# 🎾 Pickle - Pickleball Ball Tracking

Система трекинга пикабольного мяча с автоматической детекцией корта и преобразованием координат в метры.

## Что делает

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

## Быстрый старт

```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
```

## Структура пайплайна

```
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

```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
```

## Dagster UI

http://localhost:3000

Показывает:
- Граф зависимостей между assets
- Логи выполнения
- История запусков
- Метаданные результатов

## Формат данных

**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
  }
]
```

## Производительность

- 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