Remove Dagster pipeline and redesign calibration flow UI

README.md

@@ -1,151 +1,72 @@
-# 🎾 Pickle - Pickleball Ball Tracking
+# Pickle Vision
 
-Система трекинга пикабольного мяча с автоматической детекцией корта и преобразованием координат в метры.
+Real-time referee system for pickleball with 2 CSI cameras on Jetson.
 
-## Что делает
+## Current Product Scope
 
-1. **Детекция корта** - автоматический поиск 4 углов корта (Roboflow модель)
-2. **Детекция мяча** - поиск мяча на каждом кадре (YOLO v8)
-3. **Трансформация координат** - преобразование пикселей в метры (homography)
-4. **Визуализация** - видео с траекторией, графики, тепловая карта
+Three tabs in the web UI:
 
-## Быстрый старт
+1. `Camera` - live feeds from both cameras.
+2. `Calibration` - step-by-step court calibration flow (ROI -> lines -> intersections -> template match -> camera pose).
+3. `Trajectory` - 3D court + ball trajectory + VAR overlay.
+
+Dagster pipeline has been removed from active project runtime.
+
+## Run
+
+### Local (Jetson)
 
 ```bash
-# Запуск
-docker-compose up -d
-
-# Открыть Dagster UI
-open http://localhost:3000
-
-# Запустить пайплайн
-docker exec pickle-dagster dagster asset materialize --select '*' -m dagster_project
+python3 jetson/main.py --port 8080
 ```
 
-## Структура пайплайна
+Open: `http://<jetson-ip>:8080`
 
-```
-1. extract_video_frames      → Извлекает 100 кадров (с 10-й секунды)
-   ↓
-2. detect_court_keypoints    → Находит 4 угла корта
-   ↓                           ↓
-3. detect_ball_positions      ←┘ Детектит мяч на всех кадрах
-   ↓
-4. compute_2d_coordinates    → Преобразует пиксели в метры
-   ↓
-5. visualize_trajectory      → Создает визуализации
-```
-
-## Результаты
-
-После выполнения пайплайна в `data/`:
-
-- **extract_video_frames.json** - метаданные видео
-- **detect_court_keypoints.json** - координаты углов корта
-- **detect_ball_positions.json** - позиции мяча в пикселях
-- **compute_2d_coordinates.json** - позиции мяча в метрах
-- **visualization.mp4** - видео с траекторией, кортом и координатами
-- **frames/** - извлеченные кадры
-- **ball_detections/** - кадры с найденным мячом
-- **court_detection_preview.jpg** - превью с найденными углами корта
-
-## Структура проекта
-
-```
-pickle/
-├── dagster_project/          # Dagster пайплайн
-│   ├── assets/              # 5 asset'ов пайплайна
-│   └── io_managers/         # JSON IO manager
-├── src/                      # Основной код
-│   ├── ball_detector.py     # YOLO детекция
-│   ├── court_calibrator.py  # Калибровка корта
-│   ├── ball_tracker.py      # Трекинг
-│   └── video_processor.py   # Обработка видео
-├── data/                     # Результаты выполнения
-├── DJI_0017.MP4             # Видео для обработки
-├── docker-compose.yml
-└── Dockerfile
-```
-
-## Конфигурация
-
-Параметры в `dagster_project/assets/`:
-
-- **video_extraction.py** - `start_sec=10`, `num_frames=100`
-- **ball_detection.py** - `confidence_threshold=0.3`, slicing 320x320
-- **coordinate_transform.py** - корт 13.4м × 6.1м
-
-## Модели
-
-- **Корт**: `ping-pong-paddle-ai-with-images/pickleball-court-p3chl-7tufp` (Roboflow)
-- **Мяч**: `pickleball-detection-1oqlw/1` (Roboflow) → fallback на YOLOv8n
-
-## Требования
-
-- Docker & Docker Compose
-- 4GB+ RAM
-- Видео файл `DJI_0017.MP4` в корне проекта
-
-## Docker команды
+### Docker
 
 ```bash
-# Билд и запуск
-docker-compose up --build -d
-
-# Логи
-docker-compose logs -f
-
-# Остановка
-docker-compose down
-
-# Выполнить пайплайн
-docker exec pickle-dagster dagster asset materialize --select '*' -m dagster_project
-
-# Выполнить один asset
-docker exec pickle-dagster dagster asset materialize --select 'detect_ball_positions' -m dagster_project
+docker-compose up --build
 ```
 
-## Dagster UI
+Open: `http://localhost:8080`
 
-http://localhost:3000
+## Calibration Flow
 
-Показывает:
-- Граф зависимостей между assets
-- Логи выполнения
-- История запусков
-- Метаданные результатов
+Calibration is launched from the `Calibration` tab with `Run Calibration Flow`.
 
-## Формат данных
+Per camera, UI shows each step status:
 
-**compute_2d_coordinates.json**:
-```json
-[
-  {
-    "frame": 6,
-    "timestamp": 0.2,
-    "pixel_x": 1234.5,
-    "pixel_y": 678.9,
-    "x_m": 5.67,
-    "y_m": 2.34,
-    "confidence": 0.85
-  }
-]
+1. Court ROI (green mask)
+2. White line segments detection
+3. Segment merge into court lines
+4. Line intersections
+5. Template point match
+6. Camera pose solve (PnP)
+7. Geometry overlay
+
+Output is stored in:
+
+- `jetson/config/cam0_calibration.json`
+- `jetson/config/cam1_calibration.json`
+
+## Main Runtime Files
+
+- `jetson/main.py` - dual-camera loop, calibration, detection, VAR events
+- `src/web/app.py` - Flask API + tab endpoints
+- `src/web/templates/index.html` - 3-tab UI
+- `src/calibration/camera_calibrator.py` - camera geometry / projection
+- `src/physics/trajectory.py` - trajectory model
+- `src/physics/event_detector.py` - close-call logic
+
+## Dependencies
+
+Install from `requirements.txt`.
+
+```bash
+pip install -r requirements.txt
 ```
 
-## Производительность
+## Notes
 
-- Извлечение кадров: ~1 сек
-- Детекция корта: ~1 сек
-- Детекция мяча: ~6 сек (100 кадров, ~15 FPS)
-- Трансформация координат: <1 сек
-- Визуализация: ~1 сек
-
-**Итого**: ~10 секунд на 100 кадров видео
-
-## Стоимость
-
-**$0** - всё работает локально в Docker, без облачных API
-
-## License
-
-MIT
+- Calibration is required before trajectory/VAR logic becomes fully useful.
+- Each camera is calibrated independently against known half-court geometry.