McByte volgt sporters beter dan ooit — zonder training

TL;DR

• Wat: McByte, een nieuw multi-object tracking model, scoort het beste resultaat ooit op de SportsMOT-benchmark — zonder dat het getraind hoeft te worden op sportbeelden.
• Waarom relevant: Objecttracking is de technologie achter klantstroomanalyse in winkels, beveiligingssystemen en sportuitzendingen — en die wordt nu aanzienlijk toegankelijker.
• Wat je ermee kunt: Als je nadenkt over camerasystemen in je bedrijfspand of winkel, is het goed om te weten dat deze technologie snel goedkoper en makkelijker inzetbaar wordt.

Ik viel over een bericht van Niels Rogge (onderzoeker bij Hugging Face) dat McByte een nieuw staatsrecord zet op de SportsMOT-benchmark. Dat klinkt misschien als iets voor nerds met stopwatches, maar de technologie erachter raakt steeds meer bedrijfstakken — van retail tot beveiliging. Daarom vind ik het de moeite waard om er even bij stil te staan.

Wat is multi-object tracking eigenlijk?

Multi-object tracking (MOT) is een techniek uit de computervisie waarmee software meerdere objecten — denk aan personen, auto's of voetballers — in videobeelden kan herkennen én blijven volgen terwijl ze bewegen. Het lastige is niet zozeer het herkennen zelf, maar het bijhouden van wie wie is. Als twee spelers elkaar kruisen, moet het systeem na die kruising nog steeds weten welke speler welke is.

De SportsMOT-benchmark is een gestandaardiseerde test hiervoor. Het is een dataset met 240 sportvideo's van basketbal, voetbal en volleybal — opgenomen tijdens Olympische Spelen, NCAA-wedstrijden en NBA-uitzendingen. Onderzoekers gebruiken deze dataset om te meten hoe goed hun tracking-algoritme presteert. Drie belangrijke meetpunten zijn HOTA (een balans tussen detectie en associatie), IDF1 (hoe goed identiteiten behouden blijven) en MOTA (overall tracking-nauwkeurigheid).

Kun je je voorstellen hoe lastig dit is bij een sport als basketbal, waar tien spelers in dezelfde twee kleuren constant van positie wisselen, achter elkaar verdwijnen en weer tevoorschijn komen?

Wat maakt McByte bijzonder?

McByte is ontwikkeld door onderzoekers Tomasz Stanczyk, Seongro Yoon en François Brémond en gepresenteerd op CVPR 2025, een van de belangrijkste conferenties voor computervisie. De volledige titel van het paper is veelzeggend: "No Train Yet Gain" — geen training, toch winst.

En dat is wat mij het meest opvalt. McByte hoeft niet getraind te worden op sportbeelden om toch het beste resultaat te behalen. Het systeem combineert bestaande, al getrainde modellen:

• YOLOX voor het detecteren van objecten ("daar staat een persoon")
• SAM (Segment Anything Model) voor segmentatie ("dit is de exacte omtrek van die persoon")
• Cutie voor het doorgeven van maskers over tijd ("dit masker van frame 1 hoort bij dit masker in frame 2")
• Kalman-filtering voor het voorspellen waar een object naartoe beweegt

Door deze combinatie weet McByte niet alleen waar iemand is, maar ook welke vorm diegene heeft — en dat helpt enorm bij het uit elkaar houden van personen die dicht bij elkaar staan of elkaar overlappen.

Volgens de beschikbare benchmarkresultaten scoort McByte op SportsMOT een HOTA van 76,9, een IDF1 van 77,5 en een MOTA van 97,2. Vooral die MOTA-score is opvallend: 97,2 procent van de tracking-beslissingen klopt. Ik vind het eerlijk gezegd indrukwekkend dat dit lukt zonder dat het model specifiek op sportdata is getraind.

Waarom dit verder gaat dan sport

Multi-object tracking klinkt als iets voor sportanalisten en tv-producenten — en dat is het ook. Professionele teams gebruiken deze technologie om looppatronen, snelheid en tactische positionering van spelers te analyseren. Maar dezelfde techniek wordt al breder ingezet.

Retail en winkels

In fysieke winkels wordt MOT gebruikt om klantstromen in kaart te brengen. Denk aan heatmaps die laten zien waar klanten het langst stilstaan, hoe ze door de winkel lopen en waar wachtrijen ontstaan. Een winkeleigenaar kan op basis daarvan beslissen om de indeling aan te passen of extra kassa's te openen op piekmomenten.

Beveiliging

Beveiligingssystemen gebruiken tracking om verdacht gedrag te herkennen — iemand die lang op dezelfde plek blijft staan, een valincident, of een persoon die een afgesloten zone betreedt. Hoe beter de tracking, hoe minder valse meldingen.

Logistiek en magazijnen

Stel dat je als ondernemer een magazijn hebt waar heftrucks en medewerkers door elkaar bewegen. Een goed tracking-systeem kan helpen bij veiligheidsmonitoring of het optimaliseren van looproutes.

Wat mij opvalt aan McByte is dat het zonder training werkt. Dat is relevant voor bedrijfstoepassingen, want het betekent dat je in principe geen dure specialistische dataset hoeft op te bouwen voor jouw specifieke situatie. Je kunt het systeem inzetten met bestaande modellen en het werkt — althans, dat is de belofte van deze aanpak.

Wat betekent dit concreet voor ondernemers?

Ik denk dat we hier naar een breder patroon kijken. AI-modellen worden steeds vaker modulair: je combineert bestaande bouwblokken tot iets dat werkt voor jouw situatie, zonder zelf een model te hoeven trainen. McByte is daar een goed voorbeeld van. Het pakt vier bestaande modellen, plakt ze slim aan elkaar en presteert beter dan systemen die wél specifiek getraind zijn.

Voor een ondernemer die nadenkt over camerasystemen, klantanalyse of beveiliging is de praktische les: de drempel om dit soort technologie in te zetten wordt lager. Niet morgen, maar de richting is duidelijk. Waar je een paar jaar geleden een team data scientists nodig had om een tracking-systeem op te zetten, kun je steeds vaker terugvallen op kant-en-klare componenten.

Daarbij een nuance: McByte is academisch onderzoek, geen kant-en-klaar product dat je morgen in je winkel kunt installeren. De code staat op GitHub en is beschikbaar, maar er zit nog een stap tussen een onderzoeksprototype en een robuust bedrijfssysteem. Dat gezegd hebbende: het feit dat dit op een open platform als Hugging Face wordt gedeeld, maakt het voor ontwikkelaars wél direct toegankelijk.

Een stille verschuiving

Voor mij is dit vooral een signaal dat de wereld van computervisie in een interessante fase zit. De beste resultaten komen niet meer per se van de grootste modellen of de meeste trainingsdata, maar van slimme combinaties van bestaande tools. Dat is een patroon dat ik vaker zie in AI — en ik denk dat het goed nieuws is voor ondernemers. Het betekent dat je niet hoeft te wachten op één groot, duur platform, maar dat er steeds meer modulaire oplossingen ontstaan die je kunt aanpassen aan je eigen situatie. De technologie wordt niet alleen beter, maar ook toegankelijker — en dat is uiteindelijk wat het verschil maakt voor wie er daadwerkelijk iets mee wil doen.