用 M4 Pro 跑羽毛球视频 AI 分析（二）：TrackNet MPS 加速 3.2 倍、卡尔曼滤波补漏与自动回合剪辑

前言

在上一篇文章《用 M4 Pro 跑羽毛球视频 AI 分析：从满地踩坑到一键出图的复现笔记》中，我们把 Badminton-AI-Analysis 的五大核心模型（球场关键点、球员 YOLOv8 检测、姿态骨架、TrackNet 羽毛球追踪、击球事件识别）整合到了统一的 1000×1000 空间画布下，实现了单命令跑通端到端分析视频：

但在实际跑完整局比赛视频时，初版流水线暴露出了三个非常影响实用体验的痛点：

TrackNet 在 CPU 上推理太慢 ：10 秒（300 帧）1080p 视频光跑 TrackNet 就要 21.9s，跑一场 20 分钟的比赛要等大半天。
杀球瞬间羽毛球严重运动模糊导致漏检：高速扣杀时球托残影拉长，TrackNet 热力图峰值低于阈值，轨迹经常在最精彩的一拍断掉。
死球/捡球垃圾时间占比超过 65%：实战录播里有大量走动、擦汗、捡球时间，不仅浪费算力，回看视频时也很难快速定位精彩多拍。

趁着最近迭代 v1.1 版本 ，我把这三个问题一次性全部解决了，代码已全部开源更新至 GitHub： 👉 github.com/ychenfen/ba...

升级一：Apple Silicon MPS + FP16 混合精度，TrackNet 提速 3.22 倍

初版为了绕开 PyTorch 部分算子兼容性问题，默认将 TrackNet 放在 CPU 上运行。在 v1.1 中，我们对设备调度与推理循环做了三项针对性优化：

自动设备探测（cuda > mps > cpu） ：在 Apple Silicon（M1/M2/M3/M4 系列）上自动启用 mps 后端。
FP16 半精度推理（torch.autocast）：利用 M4 Pro GPU 的原生 FP16 吞吐优势，在不损失热力图质心精度的前提下大幅降低显存带宽开销。
Batch 滑动窗口推理 ：将原本逐帧串行的 3 帧滑动窗口改为 batch_size=8 批量送入 GPU。

M4 Pro（24GB）实测基准对比（300 帧 1080p）

推理后端配置	TrackNet 耗时	折算帧率 (FPS)	相对提速比	轨迹像素误差
`CPU`（FP32，Batch=2）	`21.9s`	`13.7 FPS`	`1.00x`	基准
`MPS`（FP32，Batch=4）	`8.4s`	`35.7 FPS`	`2.61x`	`< 0.2 px`
`MPS`（FP16，Batch=8）	`6.8s`	`44.1 FPS`	`3.22x`	`< 0.4 px`

开启 --fp16 --batch-size 8 后，TrackNet 推理耗时直接从 21.9s 压到了 6.8s ，首次在 MacBook Pro 上跑出了超过实时（44.1 FPS）的追踪速度！

升级二：4D 常速度卡尔曼滤波 + 物理加速度门控，修复杀球断轨

羽毛球在空中飞行遵循受空气阻力影响的抛物线运动，但以下两种情况极易引起 TrackNet 失败：

假阳性跳变（离群噪点）：球网白带反光、球衣白色图案或场边广告牌被误判为球。
短暂漏检（2～6 帧盲区）：重杀初速度超过 300 km/h 时单帧严重模糊，或者球恰好飞过白色背景区域。

我们在 postprocess_trajectory.py 中新增了一套无需重新训练模型的轨迹后处理管线：

python 复制代码

# 1. 物理加速度门控：剔除单帧位移 > 120px 且下一帧不连续的伪检噪点
# 2. 状态向量 [x, y, vx, vy] 的 4D 卡尔曼滤波器平滑观测噪声
# 3. 针对 <= 6 帧的短时漏检窗口，结合三次样条插值补全并标记为预测态（空心圆渲染）

在渲染合成阶段，实测检出点使用实心亮黄圆点 绘制，卡尔曼滤波补偿帧使用半透明空心圆过渡，既保证了彩虹尾迹不断裂，又能一眼区分模型实测值与滤波插值。

升级三：基于轨迹活跃度的「有效多拍回合」自动剪辑

录一场球 30 分钟，真正打球的时间往往不到 10 分钟。我们在 v1.1 中加入了 --export-rallies 回合自动分割器：

判定逻辑 ：当滑动窗口（15 帧）内羽毛球有效检出率高于 45% 且帧间位移标准差 > 8.0 px（排除静止在地面上的球）时，触发回合开始；当连续丢球或静止超过 1.5s（45 帧）时判定本回合结束。
自动切片与集锦 ：自动过滤时长 < 2.5s 的发球失误或无效片段，调用 ffmpeg 无损导出每个独立回合（rally_01.mp4, rally_02.mp4...）以及合并版纯享集锦 highlights.mp4。

一键复现命令

只需克隆仓库并运行：

bash 复制代码

git clone https://github.com/ychenfen/badminton-pipeline-repro.git
cd badminton-pipeline-repro

# 一键开启 MPS + FP16 加速、卡尔曼滤波补漏与自动回合集锦导出
python run_pipeline.py \
  --input demo.mp4 \
  --output output_v1.1.mp4 \
  --device mps --fp16 --batch-size 8 \
  --kalman-smooth --max-interp-gap 6 \
  --export-rallies

总结与后续计划

目前 v1.1 已经把单机推理速度、轨迹连续性和自动集锦剪辑补齐。下一步（v1.2）计划利用球场单应性矩阵（Homography）将羽毛球落地帧投射到标准 2D 俯视球场，自动生成落点热力图（Shot Placement Heatmap）与杀球初速度估算。

🔗 GitHub 开源地址 ：github.com/ychenfen/ba...
📖 第一篇复现笔记 ：用 M4 Pro 跑羽毛球视频 AI 分析：从满地踩坑到一键出图的复现笔记

如果你也在做体育视频分析、姿态估计或 Apple Silicon 本地推理优化，欢迎去仓库点个 Star ⭐ 或提 Issue 交流！