先定义用户要解决的问题
用户会复看比赛录像，却很难从整段视频稳定判断移动、击球与轮转变化。分析结果必须能回到对应画面核查。
赛后复盘
上传固定机位录像，查看球员移动、羽毛球轨迹与有证据支持的杀球速度估算。
双打配合分析
先稳定识别四人身份和半场位置，为后续轮转与战术分析建立数据基础。
结果可核查
指标与标注视频互相对应，用户能看到数据来自哪一帧、哪段轨迹。
单机位辅助分析
不承担官方判罚或雷达测速；证据不足时明确显示“不确定”。
按可信交付划定 MVP
首版优先打通“导入—标定—分析—校验—导出”，把高级战术推断留到轨迹质量稳定之后。
必须完成
- 视频与模板导入、格式和文件异常检查
- 球场四角自动识别与手动修正；球网四角标定
- 有效比赛画面筛选，四人和羽毛球逐帧追踪
- 移动轨迹、距离、速度、位置图及可核查球路
- 满足条件时显示杀球估算速度与可信度
- 阶段进度、停止任务、标注 MP4 预览与下载
逐步扩展
- 自动球路分类与落点统计
- 双打轮转识别和战术建议
- 人工纠错后重新计算
- 多机位融合及批量任务
明确不做
- 官方级判罚、毫米级落点
- 雷达级精度的球速
- 缺少验证数据的“战术对错”判断
- 首版账号、云协作和付费体系
把复杂分析拆成有确认点的流程
工作台以四步流程承载核心任务。前两步使用大画面标点，结果出现前始终给出清晰状态。
导入素材
上传或替换视频与球场模板，立即校验格式、时长、文件是否损坏；显示完整文件名与删除操作。
确认球场与球网
自动预览球场四角；用户按固定顺序修正并可撤销、重置。再标定球网四角，检查几何关系和重投影误差。确认后才启动分析。
分析与过程反馈
按帧检测和追踪，显示阶段、总进度、当前进度与剩余时间；允许停止，停止后状态立即变为“已停止”。
结果核查与交付
对照标注视频查看轨迹、位置图和统计。仅在 MP4 真正生成后显示 100% 与下载按钮。原始 JSON 默认折叠。
让模型、视觉计算与规则各司其职
AI 用于识别目标；场地映射、跨帧关联、指标计算和质量判断，需要明确的计算逻辑与产品规则。
帧、球场/球网角点、模型权重与分析设置。
模型输出人体关键点和羽毛球候选位置及置信信息。
四人身份关联、场地坐标变换、轨迹与速度估算。
异常帧过滤、置信度分级、不可判断时留空。
回放、机位切换或与标定明显不符的画面跳过统计，不强行沿用坐标。
短时保留身份历史，但不伪造球员位置；身份不确定时暂缓赋色。
只对轨迹、时间与场地几何足够可靠的下压击球估算，并标注质量等级；证据不足时不显示数值。
球速由该段视频证据计算，不根据球员身份或预设阈值反推结果。
用结果质量和任务状态验收
成功标准不是“界面显示完成”，而是结果文件可打开、关键数据可追溯、异常情况有正确反馈。
可核查的分析结果
每项轨迹与速度能定位到原视频时间段；低置信度标记清晰；异常帧不进入运动统计。
可信的任务状态
运行、完成、取消、失败互斥；刷新后可恢复任务；停止后不继续显示运行中。
真实的交付完成
标注 MP4 可预览并可下载；导出失败时显示原因与重试入口，下载按钮不提前出现。
下一阶段依据
先检查检测稳定性、身份连续性、标定误差和用户核查反馈，再决定是否开放球路与战术模块。
实现假设：首版为 Windows 本地运行；前端工作台可采用 React + TypeScript，任务服务采用 FastAPI，Python 分析模块继续复用，SQLite 保存任务与标定状态，FFmpeg 导出 H.264 MP4。