J-EDUCAT: Journal of Educational Studies J-EDUCAT: Eğitim Araştırmaları Dergisi
Published November 1, 2026 | Version v1
Journal article Open

Futbol Oyun Görüntülerinde Otomatik Faul Tespiti için SqueezeNet Tabanlı Bir Derin Öğrenme Modeli

Authors/Creators

  • 1. ROR icon Atatürk University

Description

Öz

Son yıllarda derin öğrenme tabanlı bilgisayarlı görü yöntemleri, görüntü analizi ve sınıflandırma problemlerinde önemli başarılar elde etmiştir. Özellikle spor analitiği alanında geliştirilen otomatik analiz sistemleri, maç görüntülerinin incelenmesi ve hakem kararlarının desteklenmesi açısından önemli bir araştırma konusu haline gelmiştir. Futbol karşılaşmalarında faul kararları çoğu zaman hızlı gelişen pozisyonlara bağlı olarak verilmekte ve bu durum bazı hatalı değerlendirmelere yol açabilmektedir. Bu nedenle futbol görüntülerinden faul durumlarının otomatik olarak tespit edilmesi hem hakem destek sistemleri hem de spor analitiği çalışmaları açısından önemli bir araştırma alanı oluşturmaktadır. Bu çalışmada futbol görüntülerinde faul tespitini gerçekleştirmek amacıyla derin öğrenme tabanlı bir yaklaşım önerilmiştir. Önerilen yöntemde, düşük parametre sayısı ve yüksek doğruluk performansı ile bilinen SqueezeNet mimarisi kullanılmıştır. Çalışmada toplam 716 futbol görüntüsünden oluşan bir veri kümesi kullanılmış olup bu görüntülerin 461’i faul, 255’i ise faul olmayan pozisyonlardan oluşmaktadır. Veri kümesi %70 eğitim ve %30 test olacak şekilde ikiye ayrılmıştır. Modelin eğitim sürecinde görüntüler derin evrişimsel sinir ağına aktarılmış ve sınıflandırma performansı değerlendirilmiştir. Elde edilen sonuçlar, önerilen modelin futbol görüntülerinde faul tespitinde yüksek başarı sağladığını göstermektedir. Deneysel sonuçlara göre SqueezeNet modelinin ortalama eğitim doğruluğu %97,21, doğrulama doğruluğu ise yaklaşık %96 seviyesinde elde edilmiştir. Elde edilen bulgular, derin öğrenme tabanlı yöntemlerin futbol görüntülerinin otomatik analizinde etkili bir şekilde kullanılabileceğini göstermektedir. Önerilen yaklaşımın gelecekte video tabanlı analiz sistemleri, hakem destek teknolojileri ve spor analitiği uygulamaları için önemli bir altyapı sağlayabileceği değerlendirilmektedir.

 

Anahtar Kelimeler: Derin Öğrenme, Futbol Görüntü Analizi, Faul Tespiti, SqueezeNet

Abstract (English)

Abstract

In recent years, deep learning-based computer vision methods have achieved significant success in image analysis and classification problems. Especially, automated analysis systems developed in the field of sports analytics have become an important research topic for reviewing match images and supporting referee decisions. In football matches, foul decisions are often made based on rapidly evolving situations, which can lead to some erroneous assessments. Therefore, the automatic detection of foul situations from football images constitutes an important research area for both referee support systems and sports analytics studies. This study proposes a deep learning-based approach to detect fouls in football images. The proposed method utilizes the SqueezeNet architecture, known for its low number of parameters and high accuracy performance. A dataset of 716 football images was used in the study, 461 of which were foul situations and 255 were non-foul situations. The dataset was divided into two parts: 70% training and 30% testing. During the training process, the images were fed into a deep convolutional neural network, and the classification performance was evaluated. The results show that the proposed model achieves high success in detecting fouls in football image. According to experimental results, the average training accuracy of the SqueezeNet model was 97.21%, and the validation accuracy was approximately 96%. These findings demonstrate that deep learning-based methods can be effectively used in the automated analysis of football image. It is considered that the proposed approach could provide a significant infrastructure for future video-based analysis systems, referee support technologies, and sports analytics applications.

Keywords: Deep Learning, Football Image Analysis, Foul Detection, SqueezeNet

Files

Ahmet Düzgünce , J-EDUCAT 2026-4-2,704-715 pp.pdf

Files (906.3 kB)

Additional details

Additional titles

Translated title (English)
A SqueezeNet-Based Deep Learning Model for Automatic Foul Detection in Soccer Game Images

Dates

Submitted
2026-03-11
Accepted
2025-05-19
Issued
2026-05-30
Early View Published
Issued
2026-11-01

Software

Repository URL
https://www.jeducat.com/FileUpload/ep1032811/File/ahmet_duzgunce___j-educat_2026-4-2_704-715_pp.pdf

References

  • Acet, M. (2001). Futbol seyircisini fanatik ve saldırgan olmaya yönelten sosyal faktörler [Yayınlanmamış doktora tezi], Gazi Üniversitesi.
  • Akgeyik, T. (2018). Futbolda başarıyı etkileyen faktörler (Türkiye süper lig takımları üzerine ampirik bir araştırma). Hak İş Uluslararası Emek ve Toplum Dergisi, 7(18), 396-413
  • Arık, B. (2004). Top ekranda: medya çağında futbol ve televizyon arasındaki kaçınılmaz ilişki. Salyangoz Yayınları.
  • Arıpınar, E. (1992). Türk futbol tarihi. Türkiye Futbol Federasyonu Yayınları.
  • Aycan, İ. (2022). Life kinetik antrenmanlarının futbolcu performansları üzerindeki etkilerinin incelenmesi. [Yayınlanmamış yüksek lisans tezi], Ondokuz Mayıs Üniversitesi.
  • Bozdemir, M. (1998). Futbol fanatizminin sosyolojik açıdan tahlili Marmara Üniversitesi (Türkiye).
  • Cengiz, R., ve Pulur, A. (2004). Hakemlerin fair play olaylarına bakış açıları. Celal Bayar Üniversitesi Spor Felsefesi ve Sosyal Bilimleri Sempozyumu, Manisa. Türkiye.
  • Anonim. (2012). Imagenet http://www.image-net.org/challenges. LSVRC/2012/results. html.
  • Collina, P. (2004). Le mie regole del gioco - benim oyun kurallarım. Altın Kitaplar Yayınevi.
  • Dağ, Ü. (2019). Futbolda parasallaşma ve futbol rekabetine olan etkilerinin çeşitli açılardan incelenmesi [Yayınlanmamış yüksek lisans tezi], Çanakkale Onsekiz Mart Üniversitesi.
  • Devecioğlu, S., Çoban, B., ve Karakaya, Y. (2014). Futbol yönetimi ve organizasyonlarının görünümü. Spor ve Performans Araştırmaları Dergisi, 5(1), 35-48.
  • Göksel, A., Pala, A., ve Caz, Ç. (2016). Futbol hakemlerinin boş zamanlarını değerlendirme tercihleri ile iletişim becerileri arasındaki ilişkinin incelenmesi. Uluslararası Hakemli İletişim ve Edebiyat Araştırmaları Dergisi (UHIVE), 11(7), 15-28.
  • Habibi, M., Nourani, M., ve Nourani, M. M. (2025). AI-based performance analysis for track and field athletes. Presented at 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Copenhagen, Denmark
  • Iandola, F. N., Han, S., Moskewicz, M. W., Ashraf, K., Dally, W. J., ve Keutzer, K. (2016). SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size. arXiv preprint arXiv:1602.07360.
  • IFAB. (2023). International Football Association Board Laws of the Game.
  • IFAB. (2025). The IFAB Organisation. https://www.theifab.com/organisation/
  • Khan, A., Sohail, A., Zahoora, U., ve Qureshi, A. S. (2020). A survey of the recent architectures of deep convolutional neural networks. Artificial intelligence review, 53(8), 5455-5516.
  • Krizhevsky, A., Sutskever, I., ve Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.
  • LeCun, Y., Bengio, Y., ve Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
  • Orta, L. (2000). Dünya'da ve Türkiye'de futbol hakemliğinin başlangıcı ve gelişimi semineri. Onsekiz Mart Üniversitesi Beden Eğitimi ve Spor Bölümü, Çanakkale. Türkiye.
  • Rabee, A., Anwar, Z., AbdelMoety, A., Abdelsallam, A., ve Ali, M. (2025). Comparative analysis of automated foul detection in football using deep learning architectures. Scientific Reports, 15(1), 14236.
  • Siddiqui, B. S., Mridul, Z. A., Habib, Z., Sakib, I., ve Chowdhury, M. A. I. (2024). Real-time foul detection in football matches using machine learning techniques.[ Doctoral Dissertation], Brac University.
  • Sunay, H. (1992). Ankara bölgesi futbol hakemlerinin hakemliğe yönelmelerine etki eden motivasyonel etkenler üzerine bir araştırma. Futbol Bilim ve Teknoloji Dergisi, 2(2), 18-23.
  • Şimşek, M. (1999). Futbolun Prensleri. Nadir Yayınevi, İstanbul.
  • Tang, Q., Wei, X., ve Tan, B. (2026). The role of machine learning in talent identification for team sports: A systematic review. Journal of Sports Science and Medicine, 25(1), 58-83.
  • TDK. (2023). Türk Dil Kurumu Güncel Türkçe Sözlük. https://sozluk.gov.tr
  • Terlemez, M., ve Kumcu, S. (2024). Osmanlı döneminde futbolun doğuşu ve kurulan futbol kulüpleri. Kafkas Üniversitesi Spor Bilimleri Dergisi, 4(2), 24-62.
  • Van Eetvelde, H., Mendonça, L. D., Ley, C., Seil, R., ve Tischer, T. (2021). Machine learning methods in sport injury prediction and prevention: a systematic review. Journal of experimental orthopaedics, 8(1), 27.