1. 引言

随着计算机视觉和深度学习的飞速发展，体育比赛中的动作识别逐渐成为一个热门研究方向。篮球运动中的动作识别，尤其是关键动作如灌篮（Dunk）和传球（Pass），不仅能辅助战术分析，也可用于比赛智能解说和球员表现评估。

本文结合NBA公开的Player Tracking数据，利用YOLOv12目标检测框架，设计并实现一个基于视频的篮球动作识别系统，能准确区分灌篮和传球动作。系统包含数据预处理、模型训练、实时识别以及简洁的UI界面展示。

2. 问题定义与任务背景

篮球比赛中，动作复杂多样，如何自动识别关键动作（如Dunk和Pass）对于战术分析、比赛回放及智能解说都有重要价值。具体任务为：

输入：篮球比赛视频，或NBA Player Tracking数据（包括球员位置信息、球的位置、速度等时空数据）。

输出：对视频帧中每个球员动作的实时识别，区分“灌篮”和“传球”。

难点在于动作时间短，动作细节依赖空间和时间特征，且数据带有复杂背景和遮挡。

3. 数据集介绍与预处理

3.1 NBA Player Tracking 数据

NBA Player Tracking数据是NBA通过光学跟踪系统收集的高精度时空数据，包含球员和篮球的实时位置、速度、加速度等信息。公开数据集中如