羽球偵測模型採用深度學習架構進行自主訓練，透過蒐集大量側面視角的比賽影像並進行手動標註，建立側面視角的羽球訓練數據集。訓練時利用資料增強[3]、隨機翻轉與多比例縮放等，大幅增加樣本的多樣性，強化模型對於不同光影環境與背景雜訊的辨識能力。

模型透過 YOLO架構的 Backbone [4]進行深層特徵提取，並由檢測頭學習預測羽球的精確座標。為確保模型精準收斂，訓練過程使用複合式損失函數[5]，同步計算位置回歸誤差、類別分類誤差及物體存在之置信度誤差，並透過反向傳播[6]與梯度下降[7]持續更新權重，達成兼具高精度與實時處理效能的偵測表現。