
Closed
Posted
Paid on delivery
O que contratar primeiro **Especialista em visão computacional para futebol, rastreamento de múltiplos jogadores e reconhecimento temporal de ações.** Procurar experiência demonstrável em Python, PyTorch, OpenCV, detecção de objetos, associação de trajetórias e avaliação de vídeo. Conhecimento de YOLO/BoT-SORT e reidentificação por aparência pode facilitar o aproveitamento da base; trocar componentes exige comparação e justificativa. Não exigir uma LLM própria ou um modelo generativo como solução inicial. O problema atual envolve detecção, associação temporal, identidade, bola e classificação. A arquitetura pode combinar modelos especializados. O produto deve executar a análise sem chamadas ao Gemini/OpenAI ou a outro serviço de compreensão visual; hospedagem em GPU é infraestrutura substituível. ## Base que deve ser reaproveitada | Ativo existente | O que oferece | O que ainda falta | |---|---|---| | Detector de pessoas, rastreador e pose | Observações de vários jogadores, caixas e IDs locais | Continuidade confiável em sobreposição, saída/retorno e cortes | | Detector próprio de bola refinado por 42 épocas | Caixas e observações da bola em vídeos de celular | Cobertura em bola pequena, borramento, oclusão e bola aérea; bola detectada não comprova posse | | Classificador de ações e refinamentos anteriores | Propostas de passe, condução, finalização e outras classes | Reduzir falsos positivos e ações perdidas; ligar ação ao jogador correto | | JSONs auxiliares e revisões humanas | Supervisão já aproveitada em treinos próprios | Não são trajetórias densas revisadas de todos os jogadores nem de remetente/receptor | | Corpus histórico de ações | Dez fontes, 49 positivos e 15 negativos específicos; versão agrupada com 70 grupos | Poucos exemplos e fontes por classe; 70 grupos não são 70 vídeos independentes | | Contexto e índice de participantes | Evidências por frame e propostas ligadas a atores possíveis | Tracklet não equivale a pessoa global ou perfil; autoria e recepção ainda ambíguas | | Worker Python e contrato TypeScript | Processamento de pesquisa e JSON estruturado | Integração durável ao upload e aceite de produto são entregas posteriores | | Backup local | Pesos, corpus, revisões, relatórios e configurações preservados | Fornecer pacote mínimo selecionado; não repassar todo o backup | Os 11.327 rótulos de bola registrados no intake pertencem à tarefa de bola, não são 11.327 ações. As revisões de identidade disponíveis são esparsas e não substituem anotação de trajetórias. Quantidades finais elegíveis e linhagem devem ser conferidas no inventário do primeiro marco. ## O que precisa de treino e o que precisa de engenharia | Frente | Trabalho necessário | Prioridade | |---|---|---| | Identidade e rastreamento | Diagnosticar associação, estado durante oclusão e recuperação; avaliar se embeddings de aparência precisam de adaptação com pares/identidades anotados | Primeira contratação | | Bola | Avaliar o checkpoint existente por tipo de erro; se necessário, refinar com caixas revisadas de bola pequena/aérea/oculta e negativos explicitamente anotados | Condicionada ao erro medido | | Contato e transição entre jogadores | Anotar/evaluar jogador que toca, instante, bola livre, receptor e incerteza; produzir candidatos sem depender apenas do atleta inicial | Segunda etapa | | Ações temporais | Refinar passe, condução e finalização com clipes/intervalos revisados, máscaras de desconhecido e negativos por classe; avaliar gol separadamente | Segunda etapa | | Autoria e contagens | Associar evento, autor e receptor a IDs reconciliados; separar tentativa, conclusão e resultado desconhecido | Após evidência de identidade e ação | | Backend e melhoria contínua | Versionar dataset/modelo, registrar inferência, preservar revisões e avaliar candidatas antes de promoção | Entrega de reprodução; integração do app orçada à parte | Falta, desarme, drible contra adversário e gol não devem herdar automaticamente o resultado de uma classe parecida. Condução não prova drible bem-sucedido. Bola perto do jogador não prova domínio. Finalização não prova gol. Um gol fora de quadro pode ficar desconhecido.
Project ID: 40788130
102 proposals
Remote project
Active 4 days ago
Set your budget and timeframe
Get paid for your work
Outline your proposal
It's free to sign up and bid on jobs
102 freelancers are bidding on average $425 USD for this job

⭐⭐⭐⭐⭐ Especialista em visão computacional para rastreamento e ação no futebol ❇️ Hi My Friend, I hope you are doing well. I checked all of your project requirements and I can see you are looking for a computer vision specialist for football tracking and temporal action recognition. You have no need to look any further as Zohaib is here to help you! My team is already doing 50+ similar projects for sports video analysis. I will build a PyTorch pipeline that uses YOYO and BoT‑SORT for player and ball detection, then add appearance re‑identification to keep IDs through occlusions. I will also add a lightweight action classifier and deliver the whole system ready to run on your GPU, all within the same budget. ➡️ Why Me? I can easily do your tracking and action project as I have 5 years of experience in Python, PyTorch, OpenCV, object detection, trajectory association. Not only this, I have a strong grip on YOLO, re‑identification, video evaluation and GPU deployment. ➡️ Let's have a quick chat to discuss your project in detail and let me show you samples of my previous work. Looking forward to discussing with you in chat. ➡️ Skills & Experience: ✅ Python ✅ PyTorch ✅ OpenCV ✅ YOLO ✅ BoT‑SORT ✅ Re‑identification ✅ Trajectory Linking ✅ Action Classification ✅ Video Processing ✅ GPU Optimization ✅ Data Annotation ✅ Model Evaluation Waiting for your response! Best Regards, Zohaib
$350 USD in 2 days
7.9
7.9

Hi, I can help improve your existing football computer vision pipeline, focusing first on player tracking, identity consistency, and ball detection. I have experience with Python, PyTorch, and OpenCV, and I’d start by evaluating your current models before making changes. My goal is to reuse what already works, reduce tracking errors and false action detections, and deliver measurable improvements with clear documentation. I’d be happy to discuss the first milestone.
$250 USD in 1 day
7.2
7.2

Hello, I trust you're doing well. I am well experienced in machine learning algorithms, with nearly a decade of hands-on practice. My expertise lies in developing various artificial intelligence algorithms, including the one you require, using Python, and similar tools. I have worked with pytorch, and tensorflow to develop DL models, .I hold a doctorate from Tohoku University and have a number of publications in the same subject. My portfolio, which showcases my past work, is available for your review. Your project piqued my interest, and I would be delighted to be part of it. Let's connect to discuss in detail. Warm regards. please check my portfolio link: https://www.freelancer.com/u/sajjadtaghvaeifr
$500 USD in 7 days
6.8
6.8

Olá! Como um especialista em visão computacional com 11+ anos de experiência, 465+ projetos concluídos e Top 1% verified freelancer status, posso refinar seu pipeline de rastreamento de futebol. Aqui está como posso ajudar: 1. Diagnosticar associação de identidade, oclusão e recuperação de trajetórias usando PyTorch, OpenCV e embeddings. 2. Avaliar o detector de bola existente e refiná-lo para casos difíceis sem depender de APIs externas. 3. Construir classificação temporal de ações (passe, condução, finalização) com verificação estrita de contato. 4. Estabelecer versionamento de datasets, controle de qualidade e melhoria contínua nos workers Python. 5. Entregar pesos otimizados, scripts de inferência e métricas para integração ao backend TypeScript. A base de código atual utiliza YOLOv8/BoT-SORT ou uma arquitetura customizada para a associação temporal dos jogadores?
$500 USD in 7 days
6.6
6.6

Hi there, This is Dev Singh from Bengaluru, India. I checked your project description and understand you want to turn your existing computer vision assets into reliable soccer analysis that correctly tracks players and attributes actions without relying on external AI services. I've built something very similar recently, where the hardest challenge was maintaining player identity through occlusion and re-entry while linking actions to the correct player. I'd suggest evaluating the existing tracker with PyTorch and OpenCV first, then testing appearance-based re-identification before retraining components. A few quick questions so I get this right: Q1 –, Which tracking framework and model versions are currently deployed, and can they be modified? Q2 –, Are annotated identity pairs and full-match videos available for evaluating track continuity across cuts and re-entry? Q3 –, What measurable identity and action-recognition metrics must the first milestone meet, given the limited independent examples per class? Happy to discuss milestone scope and evaluation criteria on a quick call, if that works for you. Looking forward to hearing from you.
$500 USD in 7 days
6.6
6.6

Hi, I understand you need the existing football vision work checked before adding more training. I can review the Python worker, detector and tracker outputs, JSON lineage, identity breaks, occlusions, ball errors, and temporal action links. I would first build a clear baseline from the supplied inventory, measure where IDs and events fail, then compare fixes using repeatable evaluation instead of assuming that proximity means possession or that an action proves its result. I can also keep dataset versions, inference logs, uncertain cases, and promotion checks organized through Data Processing so later stages have reliable evidence. Which failure should define the first milestone: identity continuity through occlusions, ball tracking quality, or linking actions to the correct player? Please share the current worker entry point, sample videos, representative JSON files, and the first milestone you want measured. Start the chat and let’s discuss the best way to begin.
$650 USD in 14 days
6.1
6.1

Minha experiência em visão computacional, detecção de objetos e rastreamento atende diretamente ao núcleo deste projeto: transformar observações de jogadores e bola em eventos temporais mais confiáveis. Trabalho com Python, PyTorch e OpenCV, além de Deep Learning, Object Detection e Tracking, competências alinhadas ao diagnóstico da associação de trajetórias, oclusões, recuperação de IDs e avaliação dos modelos já existentes. Também posso atuar na análise do detector de bola e do classificador de ações, distinguindo problemas de modelo dos problemas de engenharia e evitando substituir componentes sem evidência comparativa. Minha experiência em treinamento e deployment de modelos permite trabalhar com a base atual, preservar a estrutura de dados e apoiar uma evolução reproduzível, com avaliações claras para identidade, bola, ações e autoria. Estou preparado para contribuir como especialista na primeira frente de identidade e rastreamento e, posteriormente, apoiar a ligação entre jogadores, bola e ações. Escolha-me para fortalecer essa etapa com uma abordagem técnica, mensurável e focada em resultados verificáveis.
$250 USD in 4 days
6.6
6.6

Hello, ESPECIALISTA EM VISÃO COMPUTACIONAL PARA FUTEBOL {{{ POSSO AJUDAR A TRANSFORMAR SUA BASE EXISTENTE EM UM SISTEMA CONFIÁVEL DE RASTREAMENTO E ANÁLISE DE AÇÕES! }}} I have 12 years of experience in the IT domain, including AI, Python, machine learning, and software development. I can help improve your existing pipeline while preserving reusable models, datasets, and infrastructure. My proposed workflow: - First, audit the existing Python, PyTorch, OpenCV, YOLO and tracking pipeline. - Evaluate player identity association, occlusion recovery, track continuity, and re-identification. - Benchmark the existing ball detector before deciding whether retraining is necessary. - Improve temporal action classification for passes, dribbling, and shots using reviewed clips and hard negatives. - Associate actions with the correct player, sender, and receiver, while preserving uncertainty where evidence is insufficient. - Deliver reproducible experiments, evaluation reports, versioned models, and structured JSON outputs. I recommend starting with player identity and tracking diagnostics, then progressing to ball, action recognition, and event attribution based on measured results. Thanks, Christina
$250 USD in 7 days
6.2
6.2

A experiência de 13+ anos em IA, machine learning, deep learning e visão computacional me posiciona para atacar o núcleo deste projeto: transformar detecções de vídeo em rastreamento e eventos temporais confiáveis, sem depender de LLMs ou serviços externos de compreensão visual. Trabalho com Python, processamento de dados, treinamento, fine-tuning e avaliação de modelos, além de engenharia de pipelines e soluções completas de IA. Isso se conecta diretamente ao diagnóstico do detector e rastreador existentes, à análise de erros da bola, à associação temporal de jogadores e à validação de ações com incerteza explícita. Minha experiência com JSON, datasets, controle de qualidade e sistemas escaláveis também permite preservar a linhagem das revisões, versões de modelos e resultados de inferência, aproveitando a base atual sem substituir componentes sem evidência. Posso contribuir tanto na pesquisa dos modelos quanto na engenharia necessária para tornar a análise reproduzível e sustentável. Estou pronto para assumir a primeira frente de identidade e rastreamento e evoluir as demais etapas com base em avaliações objetivas.
$250 USD in 1 day
5.8
5.8

Hi, we have experience in Python, computer vision, object detection, and AI model evaluation. We can assess the existing player-tracking and ball-detection models, measure identity switches and occlusion recovery, and evaluate action-recognition errors against the current baseline before making targeted improvements.
$500 USD in 7 days
5.7
5.7

Ola, Para resolver a perda de continuidade em oclusoes e cortes sem depender de APIs externas, o foco imediato e consolidar a associacao temporal e a re-identificacao (Re-ID) de aparencia sobre o tracker atual. => Diagnostico e Rastreamento Multijogador: Avaliar o baseline (YOLO + BoT-SORT/ByteTrack) contra o benchmark de oclusao; refinar o extrator de caracteristicas de aparencia (Re-ID com metric learning/triplet loss) e integrar filtros de Kalman com estimativa de movimento de camera para preservar IDs globais confiaveis. => Pipeline de Bola e Associacao Espaciotemporal: Diagnosticar o checkpoint de 42 epocas isolando falhas de bola aerea/borrao, acoplando interpolacao temporal e logica geometrica de proximidade/trajetoria para desacoplar mera deteccao de posse de bola efetiva. => Integracao e Reprodutibilidade: Garantir contratos estritos no worker Python com saidas em JSON estruturado para o backend TypeScript, estabelecendo rotinas de avaliacao offline (MOTA, IDF1, HOTA) para cada componente antes de qualquer promocao de modelo. No diagnostico inicial de tracking, os videos de celular contam com calibracao de camera/homografia de campo ativa, ou a associacao dependera estritamente do espaco de imagem e caracteristicas visuais dos jogadores? Atenciosamente, Mayank
$375 USD in 12 days
5.6
5.6

Olá, O projeto apresenta um problema técnico bem definido e adequado para uma abordagem orientada por evidências: primeiro medir a qualidade atual de identidade, rastreamento, bola e ações, depois decidir onde treino adicional realmente é necessário. Posso estruturar o primeiro marco com inventário e linhagem dos dados, diagnóstico de associação durante oclusões e cortes, avaliação do detector de bola por categorias de erro e análise da ligação entre eventos temporais e jogadores. Também posso comparar YOLO/BoT-SORT, embeddings de aparência e estratégias de recuperação, justificando cada troca com métricas e exemplos revisados. A implementação pode permanecer reproduzível em Python/PyTorch/OpenCV, preservando o worker existente, os contratos JSON e os ativos úteis sem depender de Gemini, OpenAI ou outro serviço visual. Para ações como passe, condução e finalização, separaria claramente detecção, autoria, recepção, resultado e incerteza, evitando inferências indevidas a partir da proximidade da bola ou de tracklets locais. A entrega inicial incluiria diagnóstico técnico, plano de anotação prioritário, protocolo de avaliação e recomendações implementáveis para a segunda etapa. Isso reduz risco e direciona o orçamento para os gargalos comprovados. Atenciosamente
$250 USD in 2 days
5.4
5.4

Hi there, I can help build a computer vision system for intelligent football tracking, detecting and tracking players and the ball across match footage. I’d focus on reliable object detection, multi-object tracking, and trajectory analysis, with clear, documented Python code and a practical output you can evaluate. Please open a chat with me so we can discuss your footage, tracking requirements, and the best approach for your project. Portfolio: https://www.freelancer.com/u/sf264 Best regards, Fahad.
$250 USD in 2 days
5.3
5.3

Minha experiência em Deep Learning e Python se alinha diretamente ao núcleo deste projeto: desenvolver e avaliar componentes de visão computacional para detectar jogadores, bola e ações em vídeo, sem depender de LLMs ou serviços externos de compreensão visual. Também trabalho com processamento de fotografias, classificação, redes neurais, inteligência computacional, mineração de dados e análise de dados, competências relevantes para investigar falhas de detecção, oclusões, falsos positivos e padrões temporais. Posso contribuir na avaliação dos modelos existentes, no refinamento de detectores e classificadores e na organização de uma solução reproduzível para associar observações e eventos aos jogadores. Minha base em Python e aprendizado profundo permite trabalhar com dados anotados, checkpoints, inferência e métricas, preservando a distinção entre detecção, identidade, posse, autoria e resultado desconhecido. Estou preparado para analisar tecnicamente a base atual e evoluir o rastreamento e o reconhecimento de ações com rigor experimental. Escolha-me para transformar essa base de pesquisa em uma solução de análise de futebol mais consistente e tecnicamente fundamentada.
$250 USD in 3 days
5.0
5.0

O verdadeiro gargalo não é o detector, é a associação. O BoT-SORT perde identidade em oclusão, saída/retorno e cortes, e isso contamina posse, autoria e receptor. Sem IDs reconciliados, nenhuma contagem de passe ou finalização é confiável. Perguntas rápidas - os vídeos de celular têm cortes de câmera frequentes ou são planos contínuos? E qual a meta de processamento por partida na GPU, offline ou quase em tempo real? Aqui está a abordagem arquitetural: - IDENTIDADE E RASTREAMENTO: Diagnosticar o BoT-SORT por tipo de falha e adaptar embeddings de reidentificação com pares anotados. - BOLA E CONTATO: Avaliar o checkpoint YOLO de 42 épocas por erro (pequena, aérea, oculta) antes de qualquer refino. - AÇÕES TEMPORAIS: Refinar passe, condução e finalização em PyTorch com negativos por classe e versionamento de dataset e modelo. Já
$450 USD in 10 days
5.5
5.5

Hi there, The core challenge is reconciling player identities through occlusion, exits, returns, and camera cuts while linking ball contact and temporal actions to the correct global player, not treating proximity or a local track ID as proof of possession or authorship. I have strong hands-on experience with Python and Deep Learning and have solved similar problems involving multi-object tracking, temporal video classification, and evaluation of detection pipelines. My approach would be to: * Review the existing detector, tracker, pose outputs, JSON contracts, checkpoints, corpus inventory, and human revisions. * Identify the root cause of identity fragmentation and determine what can be reused versus what needs to be changed. * Implement a clean, maintainable solution using Python, PyTorch, OpenCV, appearance embeddings, and trajectory-association logic where evidence supports it. * Test edge cases, reliability, performance, security, and integration behavior across occlusion, blur, small-ball visibility, camera cuts, and uncertain events. * Deploy or integrate the fix without disrupting the existing system. A key design point is to evaluate tracklet reconciliation independently from action recognition, preserving explicit unknown states instead of converting uncertain possession, reception, or goals into false positives. I prefer fixing the actual root cause rather than applying temporary patches, and I will keep the implementation simple, stable, and maintainable.
$700 USD in 14 days
4.7
4.7

Olá, posso ajudar a avaliar e aprimorar seu pipeline existente de visão computacional para futebol, priorizando o rastreamento de múltiplos jogadores, a continuidade de identidade e a recuperação após oclusões e cortes de câmera. Vou analisar os componentes atuais em Python, PyTorch e OpenCV, estabelecer métricas de referência e recomendar ajustes de modelos com base em dados anotados e testes mensuráveis. O foco será reaproveitar os ativos existentes, com experimentos reproduzíveis, alterações documentadas e próximos passos claros antes de avançar para o reconhecimento temporal de ações. Atenciosamente, Shakila Naz
$300 USD in 7 days
5.1
5.1

Hello, O desafio central é transformar os detectores e rastreadores existentes em uma análise de futebol confiável, especialmente durante oclusões, retornos, cortes e ambiguidades entre jogador, bola e ação. A primeira entrega deve medir os erros reais antes de trocar componentes. Vou auditar o worker Python, JSONs, checkpoints e linhagem do inventário, reproduzir métricas de detecção e tracking, analisar associação temporal e avaliar YOLO/BoT-SORT, embeddings de aparência e recuperação de identidade somente quando os dados justificarem. Também documentarei falhas de bola e limites de confiança sem depender de LLMs ou APIs externas. Similar work includes projetos de visão computacional e plataformas com processamento de vídeo, pipelines Python, modelos especializados e integração estruturada entre inferência, revisão humana e dados versionados. A abordagem prioriza evidência mensurável, não promessas baseadas em contagens incompletas. Em sete dias, entregarei um primeiro marco funcional com diagnóstico reproduzível, métricas, exemplos de falhas, recomendação técnica e plano de refinamento priorizado. O código será limpo, documentado e preparado para avaliação contínua, preservando os ativos existentes. Best regards, Bohdan
$700 USD in 7 days
3.9
3.9

Faço o diagnóstico da associação de jogadores e da bola que vocês pediram, com uma tabela de erros e trechos anotados dos seus próprios vídeos. O mais difícil é separar troca de identidade de falha de detecção. No arquivo as duas aparecem parecidas, então cada caso precisa ser conferido nos quadros, e não só contado. Vou começar por isso: 1. Rodar o rastreador atual em um dos seus vídeos de celular e gerar uma cópia com caixas e IDs desenhados, para ver onde a identidade muda na sobreposição. 2. Classificar cada troca e cada jogador perdido: oclusão, saída e retorno de quadro, corte ou sobreposição longa. 3. Medir os erros da bola por tipo (pequena, borrada, aérea, oculta) usando os rótulos que vocês já têm. 4. Entregar a tabela, os trechos anotados e a sugestão de qual treino vale fazer primeiro, com o que ainda não dá para afirmar. Você confere a cópia anotada do seu vídeo antes de liberar o resto. - 150 USD for os passos 1 e 2, com a cópia anotada de um dos seus vídeos ainda hoje - 400 USD for os passos 3 e 4, quando a tabela completa de erros estiver pronta Estou livre para começar hoje.
$550 USD in 5 days
4.0
4.0

Hi, A principal falha que vejo é perda de identidade e ligação temporal entre detecção e rastreamento quando há oclusões, substituições por deteções erradas e dados históricos dispersos. Vou priorizar identidade e rastreamento antes de ajustar classificação de ações para evitar herdar resultados entre classes semelhantes. Tenho experiência aplicando reidentificação por aparência com metric learning e redes de características compactas para situações de multi-player em campo. Em projetos anteriores integrei detectores baseados em YOLO e trackers tipo BoT-SORT, combinei re-id embedders treinados com triplet loss e um filtro de associações temporais que usa motion model com correção por homografia de campo para reduzir false positives e melhorar trajetórias densas. Posso reaproveitar seu detector de pessoas, rastreador, detector de bola, classificador de ações e corpus histórico sem depender de serviços externos. Primeiro passo prático: validar qualidade dos embeddings atuais e eventos de troca de identidade em amostras representativas, depois treinar re-id com hard-mining e aplicar uma camada de associação probabilística que penaliza trocas entre classes similares. Paralelamente ajusto heurísticas de bola e detecção de contato com features temporais curtas. - Você pode fornecer 2-3 vídeos representativos com exemplos de oclusão e falsos positivos para eu analisar? - Prefere que eu entregue um MVP com melhorias em identidade/rastreamento primeiro ou um conjunto de scripts de avaliação e métricas para vocês executarem localmente? Looking forward to hearing from you, @melopgabriel
$290 USD in 3 days
4.1
4.1

Camaragibe, Brazil
Member since Oct 26, 2026
₹12500-37500 INR
₹750-1250 INR / hour
₹12500-37500 INR
₹7000-10000 INR / hour
$250-750 USD
₹500000-1000000 INR
$2000-3000 USD
₹12500-37500 INR
$10-30 USD
$30-250 USD
$250-750 USD
₹2000-5000 INR
$25-50 USD / hour
₹400-750 INR / hour
$250-750 USD
₹750-1250 INR / hour
₹1500-12500 INR
₹12500-37500 INR
₹750-1250 INR / hour
$8-15 USD / hour