Task_14 — 球追踪 Ball Tracking
sports · 逐帧标出球的位置(定位) · Dataset Report

在比赛视频里逐帧把球圈出来:INPUT = 原始比赛视频,TARGET = 同一段视频、每帧用红圈标出球的位置。球又小又快又常被遮挡——必须跨帧用运动线索。两个视频源(TrackNet/OTTG)已全量入湖。

STATUS: USABLE (raw ingested) Task_14 · taxonomyv2v · 编辑(叠加型) final/ 未做（按决定）

19,835

TrackNet 逐帧球真值

12×120fps

OTTG 高清乒乓

叠加型

target=圈球(同 Task_6)

~38.0 GB

双源 raw in S3

Yilan Zhang (Winnie) · ingested & verified 2026-07-12/13 on EC2 winnie-task13-14-ingest (us-east-2) · 多源 7 段标准 · 所有数字为盘上/S3 实测

版本注(2026-07-14,Winnie 定稿):本任务是球追踪(定位)——TARGET = 原视频每帧把球圈出来,模型学「在画面里找到球」。两处澄清:①原第三源 NBA SportVU 已撤——它是坐标数字日志(非视频),追踪任务需要在真实画面上圈球,用不上它(见 §2)。 ②「新增预测未来轨迹」的设想已去掉:球脱拍后的飞行段虽可由物理外推,但球员一旦再次触球,走向就取决于人未做出的决定、不可预测,且乒乓一杆仅 ~0.3s 会让样本过短;故本任务专注定位,不做未来预测。

1What this task is

任务:输入 = 一段比赛视频;输出 = 同一段视频,每帧用红圈标出球的位置(叠加型变换,和 Task_6 分割上色同类——逐帧对齐,只在原画面上加标记)。球被遮挡/飞出画面/未标注的帧不画圈(不瞎猜位置)。球又小又快,模型必须跨帧用运动线索才能揪出它。

🎬 INPUT→TARGET · TrackNet 真实网球片段

INPUT — 原始广播帧

TARGET — 逐帧标出球位置(红圈)

↑ 入湖的 TrackNet 真实数据:Label.csv 的逐帧 (x,y,可见性) 画回原帧即 TARGET。

2每个来源负责什么 + 演示

A · TrackNet 网球 [INGESTED]

负责:广播画面逐帧球标注的入门标准集。实测:Dataset.zip 2,564,111,322 B → 19,835 帧(=发布数)/ 95 clips / 10 场;CSV=file,visibility,x,y,status;官方预训练权重一并存。§1 演示即出自它。License 未标注 ⚠️。

B · OpenTTGames [INGESTED] 120fps 高清

负责:高帧率小球(乒乓)+ 球坐标/事件/分割掩码。实测:12 mp4 = 35,381,746,673 B,1920×1080@120fps 实证;12 markup zip(ball_markup.json 逐帧球坐标等)。CC BY-NC-SA 4.0。

🎬 INPUT→TARGET · OpenTTGames test_1 真实片段

INPUT — 原始 120fps 帧

TARGET — 球位置标注(黄圈)

↑ ball_markup.json 的逐帧坐标画回原视频。

✂️ 已撤:NBA SportVU 2016 —— 它是球+球员 3D 坐标数字日志(非视频),追踪任务要在真实画面上圈球,没有画面就无从标注;raw(636×.7z / 3.79GB)保留在 S3 待归档,可转未来「坐标序列」类任务,非本视频任务的源。

🔒 gated:SoccerNet Ball Action / SoccerNet-Tracking —— 需签 NDA 表单取解压密码(soccer-net.org),批准后 pip 包 SoccerNet 可拉。

3Data type & format(实测)

文件	格式	类型	含义
TrackNet/Dataset.zip	jpg+csv	image seq	game/Clip/0000.jpg + Label.csv 逐帧 x,y,可见性
OpenTTGames/*.mp4 ×12	MP4 H.264	video	1920×1080 @120fps
OpenTTGames/*.zip ×12	json+png	markup	ball_markup(逐帧球坐标) / events_markup / segmentation_masks

(已撤源 SportVU 的 636×.7z 坐标日志不在此表——非视频,不作本任务数据类型。)

4How raw becomes V2V samples

叠加型(编辑):INPUT = 原始视频窗口(一整个回合,几秒);TARGET = 同窗口逐帧在球坐标处画红圈(heatmap/圈),二者逐帧对齐。TrackNet Label.csv / OTTG ball_markup.json 的逐帧坐标直接可用。
1 回合 = 1(或数个 ≤128 帧)样本;球标注稀疏 → 只在球可见帧画圈,遮挡帧留白(诚实)。
样本量:现有稀疏标注共可切 ~428 个片段(OTTG 363 回合;远低于 ~10k)。要冲 10k 需用自带模型(OTTG 的 TTNet / TrackNet 的 model_best.pt)在整段视频跑检测加密标注——待定。
不做假放大:复制帧/静帧凑时长一律不算样本。

final/ 已完成(2026-07-14):两源共 599 样本(OTTG 413 + TrackNet 186)入 final_v1/New_Tasks/Task_14_ball_tracking/,id 0–598 无空洞、四件套齐全;代码见 GitHub 分支 winnie_task14_pipeline。

5Data volume(S3 实测)

Source	Status	Volume
TrackNet	✓ ingested	2,564,111,322 B zip(19,835 帧)+ 权重
OpenTTGames	✓ ingested	35,381,746,673 B 视频 + 61,670,681 B markup
SportVU 2016	✂️ 撤出本任务	636 .7z / 3,793,503,906 B(非视频 · raw 待归档)
SoccerNet ×2	gated(NDA)	—

双源有效合计（TrackNet + OTTG）：38,050,751,259 B。Source Raw（TrackNet + OTTG + retained SportVU）：683 source objects · 41,871,201,503 B；任务前缀总计：689 total prefix objects · 41,871,570,376 B（另含 _report_media 6 objects / 368,873 B）。

6License

源	License	商用
TrackNet	未标注	⚠️ flag
OpenTTGames	CC BY-NC-SA 4.0	❌

7Source & re-download

s3://tv2v-data/raw/taxonomy/Task_14_ball_tracking/
├── TrackNet/            Dataset.zip + model_best.pt + ctb_regr_bounce.cbm + CARD
├── OpenTTGames/         12 mp4 + 12 zip + _sizes/_vsizes.txt + CARD
├── SportVU_2016_logs/   ✂️ 已撤出本任务,636×.7z 待归档(非视频)
└── _report_media/

# TrackNet: gdown --folder 11r0RUaQHX7I3ANkaYG4jOxXK1OYo01Ut
# OTTG:     lab.osai.ai/datasets/openttgames/data/{game_1..5,test_1..7}.{mp4,zip}

样品/管线:research/2026-07-14_task14-raw-to-final/(render_task14.py 圈球渲染器 + 样品确认页)。验证:逐帧/逐条计数 + 视频 ffprobe 实证 + 圈准确度抽帧放大核对 + S3 summarize 对账。EC2 用后销毁。

Task_14 — 球追踪 Ball Trackingsports · 逐帧标出球的位置(定位) · Dataset Report