Este repositorio contiene un análisis comparativo entre dos datasets de visión por computador centrados en deportes:
El objetivo es evaluar la calidad, aplicabilidad y desempeño de ambos datasets bajo tareas como:
- Re-identificación de jugadores
- Seguimiento (tracking) multiobjeto
- Segmentación de instancias
- Tipo: Multi-Object Tracking (MOT)
- Tamaño: 139 secuencias de video (≈273K anotaciones)
- Modalidades: Visión monocular RGB
- Etiquetas: PlayerID, balón, poses, orientación
- Licencia: Uso no comercial
- Enfoque: Precisión en entornos multijugador y desafíos con oclusiones
- Submódulos:
- Re-identificación: Tareas de seguimiento entre cámaras
- Segmentación: Anotaciones precisas a nivel de píxel
- Modalidades: Multicámara, RGB, segmentación y bounding boxes
- Licencia: Uso académico / con restricciones (consultar repositorio)
- Enfoque: Datos enriquecidos y escenarios reales de competición
Los datasets serán evaluados usando los siguientes factores:
| Factor | Descripción |
|---|---|
| Tamaño y variedad | Número de videos, frames y diversidad de escenarios |
| Calidad de anotaciones | Precisión de bounding boxes, segmentación y etiquetas |
| Escenarios cubiertos | Baloncesto indoor/outdoor, oclusiones, multijugador |
| Formato y accesibilidad | Facilidad de uso, estándares, licencias |
| Métricas de evaluación | Aplicación de mAP, MOTA, MOTP, IDF1, etc. |
| Compatibilidad con modelos | Facilidad para usar con YOLO, DeepSORT, Detectron2, etc. |
- Python 3.10+
- OpenCV
- Pandas
- Matplotlib / Seaborn
- Jupyter (opcional)
# Clona el repositorio con los submódulos
git clone --recurse-submodules https://github.com/tu_usuario/Dataset-Benchmark.git
# Entra al directorio
cd Dataset-Benchmark
# Instala las dependencias necesarias
pip install -r requirements.txt