🎾 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

# 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

# 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:

[
  {
    "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