Matteo Campagna
ITEN
Menu
Menu

Metodo

Machine learning e visione artificiale negli studi sul tiro

Il machine learning non misura niente da solo: lavora sui dati di una telecamera, di un sensore o di una batteria di test e ne ricava una misura o una previsione. Negli studi sul tiro ritrova le articolazioni in un video, cronometra le fasi, legge il bersaglio, segna il quiet eye e divide gli arcieri in gruppi. Qui spiego come lo hanno usato quegli studi, con quale riferimento è stato controllato, perché molte accuratezze si gonfiano e che cosa può dire oggi a un arciere o a un allenatore.

Studi nel registro
22
Su arcieri
15
Anni
2012-2026
Primo studio nel registro
2012
Mediana dei soggetti
6

Che cosa fa un programma che impara

Il machine learning non è uno strumento di misura: lavora sui dati di telecamere e sensori e impara un compito da esempi già risolti. Negli studi sul tiro i compiti sono di due tipi. Il primo è fare al posto di una persona una misura lenta, come ritrovare le articolazioni in un video, cronometrare le fasi, leggere i fori sul bersaglio o segnare il quiet eye. Il secondo è classificare o prevedere: chi sta tirando, chi ha più potenziale, quanti punti farà. Come la misura del tiro è uscita dal laboratorio è raccontato nella sezione Misurare il tiro fuori dal laboratorio più sotto; qui guardo come si legge un'accuratezza.

Ritrovare il corpo in un video

I programmi di stima della posa, come MediaPipe, YOLOv8 o RTMO, cercano in ogni fotogramma da 17 a 33 punti del corpo. Sono addestrati su persone qualsiasi, non su arcieri. L'unico controllo diretto del loro errore riguarda otto foto di un solo arciere: l'errore normalizzato va da 0,55 all'incocco a 0,71 all'ancoraggio, ma il fattore di scala non è definito, e senza di esso non si sa se sia poco o molto. Per questo la scheda sulla stima della postura da video resta a «non studiato».

Le coordinate, poi, sono in due dimensioni, e una ripresa di lato come quella con cui uno studio del 2025 ha misurato gli angoli di 104 studenti al rilascio non vede le rotazioni. Conta anche la frequenza: a 30 fotogrammi al secondo il rilascio, che dall'inizio al distacco della freccia dura una quindicina di millesimi, cade tutto fra due immagini. Il risultato più solido sta infatti su un intervallo lungo: il tempo fra ancoraggio e rilascio, misurato su riprese di gara con un errore medio di 0,34 secondi rispetto a un esperto, purché l'inizio dell'ancoraggio sia riconosciuto dall'angolo del braccio della corda; con la sola corda vicino al viso l'errore sale a 1,4. È la scheda sul riconoscimento automatico delle fasi, a «riportato».

Bersagli e segnali

Sul bersaglio il sistema più accurato, del 2026, localizza i fori su una visuale da 40 cm con un errore medio di 1,41 mm, ma su foto di un solo arciere e di un solo campo; la scheda sul punteggio dalle immagini è «contestata», perché l'unica prova sul campo confrontata con i giudici vede 91 frecce su 100 e dà il punteggio corretto a 67. Gli altri sistemi sono nella pagina sulla lettura automatica del bersaglio.

Con i sensori il programma vede una curva invece del corpo: un giroscopio sull'arco di cinque ricurvisti è servito a raggruppare i tiri simili e a mostrare in quale istante due tiri si separano, in finestre di circa mezzo secondo. Anche l'elettrooculografia è un segnale: sul quiet eye di dieci arcieri di club le due reti migliori arrivano intorno al 93 e al 92 per cento, e la migliore scende all'84 sul tracciato grezzo (quiet eye misurato in automatico).

Dove l'accuratezza si gonfia

Un'accuratezza dice quanto il modello ha indovinato su dati che non aveva visto, e il primo controllo è proprio questo. Fotogrammi dello stesso tiro, o tiri della stessa sessione, sono quasi uguali, e se finiscono da tutte e due le parti il modello li riconosce invece di generalizzare. Nello studio indonesiano sulle fasi la random forest arrivava al 100 per cento sui dati di addestramento, e l'articolo non dice di aver tenuto separati gli arcieri; lo stesso dubbio vale per i quattro arcieri coreani e per il braccialetto al polso, che passa dal 96,0 per cento sulle finestre di segnale al 75 sui singoli campioni, la misura indicata dagli autori per l'uso reale.

Il caso più chiaro è lo studio indiano su 32 arcieri che prevede il punteggio di una sessione da 30 frecce. Gli stessi arcieri stanno nell'addestramento e nella prova, e sette delle dieci variabili più importanti sono loro caratteristiche fisse, compreso il punteggio della gara precedente. L'accuratezza dichiarata è il 98,18 per cento, ma nella stessa tabella un modello con R² pari a 0,000, che non spiega nulla, arriva al 97,27: con punteggi tutti vicini a 279 su 300, dire la media basta per restare vicini. Il numero da leggere è l'R² del modello migliore, 0,575, e la scheda su come si prevede il punteggio è «contestata».

Il secondo controllo riguarda le etichette. Negli studi malesi sui giovani arcieri i gruppi di alto e basso potenziale sono stati costruiti con le stesse misure fisiche e lo stesso punteggio che poi i classificatori usano per ritrovarli: il 97,5 per cento delle macchine a vettori di supporto e l'82,5 del k-NN pesato misurano la coerenza di quella procedura, non un talento, come dice la scheda sui test fisici per selezionare i talenti.

Il terzo è il riferimento: se la misura da imitare è il giudizio di un esperto, la rete impara anche le sue imprecisioni. L'ultimo è la dimensione della prova: nello studio sugli studenti l'80 per cento poggia, a giudicare dalle percentuali per classe, su dieci persone, e la stima in validazione, 72,3, è più prudente.

Che cosa può dire a chi tira e a chi allena

Oggi questi programmi fanno bene due cose. Cronometrano l'intervallo fra ancoraggio e rilascio da un video di gara con un errore di circa un terzo di secondo, che basta per contare i tempi di una gara e non per giudicare una freccia. E mostrano che il gesto di ognuno ha una forma propria: dalle sole traiettorie di spalle, gomiti e polsi una rete individua quale di quattro arcieri sta tirando nel 98,7 per cento dei casi di prova, anche se in parte può appoggiarsi a corporatura e inquadratura (riconoscere l'arciere dal movimento). È un argomento per confrontare ogni tiro con il gesto abituale dello stesso arciere, nella stessa direzione delle prove che hanno portato a «smentito» la scheda sull'unica tecnica corretta dell'élite.

Non sanno ancora dire se uno scarto dal gesto abituale peggiori il tiro. Lo studio coreano segnala le articolazioni più lontane dalla media di quell'arciere, ma nessuna sua misura è collegata al punteggio o al punto d'impatto, e sul punteggio nessuno ha ancora confrontato un modello con la previsione più semplice, la media delle ultime gare.

Che cosa controllare

  • quale strumento ha prodotto i dati, a quanti fotogrammi o campioni al secondo, e se la misura è in due o in tre dimensioni;
  • con che cosa è confrontato il programma: una misura indipendente, uno o più esperti, nessun riferimento;
  • se arcieri, sessioni e tiri dell'addestramento sono separati da quelli della prova;
  • da dove vengono le etichette, e se contengono le variabili che il modello usa;
  • quanti casi ha il gruppo di prova, e quanto ottiene un modello che dice sempre la media;
  • se qualche numero è collegato al punteggio o al punto d'impatto.

Come si pesano disegno e campione è spiegato in Come leggiamo uno studio, i tempi del tiro in quanto dura un tiro; per chi si riprende con il telefono c'è l'articolo sulla video analisi e per la selezione dei giovani quello su come si individua un talento.

Come si è arrivati a saperlo: Misurare il tiro fuori dal laboratorio: dal cronometro del 2005 alla stima della posa

  1. 2005OrigineErtan et al. 2005 Reliability and validity testing of an archery chronometerUn cronometro montato sull'arco, provato su 20 arcieri d'élite turchi: segue l'elettromiografia con una correlazione di 0,787 ma dà in media 177 millesimi di secondo contro 146, perché comprende anche l'inizio dell'apertura delle dita, e a 70 metri si ripete quasi identico a una settimana di distanza.
  2. 2010MetodoGanter et al. 2010 Comparing three methods for measuring the movement of the bow in the aiming phase of Olympic archeryTre sistemi a confronto sull'oscillazione in mira di tre arciere della nazionale tedesca: una sola videocamera dietro l'arciera segue il sistema montato sull'arco in verticale, con correlazioni da 0,69 a 0,97, e in orizzontale non lo segue affatto.
  3. 2016EstensioneHasegawa et al. 2016 Archery Routing Motion Pattern Comparison Using Hidden Markov ModelsUn sensore di movimento sull'arco di un solo arciere esperto, 109 frecce: un modello statistico separa da solo preparazione, mira e rilascio, ma non coglie le differenze fini del rilascio. È una comunicazione breve a un congresso, senza revisione tra pari.
  4. 2020EstensioneKawaguchi et al. 2020 Archery shots visualization by clustering and comparing from angular velocities of bowsUn giroscopio sull'arco di cinque ricurvisti e un programma che raggruppa i tiri simili: le differenze fra i tiri dello stesso arciere emergono in finestre di circa mezzo secondo, senza che nessuno guardi i video a mano. Il sensore vede l'arco, non il corpo.
  5. 2020EstensioneEckelt et al. 2020 Use of Acceleration Sensors in ArcheryUn accelerometro su ciascuna mano e i dati grezzi, senza elaborazione, su sei arcieri a 18 metri: nei tiri da dieci il movimento dura meno in mediana, ma i tiri peggiori non sono i più lunghi, e il coefficiente di variazione non segue il punteggio. Senza alcuna analisi statistica sono tendenze, come scrivono gli autori stessi.
  6. 2021EstensioneOgasawara et al. 2021 Archery Skill Assessment Using an Acceleration SensorUn accelerometro da 25 grammi sull'arco di undici arcieri universitari riconosce da solo i tiri, con precisione 0,72 e richiamo 0,80 senza sapere quando avviene il rilascio, e il tremore in un secondo di mira poco prima del rilascio si lega, da un arciere all'altro, al punteggio totale di 36 frecce (R = -0,79), non a quello della singola freccia.
  7. 2024MetodoLin et al. 2024 A032: Archery Consistency Assessment by Using Inertial Measurement Unit (IMU)Primo confronto diretto fra sensori indossabili e un sistema ottico a otto telecamere, su sei arcieri della nazionale cinese a 50 metri: la maggior parte delle curve di accelerazione concorda con coefficienti sopra 0,75. È un abstract di congresso, che non riporta errori di misura né limiti di concordanza.
  8. 2024EstensioneLee et al. 2024 AI-Based Analysis of Archery Shooting Time from Anchoring to Release Using Pose Estimation and Computer VisionLa stima della posa arriva alle riprese di gara: su 58 spezzoni di arcieri di livello mondiale, anche dalle Olimpiadi di Parigi, il tempo fra ancoraggio e rilascio è misurato con un errore medio di 0,34 secondi rispetto a un esperto, e di 1,4 se si guarda solo la corda vicino al viso.
  9. 2025EstensioneMuslim et al. 2025 Pose Classification in Archery Sports Based on YoloV8 Using SVM and Random Forest MethodsDai punti articolari estratti dai video di 20 arcieri un classificatore riconosce tre fasi del tiro con il 90 per cento di accuratezza nel ricurvo e il 76 nel barebow, e sbaglia proprio fra trazione con mira ed espansione al rilascio, dove la postura cambia meno.
  10. 2025EstensioneLiu et al. 2025 A Machine Learning-Based Multimodal Framework for Wearable Sensor-Based Archery Action Recognition and Stress EstimationUn braccialetto al polso della mano dell'arco, sei arcieri adolescenti in gara: la rete separa i tratti di segnale che contengono un tiro da quelli di riposo con l'84,5 per cento di accuratezza dai soli assi grezzi e il 96,0 con il segnale elaborato, ma sui singoli campioni, la misura che gli autori indicano per l'uso reale, si ferma al 75. È un preprint, senza un sistema di riferimento.
  11. 2025EstensionePark et al. 2025 Deep Learning Sequence Network for Identifying and Analyzing Archery Shooting PatternsLe sole traiettorie di spalle, gomiti e polsi, ricavate da video a 60 fotogrammi al secondo, bastano alla rete migliore per riconoscere quale di quattro arcieri coreani sta tirando nel 98,7 per cento dei casi di prova: il tracciamento porta informazione, ma l'errore di localizzazione non è misurato.
  12. 2026MetodoPrasetya et al. 2026 Accuracy Evaluation of 2D MediaPipe-Based Pose Estimation for Archery Posture Detection Using N-MPJPEPrimo controllo diretto dell'errore di MediaPipe su un arciere: otto foto di un solo arciere, errore normalizzato da 0,55 all'incocco a 0,71 all'ancoraggio, con un fattore di scala non definito che non permette di dire se sia poco o molto.

Gli studi che lo usano

Le affermazioni collegate

Le affermazioni del registro che hanno almeno uno di questi studi tra le evidenze.

52 affermazioni · 88% con evidenza su arcieri

Articoli

Filoni

Cita
APA

Campagna, M. (2026). Machine learning e visione artificiale negli studi sul tiro. In Ricerca. matteocampagna.com. Consultato il 16 ottobre 2026, da https://matteocampagna.com/ricerca/metodi/machine-learning-visione-artificiale

BibTeX
@misc{campagna2026_ricercametodimachinelearningvisioneartif,
  author = {Campagna, Matteo},
  title = {Machine learning e visione artificiale negli studi sul tiro},
  year = {2026},
  howpublished = {Ricerca, matteocampagna.com},
  url = {https://matteocampagna.com/ricerca/metodi/machine-learning-visione-artificiale},
  note = {consultato il 2026-10-16}
}