ArticleMetadataMain page

source · 2026-05-06

TrackNetV3增强羽毛球 shuttle tracking 的数据增强与轨迹校正

Venue / source
ACM MMAsia 2023
Published
2023-12-06
Ingested
2026-04-25
Source type
paper
Paper pagedl.acm.org · 3595916.3626370PDFpeople.cs.nycu.edu.tw · TrackNetV3.pdfCode repositorygithub.com · TrackNetV3
#near-cvpr-2025#video-understanding#tracking#primary-source

一句话结论

聚焦羽毛球高速小目标轨迹定位，补上体育 AI 中球/器械高速小目标 tracking 的特殊难点。

论文定位

TrackNetV3 聚焦羽毛球轨迹追踪，通过面向小目标、高速和运动模糊的后处理增强轨迹定位。

对体育 AI 子线的价值

它提醒体育 AI 的 tracking 难点不仅来自球员身份保持，也来自球/器械的高速小目标观测。

来源可靠性与可溯源性

  • 来源层级：ACM MMAsia 2023 primary paper，ACM DOI 10.1145/3595916.3626370、作者 PDF 和官方 GitHub 可访问。
  • 可溯源材料：本地已保存作者 PDF、paper-text.md、abstract 与 links.yaml；适合作为 TrackNet 系列中最优先复现的来源。
  • 使用边界：适合作为 badminton shuttle tracking 的强 primary evidence；复现时仍需核查数据集下载、环境版本和权重。

和现有证据的关系

2026-05-05 复现 smoke test

本地完成了一次最小可复现验证：克隆官方 GitHub，下载 README 中的 Google Drive checkpoints，并在 synthetic shuttle-like video 上跑通 predict.py，生成 48 行预测 CSV 和带轨迹输出的视频。

关键发现：

  • 官方 checkpoints 可下载：TrackNet_best.pt 约 136 MB，InpaintNet_best.pt 约 6.3 MB。
  • 后续正式复现以 CUDA/GPU 环境为目标；本地 smoke test 里出现的 CPU/Mac 补丁只作为环境绕行记录。
  • 安装依赖时还需要补 pycocotools；README 的 requirements.txt 没列出这个依赖，但 test.py 会导入它。
  • smoke test 只验证仓库、权重和推理脚本可跑通，不等价于论文 benchmark 复现。

复现记录与生成文件保存于：

  • raw/ingest/2026-04-25-tracknetv3/repro-demo-2026-05-05.md
  • raw/ingest/2026-04-25-tracknetv3/repro-2026-05-05/synthetic_shuttle_input.mp4
  • raw/ingest/2026-04-25-tracknetv3/repro-2026-05-05/synthetic_shuttle_ball.csv
  • raw/ingest/2026-04-25-tracknetv3/repro-2026-05-05/synthetic_shuttle_prediction.mp4

下一步真正 benchmark 复现应下载 Shuttlecock Trajectory Dataset test split，然后运行 generate_mask_data.py 与 test.py，对照论文里的 accuracy / precision / recall / F1。

2026-05-06 CUDA/GPU benchmark 复现方案

已把下一步正式复现拆成 CUDA/GPU benchmark plan，记录在 raw/ingest/2026-04-25-tracknetv3/cuda-benchmark-repro-2026-05-06.md。这份计划聚焦真实 Shuttlecock Trajectory Dataset test split，而不是 synthetic demo。

关键执行路径：

  1. 下载 Shuttlecock Trajectory Dataset，并按 TrackNetV3 README 规整成 data/train、data/val、data/test。
  2. 确认 data/test/match*/corrected_csv、frame、video 三类目录存在；test split 对应 3 场专业比赛、29 个 rally。
  3. 在 CUDA/GPU Linux 环境下安装 PyTorch CUDA build、OpenCV、parse、tqdm、pycocotools、gdown。
  4. 下载并校验官方 TrackNet_best.pt 与 InpaintNet_best.pt。
  5. 运行：
python preprocess.py
python generate_mask_data.py --tracknet_file ckpts/TrackNet_best.pt --batch_size 16 --split_list test --eval_mode weight --verbose
python test.py --tracknet_file ckpts/TrackNet_best.pt --inpaintnet_file ckpts/InpaintNet_best.pt --split test --batch_size 16 --eval_mode weight --save_dir eval --output_pred --verbose

评估时对齐官方 README 指标：TrackNetV3 test split accuracy 97.51%、precision 97.79%、recall 99.33%、F1 98.56%、FPS 25.11。最终记录应保存 eval/test_eval_res_weight.json、环境信息、checkpoint SHA256、数据集目录统计和与官方表格的差异说明。已补充可直接复制执行的 runner：raw/ingest/2026-04-25-tracknetv3/run-tracknetv3-cuda-benchmark.sh。

局限或疑问

  • 当前 smoke test 使用 synthetic video，只说明 pipeline 可运行，不说明真实羽毛球数据集上的指标。
  • 正式复现以 CUDA/GPU 为目标环境；本地 CPU/Mac workaround 只保留为 smoke-test 记录。
  • 具体论文数值和 benchmark 细节应以 raw/ingest/2026-04-25-tracknetv3/paper-text.md 与原始 PDF 为准。

原始材料

  • raw/ingest/2026-04-25-tracknetv3/paper.pdf
  • raw/ingest/2026-04-25-tracknetv3/paper-text.md
  • raw/ingest/2026-04-25-tracknetv3/abstract.md
  • raw/ingest/2026-04-25-tracknetv3/links.yaml

相关页面

Metadata

{
  "id": "2026-04-25-tracknetv3",
  "type": "source",
  "title": "TrackNetV3：增强羽毛球 shuttle tracking 的数据增强与轨迹校正",
  "status": "reviewed",
  "created": "2026-04-25",
  "updated": "2026-05-06",
  "venue": "ACM MMAsia 2023",
  "published_at": "2023-12-06",
  "ingested_at": "2026-04-25",
  "tags": [
    "near-cvpr-2025",
    "video-understanding",
    "tracking",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Yu-Jou Chen",
    "Yu-Shuen Wang"
  ],
  "canonical_links": [
    "https://dl.acm.org/doi/10.1145/3595916.3626370",
    "https://people.cs.nycu.edu.tw/~yushuen/data/TrackNetV3.pdf",
    "https://github.com/qaz812345/TrackNetV3"
  ],
  "raw_entry": "raw/ingest/2026-04-25-tracknetv3/",
  "topics": [
    "topics/sports-ai-video-understanding",
    "topics/sports-ai-roadmap",
    "topics/video-understanding"
  ],
  "entities": [
    "entities/sportsmot"
  ],
  "claims": [],
  "questions": []
}