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-Pytorch1cd TTNet/TTNet-Real-time-Analysis-System-for-Table-Tennis-Pytorch/prepare_dataset
2
3# stride=1（120fps想定）
4python extract_smooth_labellings.py
5# → dataset/training/images/ に出力（約39GB）
6
7# stride=4（30fps対応）
8python extract_smooth_labellings.py --frame_stride 4
9# → dataset/training/images_stride4/ に出力（約39GB）
1bash train_ttnet.sh
2# 内部で以下を順番に実行:
3# Phase 1: ボール全体検出 + セグメンテーション
4# Phase 2: ローカル検出 + イベント検出
5# Phase 3: 全タスク fine-tune
6# 重みの保存先: TTNet/checkpoints/ttnet_{1,2,3}rd_phase/
1bash train_ttnet_30fps.sh
2# 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）
3# 重みの保存先: TTNet/checkpoints/ttnet_30fps_{1,2,3}rd_phase/
1source venv_ttnet/bin/activate
2
3# stride=1（120fps想定映像向け）
4python run_ball_trajectory.py \
5 --player haruya \
6 --video 1 \
7 --pretrained_path TTNet/checkpoints/ttnet_3rd_phase/ttnet_3rd_phase_best.pth \
8 --gpu_idx 0
9
10# stride=4（30fps映像向け）
11python run_ball_trajectory.py \
12 --player haruya \
13 --video 1 \
14 --pretrained_path TTNet/checkpoints/ttnet_30fps_3rd_phase/ttnet_30fps_3rd_phase_best.pth \
15 --frame_stride 4 \
16 --run-id stride4
