在乒乓球高速运动和场景切换的情况下，完成对于乒乓球的检测。YOLO模型成功检测到了乒乓球，置信度为0.74。尽管乒乓球周围有很多干扰物体，如运动员和球桌，但模型仍然准确地识别出了乒乓球的位置。YOLO模型再次成功检测到了乒乓球，置信度为0.85。同样的，图像中包含了拍子和运动员的手，但模型依然能够准确地检测出乒乓球。
从效果可以看到，在基于部分数据集训练的YOLO模型的识别和检测下，可以达到比较高的准确度，并且不容易被相关场景和其他的图形学特征影响，最后达到一个比较可观的识别和检测效果。在这里就不讨论YOLO算法的数学细节，涉及到损失函数IOU和非极大值抑制等等为该模型基于CNN核心，整合于相关的函数中。对如上特定几个位置的乒乓球难以识别的问题基于上述YOLO算法进行优化，快速移动部分和场景切换部分的乒乓球检测和定位效果得到了质的提高。使用MATLAB里面的ImageLabler标记图像中的乒乓球（部分）并及标签为pingpong导出gTruth.mat文件，基于这个训练集，训练40个epochs的YOLOv2模型，最后导入模型对于stennisball内的图像中的乒乓球进行定位和检测，检测效果甚好。