平台上公开的数据集，包含正手、反手、准备姿势和发球四种网球动作的图像，并提供了COCO格式的JSON标注文件，非常适合训练2D姿态估计模型 [10]。
+- **tennis_serve_dataset**：包含来自2024年美国网球公开赛的6370个网球发球视频，提供每帧17个关节的完整3D关键点追踪数据，是进行发球生物力学分析的顶级资源 [11]。
+
+### 3.2 综合视觉基准
+
+- **RacketVision**：2026年初提出的一个大型多拍类运动（网球、乒乓球、羽毛球）基准数据集。它提供了球和球拍的详细标注，支持跨运动的统一球类跟踪、球拍姿态估计和击球预测分析 [12]。
+
+## 4. 连续动作分析与突破性技术
+
+网球是一项连续的动态运动，因此，从单帧图像分析向连续视频序列分析的转变是当前AI网球研究的重大突破。
+
+### 4.1 时空特征提取
+
+传统的CNN模型只能提取空间特征，而最新的研究广泛采用3D CNN、LSTM或Transformer架构来捕捉动作的时间连贯性。例如，**TAR-YOLO**（Tennis Action Recognition YOLO）模型通过姿态驱动的方法，在实时识别发球、正手、反手和扣杀等核心网球动作方面取得了95.4%的精确度和89.3的FPS，达到了实时应用的标准 [13]。
+
+### 4.2 挥拍轨迹追踪 (Swing Tracking)
+
+**SwingNet** 是一种基于神经架构搜索（NAS）的细粒度挥拍追踪框架。它能够精确捕捉球拍的运动轨迹，为评估击球质量、拍面角度和挥拍速度提供了技术支持。结合可穿戴传感器（如IMU），AI系统现在能够提供媲美专业实验室的生物力学反馈 [14]。
+
+### 4.3 鹰眼技术的AI演进
+
+传统的Hawk-Eye（鹰眼）系统依赖于多台昂贵的高速摄像机进行物理三角测量。而最新的AI技术（如基于改进GAN和HRNet算法的鹰眼图像去模糊和姿态识别）正试图通过单目或少目摄像头，利用深度学习模型实现接近鹰眼级别的落点预测和边界线呼叫，这将极大地降低高级网球分析技术的普及门槛 [15]。
+
+## 5. 总结
+
+GitHub和开源社区为AI网球研究提供了丰富的代码库和数据集。从TrackNet的精准球体追踪，到AthletePose3D的精细骨骼关键点提取，再到TAR-YOLO的实时连续动作识别，AI技术正在全面重塑网球的训练和分析方式。未来，随着多模态大模型和更轻量级边缘计算技术的发展，智能网球教练系统将变得更加普及和个性化。
+
+## 参考文献
+
+[1] Huang, Y. C., et al. "TrackNet: A Deep Learning Network for Tracking High-speed and Tiny Objects in Sports Applications". arXiv:1907.03698.
+[2] yastrebksv. "TennisCourtDetector". GitHub.
+[3] AggieSportsAnalytics. "CourtCheck". GitHub.
+[4] ShadowMasterAJ. "Tennis-Pose-Estimation-Detection-Classification". GitHub.
+[5] antoinekeller. "tennis_shot_recognition". GitHub.
+[6] KalinLai-void. "TennisPoseTrainer". GitHub.
+[7] JeffSackmann. "tennis_atp". GitHub.
+[8] Yeung, C., et al. "AthletePose3D: A Benchmark Dataset for 3D Human Pose Estimation and Kinematic Validation in Athletic Movements". CVPR 2025.
+[9] Ingwersen, C. K., et al. "SportsPose: A Dynamic 3D Sports Pose Dataset". GitHub.
+[10] Wang, C. Y., et al. "Tennis player actions dataset for human pose estimation". Data in Brief, 2024.
+[11] jasnwag. "tennis_serve_dataset". GitHub.
+[12] Dong, L., et al. "RacketVision: A Multiple Racket Sports Benchmark for Unified Ball and Racket Analysis". arXiv:2511.17045, 2026.
+[13] "TAR-YOLO: A Novel Deep Learning Model and Dataset for Tennis Action Recognition". Scandinavian Journal of Medicine & Science in Sports, 2025.
+[14] Jia, H., et al. "SwingNet: Ubiquitous Fine-Grained Swing Tracking Framework via Stochastic Neural Architecture Search and Adversarial Learning". ACM, 2021.
+[15] Zhao, W. "Hawk-Eye Deblurring and Pose Recognition in Tennis Matches Based on Improved GAN and HRNet Algorithms". 2025.

github_tennis_projects.csv

@@ -0,0 +1,13 @@
+Subject,Project Name,Stars,Description,Tech Stack,Dataset Info,Main Features,Has Pretrained Model,Last Update,Error
+https://github.com/HaydenFaulkner/Tennis,HaydenFaulkner/Tennis,121,A Tennis dataset and models for event detection & commentary generation.,"Keras, MXNet, Gluon, Python",The dataset consists of 5 matches with manually annotated temporal events and commentary captions. It includes 746 points with captions and an additional 10817 unaligned captions.,"Event detection, commentary generation, dense fine-grained event recognition, localisation and description.",True,2025-06,
+https://github.com/yastrebksv/TennisCourtDetector,yastrebksv/TennisCourtDetector,239,一个用于从广播视频中检测网球场关键点的深度学习网络。该网络基于热图，可以检测14个网球场关键点，并集成了经典的计算机视觉方法以增强球网检测效果。,"PyTorch, TrackNet, OpenCV, NumPy, Matplotlib",包含8841张图片，分为训练集（75%）和验证集（25%），每张图片有14个标注点，分辨率为1280x720，覆盖硬地、红土和草地三种场地类型。,从广播视频中检测网球场关键点；基于热图的深度学习网络可检测14个关键点；通过经典的计算机视觉技术进行后处理以优化球网预测。,True,2023-08,
+https://github.com/chow-vincent/tennis_action_recognition,chow-vincent/tennis_action_recognition,38,Using deep learning to perform action recognition in the sport of tennis.,"Keras, TensorFlow, Inception V3, LSTM, optical flow","1980 RGB videos sized 640 x 480. In each clip, a player performs one of 12 possible tennis strokes.","Classify videos of players performing tennis strokes (e.g. forehand, backhand, service).",True,2021-05,
+https://github.com/andrenatal/AI_Tennis_Coach,andrenatal/AI_Tennis_Coach,5,"A deep learning-based computer vision system to analyze tennis matches in real time, classify strokes, and assess similarities with reference players using pose estimation. This extensible AI platform aims to improve performance, enhance technique, and prevent injuries for both professional and recreational players.","Movenet, OpenPose, Keras, Tensorflow.js, ONNX, scikit-learn, Numpy, Math.js, npyjs.js, absl-py, astunparse, certifi, charset-normalizer, coloredlogs, contourpy, cupy, cycler, fastrlock, flatbuffers, fonttools, gast, google-pasta, grpcio, h5py, humanfriendly, idna, imageio, joblib, kiwisolver, libclang, Markdown, markdown-it-py, MarkupSafe, matplotlib, mdurl, ml-dtypes, mpmath, namex, onnxruntime, opencv-python, opt-einsum, optree, packaging, Pillow, protobuf, py-cpuinfo, PyYAML, requests, rich, scipy, seaborn, six, tensorboard, tensorboard-data-server, tensorflow, tensorflow-estimator, tensorflow-io-gcs-filesystem, termcolor, typing-extensions, urllib3, Werkzeug, wrapt",Youtube footage of professional players and recreational players was extracted and annotated. A custom tool for annotating tennis data was built and is incorporated in this repo.,"Real-time analysis of tennis matches, stroke classification, and similarity comparison with reference players. It utilizes pose estimation from video footage and is extensible to other sports for performance improvement, technique enhancement, and injury prevention.",True,2024,
+https://github.com/ArtLabss/tennis-tracking,ArtLabss/tennis-tracking,649,"Open-source Monocular Python HawkEye for Tennis. The main objectives are to track the ball, detect court lines, and detect the players in a tennis match.","TrackNet, ResNet50, YOLOv3, sktime, TensorFlow","The project provides sample input videos and CSV files (bigDF.csv, df.csv) containing data for training the models.","Track the ball, detect court lines, detect the players, provide a dynamic mini-map with player and ball positions, and predict bounce points.",True,2022,
+https://github.com/ShadowMasterAJ/Tennis-Pose-Estimation-Detection-Classification,ShadowMasterAJ/Tennis-Pose-Estimation-Detection-Classification,0,"TennisPose: A Multi-Task Deep Learning Approach for Player Action Detection, Pose Estimation, and Classification in Tennis","YOLO, EfficientNet, Squeeze-and-Excitation, Multi-scale Fusion, LSTM, SpatioTemporal Attention",包含YOLO和原始数据集，分别带有图片和标注文件,该项目通过深度学习方法，实现了对网球运动员的动作检测、姿态估计和击球分类。主要功能包括运动员检测、关键点姿态估计以及基于姿态的动作分类。,True,2025-02,
+https://github.com/antoinekeller/tennis_shot_recognition,antoinekeller/tennis_shot_recognition,42,该项目使用密集神经网络（Dense NN）和循环神经网络（RNN）识别网球击球动作。它利用Movenet进行人体姿态估计，并提供了从视频下载、标注、特征提取到模型训练和推理的完整流程。,"TensorFlow, Keras, GRU, Movenet",数据集通过YouTube视频创建，使用annotator.py进行标注，生成包含击球类型和帧ID的CSV文件。每个击球动作被视为持续30帧（约1秒）的姿态序列。,1. 使用Movenet进行实时人体姿态估计。 2. 提供视频标注工具，用于标记正手、反手、发球等动作。 3. 将网球击球动作提取为人体姿态序列特征。 4. 分别使用全连接网络和RNN（GRU）进行训练和分类。 5. 支持对视频进行逐帧或基于RNN的平滑分类和计数。,True,2022-03,
+https://github.com/KalinLai-void/TennisPoseTrainer,KalinLai-void/TennisPoseTrainer,1,A tennis stroke training application is developed based on OpenPose.,"OpenPose, Python, opencv-python, Pillow, numpy, tk, tkvideoplayer",The repository does not contain a dataset. It uses a camera to capture user pose in real-time.,"This application is a sports tool based on OpenPose that allows users to train their tennis strokes (forehand and backhand). Users can select their dominant hand and see their swing status, pose, and trajectory after each swing.",True,2024-10,
+https://github.com/jasnwag/tennis_serve_dataset,jasnwag/tennis_serve_dataset,2,一个全面的网球发球数据集，来自 2024 年美国网球公开赛，提供 3D 关键点跟踪、发球分析和性别分类数据。,"Python, Pandas, Numpy","包含 6,370 个网球发球数据，来自 2024 年美国网球公开赛。数据为 CSV 格式，内嵌 JSON 格式的 3D 关键点数组（每帧 17 个关节）。",提供详细的发球数据（速度、方向、结果）、17个关节的3D关键点跟踪、以及球员人口统计信息。可用于生物力学分析、机器学习（如性别分类、结果预测）和体育分析。,True,2025-09,
+https://github.com/julieemmerson/opensim_tennis_model,julieemmerson/opensim_tennis_model,3,"This repository contains a full-body OpenSim model designed to be suitable for tennis, along with the geometry files. The model combines the scapulothoracic joint of Seth et al. (2016), the upper body of Cazzola et al. (2017) and the lower body of Rajogopal et al. (2016). The inclusion of the scapulothoracic joint allows for realistic shoulder movement, even during tennis serves. Segment mass and inertial properties are based on de Leva (1996). This model has no muscles and is currently only suitable for inverse kinematics analysis.",OpenSim,Contains geometry files for a full-body OpenSim model.,"A full-body OpenSim model for tennis, enabling realistic shoulder movement for serves and suitable for inverse kinematics analysis.",,2024-12,
+https://github.com/JeffSackmann/tennis_atp,JeffSackmann/tennis_atp,1.5k,该项目提供了ATP网球排名、比赛结果和统计数据。这个仓库包含了主要的ATP球员文件、历史排名、比赛结果和比赛统计数据。,CSV,该数据集包含ATP球员信息、历史排名以及从1968年至今的详细比赛结果和统计数据，以CSV格式提供。它涵盖了巡回赛级别、挑战者赛和希望赛，以及双打比赛。,提供全面且历史悠久的ATP网球排名、比赛结果和球员统计数据集。它包括单打和双打比赛的数据，涵盖了从20世纪60年代至今的各种级别的锦标赛。,,2024,
+https://github.com/abdullahtarek/tennis_analysis,abdullahtarek/tennis_analysis,807,该项目通过分析视频中的网球运动员来测量他们的速度、击球速度和击球次数。项目使用YOLO检测球员和网球，并利用CNN提取场地关键点。这是一个非常适合提升机器学习和计算机视觉技能的实践项目。,"YOLO, CNN, Pytorch, OpenCV, Pandas, Numpy",未提供具体的数据集信息，但项目包含用于训练网球检测器和场关键点提取器的Jupyter Notebook。,分析网球运动员的速度、击球速度和击球次数；使用YOLO进行球员和网球检测；使用CNN提取场地关键点。,True,2022-07,

research_notes/ai_tennis_review.md

@@ -0,0 +1,52 @@
+# AI网球综述论文关键信息
+
+## 来源
+Sampaio et al. (2024) "Transforming tennis with artificial intelligence: a bibliometric review"
+Front Sports Act Living. DOI: 10.3389/fspor.2024.1456998
+PMC: PMC11701037
+
+## 研究规模
+- 389条记录筛选，108篇文章纳入分析
+- 2006年至2024年的AI网球研究
+- 2012年起明显上升趋势，2022年达到高峰
+- 310位研究者参与贡献
+- 总引用627次
+
+## 三大研究集群
+
+### 集群1: 性能分析与优化
+关键词: classification, machine learning, neural network, performance, racquet sports, sport, tennis
+- ML算法和神经网络分类球员动作
+- 预测性能结果
+- 优化训练方案
+- 数据驱动的个性化训练策略
+
+### 集群2: 技术集成与创新
+关键词: action recognition, computer vision, deep learning, support vector machine, tracking
+- 动作识别和追踪系统
+- 计算机视觉实时分析
+- 深度学习提高准确性
+- 实时比赛分析和战略洞察
+
+### 集群3: 生物力学与可穿戴技术
+关键词: biomechanics, sports, wearable sensors
+- 可穿戴传感器收集生物力学数据
+- 运动模式、肌肉活动、关节角度
+- 伤害预防和康复
+- 实时运动员监控
+
+## 领先国家
+1. 中国 (46篇, 39%)
+2. 澳大利亚 (11篇)
+3. 日本 (8篇)
+4. 英国 (6篇)
+5. 美国 (6篇)
+
+## 顶级作者
+- Reid M. (8篇)
+- Gu SS. (3篇)
+- Kovalchik S. (3篇)
+- Powroznik P. (3篇)
+
+## 预测
+2025-2034年间，预计每年平均13.36±2.74篇文章，139.14±20.88次引用

research_notes/bilibili_videos.md

@@ -0,0 +1,98 @@
+# Bilibili 高播放量网球教学视频调研
+
+## 百万级播放量视频
+
+| 排名 | 视频标题 | UP主 | 播放量 | 时长 | 日期 |
+|------|---------|------|--------|------|------|
+| 1 | #网球王子里的绝技重现江湖！#我为亚运打call | 听风与是雨 | 166.2万 | 00:17 | 2024-01-19 |
+| 2 | 在各项运动中"制动"是产生速度的关键所在 | KOZZ小松哥 | 101.5万 | 00:36 | 2024-04-09 |
+
+## 数十万级播放量视频
+
+| 排名 | 视频标题 | UP主 | 播放量 | 时长 | 日期 |
+|------|---------|------|--------|------|------|
+| 3 | 令人难以置信的鞭打效果 | 冠军教练-莫拉托格鲁 | 94.1万 | 00:34 | 2024-12-11 |
+| 4 | 网球基础入门及实战技巧 | 豪豪的B站 | 90.6万 | 1:47:58 | 2020-04-12 |
+| 5 | #网球教学#日本两兄弟发球后单反直线和斜线组合练习 | 海特网球 | 88.8万 | 00:11 | 2024-11-11 |
+| 6 | #网球教学#日本两兄弟练习反手上旋和下旋 | 海特网球 | 83.9万 | 00:24 | 2024-12-01 |
+| 7 | 网球发球力量从哪来？身体像弹弓一样弹射 | 打网球的皮卡邱 | 76.4万 | 00:35 | 2024-03-01 |
+| 8 | 网球打得帅是真帅 | 爱开车的网球教练 | 74.2万 | 00:13 | 2022-12-09 |
+| 9 | 无我境界之「千锤百炼」 | 打网球的皮卡邱 | 68万 | 00:21 | 2025-01-09 |
+| 10 | 这几种捡网球的方法，你最喜欢哪种？ | 在下kiwi仔 | 53.8万 | 00:12 | 2024-08-23 |
+| 11 | 网球人集合！这种感觉谁懂！ | 数智小将网球馆 | 49.5万 | 00:10 | 2025-01-25 |
+| 12 | 【学网球】央视网球教程全23集 | 弩门诺尔 | 49万 | 9:22:37 | 2016-02-18 |
+| 13 | 【网球教学-言之有点理】5.0大佬教网球初学者如何打好正手击球 | RacketBrothers | 48.3万 | 19:33 | 2022-07-07 |
+| 14 | 为什么网球没有蓝土场呢？ | 数智小将网球馆 | 47.5万 | 01:06 | 2025-02-11 |
+| 15 | 【网球发球】只需5步！让你的发球爆炸！！！ | 立木斤人 | 40.4万 | 14:18 | 2021-02-15 |
+| 16 | 【费德勒-优雅正手】上帝正手射杀全场 | MT_TENNIS | 38.6万 | 00:18 | 2020-01-08 |
+| 17 | 网球零基础入门必看！第一课正手、反手和发球 | 轻盈网球 | 36.5万 | 18:50 | 2022-11-23 |
+| 18 | 保持低位可以获得更大的力量？ | 冠军教练-莫拉托格鲁 | 34万 | 00:36 | 2024-11-08 |
+| 19 | 【网球教学】正拍打出力并能保持稳定 | LeonTV网球频道 | 30.9万 | 13:16 | 2021-03-19 |
+| 20 | 【网球教学-言之有理】5.0大佬教我如何接发球更好 | RacketBrothers | 28.5万 | 30:38 | 2021-01-22 |
+| 21 | #网球教学#反手0-100%击球 | 海特网球 | 26.9万 | 00:16 | 2025-03-15 |
+
+## 重点UP主/频道
+
+### 海特网球
+- 专注日本网球训练视频翻译
+- 多个视频播放量超80万
+- 内容：发球、单反、反手上旋下旋
+
+### 打网球的皮卡邱
+- 发球力学分析
+- 多个视频超60万播放
+
+### 冠军教练-莫拉托格鲁
+- Patrick Mouratoglou教练中文频道
+- 鞭打效果、低位力量等专业分析
+
+### RacketBrothers (言之有理)
+- 5.0级大佬教学系列
+- 正手、接发球、发球等系统教学
+- 多个视频超28万播放
+
+### 轻盈网球
+- 零基础入门系列
+- 正手、反手、发球系统教学
+
+### LeonTV网球频道
+- 正手力量与稳定性教学
+- 30万+播放
+
+### 瑛赛网球
+- Top Tennis Training中文翻译
+- 截击、步法、发球等
+
+### 弩门诺尔
+- 央视网球教程全23集合集
+- 49万播放，9小时+完整教程
+
+### B站贝雷蒂尼
+- Top Tennis Training中英文字幕翻译
+- 终极正手教学篇
+
+## 内容分类
+
+### 正手教学
+- 5.0大佬正手击球教学 (48.3万)
+- 正拍打出力并保持稳定 (30.9万)
+- 费德勒优雅正手 (38.6万)
+
+### 反手教学
+- 日本两兄弟反手上旋下旋 (83.9万)
+- 反手0-100%击球 (26.9万)
+
+### 发球教学
+- 发球力量从哪来 (76.4万)
+- 只需5步让发球爆炸 (40.4万)
+- 日本两兄弟发球后单反组合 (88.8万)
+
+### 综合入门
+- 网球基础入门及实战技巧 (90.6万, 近2小时)
+- 央视网球教程全23集 (49万, 9小时+)
+- 零基础入门第一课 (36.5万)
+
+### 技术分析
+- 鞭打效果 (94.1万)
+- 制动产生速度 (101.5万)
+- 保持低位获得力量 (34万)

research_notes/youtube_channels.md

@@ -0,0 +1,102 @@
+# YouTube 高播放量网球教程频道调研
+
+## 顶级教学频道
+
+### 1. Intuitive Tennis (@IntuitiveTennis)
+- **主讲**: Nikola Aracic
+- **代表视频**: "Beginner Tennis Lesson | Forehand, Backhand & Serve" - **5.2M views**
+- **特色**: 直觉式教学法，覆盖所有基础技术
+- **链接**: https://www.youtube.com/@IntuitiveTennis
+
+### 2. Top Tennis Training (@TopTennisTrainingOfficial)
+- **主讲**: ATP职业选手Alex Slabinsky + 教练Simon Konov
+- **订阅**: 440K
+- **视频数**: 1,100+
+- **代表视频**: "Simple Tennis Serve Technique Masterclass for Beginners" - 1.6M views
+- **代表视频**: "Ultimate Pro Tennis Practice in Court Level View" 
+- **特色**: 从技术到战术全覆盖，高质量教学
+- **链接**: https://www.youtube.com/@TopTennisTrainingOfficial
+
+### 3. Essential Tennis (@EssentialTennis)
+- **主讲**: 教练Ian Westermann
+- **订阅**: 313K
+- **视频数**: 2,400+
+- **特色**: 深度教程、比赛分析、策略教学
+- **链接**: https://www.youtube.com/@EssentialTennis
+
+### 4. Feel Tennis Instruction (@feeltennis)
+- **主讲**: 教练Tomaz Mencinger
+- **订阅**: 218K
+- **视频数**: 535
+- **特色**: 强调"感觉"教学，流畅自然的身体运动
+- **链接**: https://www.youtube.com/@feeltennis
+
+### 5. Tennis Evolution (@TennisEvolution)
+- **主讲**: 前ATP职业选手Jeff Salzenstein
+- **订阅**: 110K
+- **视频数**: 739
+- **特色**: 技术、体能、心理、战术全方位
+- **链接**: https://www.youtube.com/@TennisEvolution
+
+### 6. Online Tennis Instruction
+- **代表视频**: "Perfect Your Tennis Forehand in 8 Steps" - 525K views
+- **链接**: https://www.youtube.com/@OnlineTennisInstruction
+
+### 7. Tennis Hacker
+- **评级**: S级 (Reddit社区评价)
+- **特色**: 技术分析深入
+
+### 8. One Minute Tennis
+- **评级**: S级 (Reddit社区评价)
+- **特色**: 简洁高效的教学
+
+### 9. My Tennis HQ
+- **特色**: 深入研究网球技术细节
+- **链接**: https://www.youtube.com/@MyTennisHQ
+
+### 10. RacquetFlex
+- **特色**: 深度技术分析，慢动作回放
+
+## 官方/赛事频道（高播放量）
+
+### ATP Tour
+- **订阅**: 456K, 视频15K+
+- **链接**: https://www.youtube.com/@ATPTour
+
+### WTA
+- **订阅**: 1.39M, 视频11K+
+- **链接**: https://www.youtube.com/@WTA
+
+### Tennis TV
+- **订阅**: 1.7M, 视频10K+
+- **链接**: https://www.youtube.com/@tennistv
+
+### ITF
+- **订阅**: 86.8K, 视频3.3K+
+- **链接**: https://www.youtube.com/@ITF.Tennis
+
+## 高播放量代表视频
+
+| 视频标题 | 频道 | 播放量 | 内容 |
+|---------|------|--------|------|
+| Beginner Tennis Lesson - Forehand, Backhand & Serve | Intuitive Tennis | 5.2M | 初学者完整教学 |
+| Simple Tennis Serve Technique Masterclass | Top Tennis Training | 1.6M | 发球技术大师课 |
+| How to Train on a Tennis Wall | Intuitive Tennis | 1.3M | 墙壁训练法 |
+| Beginner Tennis Lesson in 30 Minutes | Intuitive Tennis | 567K | 30分钟入门 |
+| Perfect Your Tennis Forehand in 8 Steps | Online Tennis Instruction | 525K | 正手8步法 |
+| Tennis Technique EXPLAINED | 2MinuteTennis | - | 正反手发球技术讲解 |
+| Play Better Tennis in 15 Minutes | Top Tennis Training | 33K | 15分钟提升 |
+| Top 6 Drills To WIN At Every Level | - | - | 各级别训练法 |
+| Tennis for Beginners: Master Fundamentals | - | - | 握拍、旋转、技术 |
+
+## 中文网球教学频道
+
+### How视频
+- **内容**: 网球发球、正手挥拍、步伐练习等
+- **链接**: YouTube播放列表
+
+## 社区推荐排名 (Reddit r/10s)
+
+**S级**: Feel Tennis Instruction, Tennis Hacker, One Minute Tennis
+**A级**: Intuitive Tennis, Essential Tennis
+**推荐**: RacquetFlex, MyTennisHQ, Total Tennis