Monitoramento de Velocidade em Atletas de Natação via Visão Computacional: Uma Abordagem Desktop de Baixo Custo
Palavras-chave:
visão computacional, YOLOv8n, natação, análise de desempenho, monitoramento esportivoResumo
O monitoramento do desempenho na natação é frequentemente realizado por meio de observação visual ou com o auxílio de sensores especializados. O alto custo do emprego de sensores para o monitoramento pode limitar o acesso e aquisição dessas tecnologias de análise de desempenho por diversas instituições. Este trabalho apresenta o desenvolvimento de um sistema de baixo custo para o monitoramento automatizado da velocidade de nadadores utilizando técnicas de visão computacional. A solução proposta emprega o modelo YOLOv8n para a detecção de nadador em vídeos, integrado a uma aplicação desktop desenvolvida em Python com a biblioteca PyQt5. O sistema permite o ajuste dinâmico das distâncias monitoradas, o cálculo automático da velocidade média e o armazenamento dos dados em formatos estruturados (CSV e TXT), possibilitando o acompanhamento histórico do desempenho dos atletas. Os resultados demonstraram a capacidade da ferramenta em identificar nadadores em ambiente real e fornecer métricas relevantes para a análise técnica dos treinamentos de forma automatizada e não invasiva. Além de apresentar baixo custo de implementação, a solução mostrou-se eficaz como ferramenta de apoio ao treinamento esportivo.
Referências
Amazon Web Services. (2022). How Swimming Australia uses machine learning for real-time training pool analytics with AWS Panorama. https://aws.amazon.com/pt/blogs/media/how-swimming-australia-uses-machine-learning-for-real-time-training-pool-analytics-with-aws-panorama/
Bradski, G. (2000). The OpenCV Library. Dr. Dobb’s Journal of Software Tools. https://opencv.org/about/
Giannetti, M. R. S., Tierra Criollo, C. J., & Boaventura, W. C. (2014). Monitoramento da natação usando imagens. Anais do 24º Congresso Brasileiro de Engenharia Biomédica. https://www.canal6.com.br/cbeb/2014/artigos/cbeb2014_submission_061.pdf
Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4th ed.). Pearson.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Haykin, S. (2001). Redes neurais: princípios e prática. Bookman Editora.
Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., Lin, Z., Gimelshein, N., Antiga, L., Desmaison, A., Kopf, A., Yang, E., DeVito, Z., Raison, M., Tejani, A., Chilamkurthy, S., Steiner, B., Fang, L., Bai, J., & Chintala, S. (2019). PyTorch: An Imperative Style, High-Performance Deep Learning Library. Advances in Neural Information Processing Systems 32. https://papers.nips.cc/paper_files/paper/2019/file/bdbca288fee7f92f2bfa9f7012727740-Paper.pdf
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. https://arxiv.org/abs/1506.02640
Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Victor, B., He, Z., Morgan, S., & Miniutti, D. (2017). Continuous video to simple signals for swimming stroke detection with convolutional neural networks. https://arxiv.org/abs/1705.09894
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Paulo Junior Walbueno Dos Santos, João Vitor Burnunssi, Juliana Fátima Franciscani, Ivan de Oliveira Lopes
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Todos os trabalhos publicados na REGRASP estão licenciados sob a Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).
Isso significa que:
-
Qualquer pessoa pode copiar, distribuir, exibir, adaptar, remixar e até utilizar comercialmente os conteúdos publicados na revista;
-
Desde que sejam atribuídos os devidos créditos aos autores e à REGRASP como fonte original;
-
Não é exigida permissão adicional para reutilização, desde que respeitados os termos da licença.
Esta política está em conformidade com os princípios do acesso aberto, promovendo a ampla disseminação do conhecimento científico.
