---
license: mit
tags:
  - table-tennis
  - ball-detection
  - pytorch
language:
  - ja
---

# TTNet - Table Tennis Ball Detection (Fine-tuned on OpenTTGames)

TTNet（CVPR2020）の学習済みモデル。OpenTTGames データセットで 3フェーズ学習を行ったチェックポイント一式。
元のリポジトリ: [maudzung/TTNet-Real-time-Analysis-System-for-Table-Tennis-Pytorch](https://github.com/maudzung/TTNet-Real-time-Analysis-System-for-Table-Tennis-Pytorch)

---

## チェックポイント一覧

| ファイル名 | 説明 |
|---|---|
| `ttnet_1st_phase_best.pth` | stride=1（120fps想定）Phase 1 best (epoch 17) |
| `ttnet_2nd_phase_best.pth` | stride=1 Phase 2 best (epoch 3) |
| `ttnet_3rd_phase_best.pth` | stride=1 Phase 3 best (epoch 3)　← stride=1推論用 |
| `ttnet_30fps_1st_phase_best.pth` | stride=4（30fps対応）Phase 1 best (epoch 12) |
| `ttnet_30fps_2nd_phase_best.pth` | stride=4 Phase 2 best (epoch 7) |
| `ttnet_30fps_3rd_phase_best.pth` | stride=4 Phase 3 best (epoch 1)　← stride=4推論用 |

---

## 学習環境

- GPU: NVIDIA GeForce RTX 4070 Ti Super (16GB)
- PyTorch 2.4.0 (CUDA 12.1)
- データセット: [OpenTTGames](https://lab.osai.ai/datasets/openttgames/)
  - 学習: game_1〜4（約46,000フレーム）
  - 検証: game_5（約7,300フレーム）

---

## 学習方法

### フレーム画像の抽出

```bash
cd TTNet/TTNet-Real-time-Analysis-System-for-Table-Tennis-Pytorch/prepare_dataset

# stride=1（120fps想定）
python extract_smooth_labellings.py
# → dataset/training/images/ に出力（約39GB）

# stride=4（30fps対応）
python extract_smooth_labellings.py --frame_stride 4
# → dataset/training/images_stride4/ に出力（約39GB）
```

### Phase 1〜3 の学習（stride=1）

```bash
bash train_ttnet.sh
# 内部で以下を順番に実行:
#   Phase 1: ボール全体検出 + セグメンテーション
#   Phase 2: ローカル検出 + イベント検出
#   Phase 3: 全タスク fine-tune
# 重みの保存先: TTNet/checkpoints/ttnet_{1,2,3}rd_phase/
```

### Phase 1〜3 の学習（stride=4、30fps対応）

```bash
bash train_ttnet_30fps.sh
# stride=4 専用スクリプト。モデル構造は変更なし（9フレーム27ch入力）
# 重みの保存先: TTNet/checkpoints/ttnet_30fps_{1,2,3}rd_phase/
```

---

## 学習結果

### stride=1（game_1〜4 学習 / game_5 検証）

| フェーズ | 内容 | Best Val Loss | Best Epoch |
|---------|------|--------------|-----------|
| Phase 1 | Global検出 + セグメンテーション | 0.1804 | 17 / 30 |
| Phase 2 | Local検出 + イベント検出 | 0.1252 | 3 / 30 |
| Phase 3 | 全タスク Fine-tune | 0.2865 | 3 / 30 |

### stride=4（game_1〜4 学習 / game_5 検証）

| フェーズ | 内容 | Best Val Loss | Best Epoch |
|---------|------|--------------|-----------|
| Phase 1 | Global検出 + セグメンテーション | 0.2664 | 12 / 30 |
| Phase 2 | Local検出 + イベント検出 | 0.0961 | 7 / 30 |
| Phase 3 | 全タスク Fine-tune | 0.3456 | 1 / 30 |

---

## 推論方法

```bash
source venv_ttnet/bin/activate

# stride=1（120fps想定映像向け）
python run_ball_trajectory.py \
  --player haruya \
  --video 1 \
  --pretrained_path TTNet/checkpoints/ttnet_3rd_phase/ttnet_3rd_phase_best.pth \
  --gpu_idx 0

# stride=4（30fps映像向け）
python run_ball_trajectory.py \
  --player haruya \
  --video 1 \
  --pretrained_path TTNet/checkpoints/ttnet_30fps_3rd_phase/ttnet_30fps_3rd_phase_best.pth \
  --frame_stride 4 \
  --run-id stride4
```

---

## TTNet のモデル構造（概要）

1. **Global Stage**: 9フレームスタック（27ch、320×128）を入力。Conv×6 + FC×3 で 448次元の1Dガウス分布を出力し、`argmax` でボール位置を粗く推定（X方向320px + Y方向128px）
2. **Local Stage**: Global推定位置を中心に元画像をクロップして再度同じネットワークに通し、精密な座標を算出
3. **最終座標**: `bx = x_global × (1920/320) + x_local - 160`、`by = y_global × (1080/128) + y_local - 64`
4. **Segmentation / Event Spotting**: Global中間特徴からデコードして卓球台マスクとバウンス・ネット接触を並列に検出

---

## ドメインシフトについて（重要な注意事項）

- 学習データ（OpenTTGames）: 暗い競技会場・固定俯瞰カメラ・120fps
- 本研究で適用した映像: 明るい体育館・角度のある手持ちカメラ・30fps
- stride=4 による 30fps 対応後も全フレームで `x=-160, y=543` の固定値となり検出不能
- **公式映像（OpenTTGames game_5）では正しく検出できることを確認済み**（ドメインシフトが原因）
- このため、事前学習済み重みで様々な映像環境に対応できる **TrackNetV3** に移行した