De anotadores humanos a redes neurais

Durante décadas, empresas como Opta e StatsBomb dependeram de operadores treinados que assistiam a partidas e registravam manualmente cada evento — passe, chute, drible, pressão. O processo era caro, lento (dados finais saíam horas após o jogo) e sujeito a viés humano ^[1].

A virada começou em 2022, quando a StatsBomb lançou seu pipeline de automated data collection baseado em visão computacional. Em vez de anotadores, câmeras de transmissão padrão alimentam uma rede neural que detecta jogadores, árbitros e a bola frame a frame, atribui identidades e classifica ações em tempo quase real ^[2].

Como funciona o rastreamento por câmera única

O grande desafio técnico é extrair coordenadas 3D do campo a partir de imagens 2D de uma câmera de transmissão. O processo envolve três etapas principais:

• Calibração de câmera e homografia: o modelo identifica as linhas do campo e a posição das traves para mapear pixels a metros reais de gramado, compensando a perspectiva da câmera de transmissão ^[3].
• Detecção e rastreamento de objetos: variantes de YOLO (atualmente YOLOv10+) detectam jogadores e bola a cada frame; algoritmos de tracking como ByteTrack mantêm identidade consistente mesmo quando jogadores se sobrepõem ^[4].
• Classificação de ações: uma rede secundária (geralmente Transformer) analisa a sequência de movimentos para classificar passes, chutes, duelos, faltas — sem intervenção humana.

Opta AI Studio e o modelo de dados unificado

A STATS Perform (dona da Opta) respondeu com o Opta AI Studio, lançado em beta em 2025. A plataforma expõe uma API unificada que combina dados de eventos históricos (desde 1996) com rastreamento por visão computacional em tempo real, permitindo que analistas criem métricas customizadas sem escrever código de processamento de vídeo ^[5].

O modelo de dados do Opta AI Studio usa o padrão Open Football Data (OFD), proposto pelo consórcio StatsBomb–Opta–Wyscout em 2024, que padroniza a taxonomia de ações e facilita a interoperabilidade entre fornecedores.

Análise espacio-temporal e reconhecimento de padrões táticos

Com coordenadas de todos os jogadores em cada frame, abre-se o campo da análise espacio-temporal. Pesquisadores da área (como o grupo OpenSTARLab, que publicou o framework SoccerTrack pela Springer em 2023) desenvolveram técnicas para:

• Detectar automaticamente formações e transições táticas (ex.: quando o time muda de 4-3-3 para pressão alta no 4-4-2)
• Quantificar zonas de pressão e linhas de passe disponíveis a partir do pitch control — espaço dominado por cada equipe a cada instante ^[6]
• Identificar sequências ofensivas de alta probabilidade usando grafos temporais de passes
• Medir cobertura de espaço defensivo e detectar "buracos" táticos antes que o adversário os explore

Câmeras acessíveis: Veo e o democratização da análise

Enquanto os grandes fornecedores atendem ligas de elite, startups como Veo (Dinamarca) e Spiideo (Suécia) levaram visão computacional para categorias de base e ligas amadoras. A câmera Veo 3, lançada em 2025, grava a 4K com rastreamento automático de jogadores e exporta dados de posição no padrão TRACAB por cerca de €200/mês ^[7].

No Brasil, clubes da Série B e times sub-20 começaram a adotar a Veo em 2025. O impacto mais imediato foi no scouting: em vez de deslocar um observador por partida, analistas assistem ao feed anotado remotamente e filtram eventos por tipo de ação.

Limitações e próximos passos

Apesar do avanço, a visão computacional ainda tem pontos cegos:

• Oclusão: jogadores cobertos por outros ou fora do enquadramento da câmera resultam em lacunas nos dados de rastreamento.
• Iluminação e câmeras antigas: estádios com iluminação heterogênea ou câmeras de baixa resolução degradam a precisão da detecção.
• Identificação de jogadores: trocar de número de camisa ou situações de pressão intensa ainda geram erros de identidade em ~3–5% dos frames, segundo benchmarks internos da StatsBomb.

O próximo passo é integrar múltiplas câmeras (incluindo câmeras de gol e laterais) em um sistema multiview que elimine a oclusão e reconstrua posições 3D com muito mais precisão — tecnologia já em fase piloto na Premier League para a temporada 2026/27.

Referências

1. StatsBomb. StatsBomb IQ: Automated Data Collection. Blog técnico, 2022. statsbomb.com
2. StatsBomb. StatsBomb 360 Documentation. Developer Hub, 2024. github.com/statsbomb/open-data
3. Cioppa, A. et al. Camera Calibration and Player Localization in SoccerNet with Homographies. CVSports Workshop, CVPR 2021. arXiv:2103.09384.
4. Zhang, Y. et al. ByteTrack: Multi-Object Tracking by Associating Every Detection Box. ECCV 2022. arXiv:2110.06864.
5. STATS Perform. Opta AI Studio — Product Brief. Lançamento beta, Nov 2025. statsperform.com
6. Fernandez, J. & Bornn, L. Wide Open Spaces: A Statistical Technique for Measuring Space Creation in Professional Soccer. MIT SSAC, 2018.
7. Veo Technologies. Veo 3 Camera — Technical Specifications. 2025. veo.co

From human annotators to neural networks

For decades, companies like Opta and StatsBomb relied on trained operators who watched matches and manually logged every event — pass, shot, dribble, pressure. The process was expensive, slow (final data came hours after the game) and subject to human bias ^[1].

The turning point came in 2022, when StatsBomb launched its automated data collection pipeline based on computer vision. Instead of annotators, standard broadcast cameras feed a neural network that detects players, referees, and the ball frame by frame, assigns identities, and classifies actions in near real time ^[2].

How single-camera tracking works

The main technical challenge is extracting 3D field coordinates from 2D broadcast camera images. The process involves three key steps: camera calibration via homography (mapping pixels to real meters of pitch), player/ball detection with YOLOv10+ and ByteTrack for identity consistency, and action classification with a secondary Transformer network ^[3][4].

Opta AI Studio and the unified data model

STATS Perform (Opta's parent) responded with Opta AI Studio, launched in beta in 2025. The platform exposes a unified API combining historical event data (since 1996) with real-time computer vision tracking, letting analysts build custom metrics without writing video processing code ^[5].

Spatio-temporal analysis and tactical pattern recognition

With coordinates of all players at every frame, spatio-temporal analysis becomes possible. Researchers (such as the OpenSTARLab group, which published the SoccerTrack framework via Springer in 2023) developed techniques to automatically detect formations, quantify pressure zones via pitch control, and identify high-probability offensive sequences using temporal pass graphs ^[6].

Accessible cameras: Veo and the democratization of analysis

While major vendors serve elite leagues, startups like Veo (Denmark) and Spiideo (Sweden) brought computer vision to youth categories and amateur leagues. The Veo 3 camera records in 4K with automatic player tracking and exports position data in TRACAB format for around €200/month ^[7]. In Brazil, Série B clubs and U-20 teams began adopting Veo in 2025.

References

1. StatsBomb. StatsBomb IQ: Automated Data Collection. Technical Blog, 2022.
2. StatsBomb. StatsBomb 360 Documentation. Developer Hub, 2024.
3. Cioppa, A. et al. Camera Calibration and Player Localization in SoccerNet. CVPR 2021. arXiv:2103.09384.
4. Zhang, Y. et al. ByteTrack. ECCV 2022. arXiv:2110.06864.
5. STATS Perform. Opta AI Studio — Product Brief. Nov 2025.
6. Fernandez, J. & Bornn, L. Wide Open Spaces. MIT SSAC, 2018.
7. Veo Technologies. Veo 3 Camera — Specs. 2025.

De anotadores humanos a redes neuronales

Durante décadas, empresas como Opta y StatsBomb dependían de operadores que miraban partidos y registraban manualmente cada evento. En 2022, StatsBomb lanzó su pipeline de recolección automatizada basado en visión computacional, usando cámaras de transmisión estándar para rastrear a los 22 jugadores en tiempo casi real ^[1][2].

Opta AI Studio y el análisis espacio-temporal

La STATS Perform lanzó Opta AI Studio en beta en 2025, con una API unificada que combina datos históricos de eventos con rastreo en tiempo real por visión computacional ^[5]. Los modelos espacio-temporales permiten detectar formaciones automáticamente, cuantificar zonas de presión via pitch control y reconocer patrones ofensivos de alta probabilidad ^[6].

Democratización: Veo y ligas amateur

La cámara Veo 3 (2025) lleva visión computacional a las categorías formativas por ~€200/mes, exportando datos de posición en formato TRACAB ^[7]. En Brasil, clubes de la Série B y equipos sub-20 ya la adoptaron en 2025.

Referencias

1. StatsBomb. StatsBomb IQ: Automated Data Collection. 2022.
2. StatsBomb. StatsBomb 360 Documentation. 2024.
3. Cioppa, A. et al. Camera Calibration in SoccerNet. CVPR 2021. arXiv:2103.09384.
4. Zhang, Y. et al. ByteTrack. ECCV 2022. arXiv:2110.06864.
5. STATS Perform. Opta AI Studio. Nov 2025.
6. Fernandez & Bornn. Wide Open Spaces. MIT SSAC, 2018.
7. Veo Technologies. Veo 3 Camera. 2025.