# 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。