상태: 초안 (2026-10-26), 실측 반영. 데이터 규모는 우리가 직접 센 값이고, 라이선스는 각 데이터·저장소의 공식 페이지와 LICENSE 파일에 적힌 문구까지만 확인했습니다. 이 글은 법률 판단이 아닙니다. 「상업 사용 가능」은 적힌 문구 기준이며, 상업 서비스에서의 최종 판단은 법률 검토를 거쳐야 합니다. 작성 규칙: 실측 데이터가 기본이고, 못 잰 것은 「미실측」, 근거를 찾지 못한 것은 「확인 못 함」으로 표시합니다.

데이터·라이선스·학습 과정

목차

• 1. 왜 이 글이 따로 필요한가
• 2. 데이터셋 표
  • 보관
• 3. 학습은 실제로 어디서 어떻게 도나
  • 1회용 파드라는 방식
  • Kubeflow 는 설치돼 있지만, 점수 엔진에는 아직
• 4. 실험 규칙: 숫자를 믿을 수 있게
  • 고정 분할
  • 누수 경고를 적어 둔다
  • 주 지표 하나, 짝 비교, 시드 중앙값
  • 결과를 보기 전에 판정 규칙을 적는다
  • 실시간 예산
  • 실패에서 생긴 규칙(Ruling)
  • 코드 라이선스 원칙
• 5. 지금의 실측 수치 한눈에
• 6. 상업 서비스로 가는 길: 방향과 원칙
  • 원칙
  • 이 원칙으로 만든 첫 사례
  • 계획
  • 평가 데이터는 어떻게 되나
• 7. 정리
• 참고문헌
• 함께 읽기

1. 왜 이 글이 따로 필요한가

모델 이야기는 보통 구조와 정확도로 끝납니다. 그러나 실제 서비스에서는 두 가지 질문이 늘 따라옵니다.

1. 이 숫자는 무엇으로 쟀나? 같은 모델도 어떤 데이터로, 어떤 규칙으로 쟀느냐에 따라 숫자가 크게 달라집니다.
2. 이 모델을 써도 되나? 학습에 쓴 데이터의 라이선스가 모델에 그대로 따라옵니다.

TT Lab 은 2026-10-18 에 상업 서비스로 방향을 정했고, 그 뒤로 둘째 질문이 모든 모델의 첫 질문이 되었습니다. 이 글의 마지막 절은 그 방향과 원칙, 계획입니다.

2. 데이터셋 표

몇 가지는 표만으로 드러나지 않습니다.

• 비상업 데이터가 평가의 바탕입니다. 공 위치·바운드·랠리 승자 라벨이 갖춰진 공개 탁구 데이터는 대부분 비상업 라이선스이고, 지금까지의 거의 모든 정확도 숫자가 그 위에서 잰 평가입니다.
• 상업 사용 가능한 실제 학습 자료는 아직 적습니다. 지금은 2015 리그 중계 하나에서 시험과 겹치지 않는 12장을 꼭짓점 학습에 썼습니다. 4편에서 본 「다른 체육관으로 일반화가 안 보였다」는 한계가 여기서 옵니다.
• 같은 장소 영상은 학습에서 뺐습니다. 시험 그림과 같은 체육관·같은 실험실의 다른 영상은 라벨까지 만들었지만 학습에 넣지 않았습니다. 넣으면 시험이 낙관적이 됩니다.
• 데이터셋별 함정(라벨이 이벤트 근처에만 있음, 랠리 여럿이 하나로 묶인 라벨 등)은 앞 시리즈 7편에 자세히 있습니다.

보관

원본은 받은 그대로 NAS 에 두고 고치지 않습니다. 작업 사본은 GPU 서버의 볼륨에 15묶음, 약 89GB 가 있습니다(OpenTTGames 33GB, T3Set 26GB, 국제 중계 20.7GB 등). 노트북 GPU 쪽에는 볼륨을 따로 두지 않고 NAS 를 읽기 전용으로 붙여 읽습니다. 연구 산출물(추론 결과, 열지도, 학습한 가중치)도 NAS 의 별도 폴더에 둡니다. 내려받기 기록에는 같은 자리의 크기가 132GB 로 적혀 있어 수치가 서로 다릅니다(어느 쪽이 지금 값인지 확인 못 함).

3. 학습은 실제로 어디서 어떻게 도나

「학습」이라고 하면 큰 GPU 클러스터를 떠올리기 쉽지만, 점수 엔진의 학습은 대부분 아주 작습니다.

추출과 추론(공개 영상 전체에 공 모델 돌리기, 자세 뽑기 등)은 GPU 서버나 노트북 GPU 의 CPU·GPU 파드에서 돌렸습니다.

1회용 파드라는 방식

노트북 GPU 에서의 학습은 쿠버네티스 위의 1회용 파드로 돌립니다. 학습 코드와 입력을 담은 파드를 그 노드에 고정해 띄우고, 끝나면 지웁니다(--rm). 이렇게 하는 이유는 실제로 겪은 사고들에 있습니다.

• 노드를 고정하지 않으면 엉뚱한 곳에 앉는다. 무거운 빌드 작업이 고정 없이 메모리가 작은 노드에 앉아 같은 노드의 다른 서비스들까지 쓰러뜨린 일이 있었습니다. 그래서 학습 파드는 늘 노드를 고정하고, 띄우기 전에 그 노드의 남은 메모리와 GPU 할당을 확인하고, 메모리 요청·한도를 적습니다(꼭짓점 학습은 요청 3Gi · 한도 5Gi, 띄우기 전 가용 6–8GiB 확인).
• 끝나면 남기지 않는다. 파드가 GPU 를 쥔 채 남으면 운영 작업자가 GPU 를 못 받습니다. 학습이 끝나면 「남은 파드 0」을 확인합니다.
• 권한을 주지 않는다. 1회용 파드도 서비스 계정 토큰 없이, NAS 는 읽기 전용으로 붙입니다.

GPU 드라이버 쪽 문제로 GPU 파드가 아예 뜨지 않은 날도 있었습니다. 작은 실험실 규모의 GPU 를 쓸 때는 학습 코드보다 자리가 멀쩡한지를 먼저 보는 습관이 필요합니다.

Kubeflow 는 설치돼 있지만, 점수 엔진에는 아직

2026-10-18 에 Kubeflow Trainer(v2.3.0, JobSet v0.12.0)를 GitOps 로 설치했고 정상 동기화를 확인했습니다. 학습 전용 구역도 만들었습니다. 그 구역의 울타리는 이렇습니다.

• 파드는 비루트, capability 전부 뺌, 권한 상승 금지(Pod Security restricted).
• GPU 를 잡으면 노트북 GPU 노드에만, 이미지는 내부 레지스트리만, 서비스 계정 토큰 없음.
• GPU 1장, 메모리 한도 합 6Gi, 파드 4개까지.
• 들어오고 나가는 네트워크 없음(pip 도 인터넷에 못 감). 필요한 것은 공유 볼륨(NAS, 200Gi)에 미리 넣습니다.

그러나 이 TrainJob 으로 돌린 학습은 지금까지 탁구 로봇 팔 강화학습과 연기 시험뿐입니다. 점수 엔진 모델(공·거르기·보정·꼭짓점)을 TrainJob 으로 학습한 기록은 없습니다. 이유는 운영 문서에 적혀 있습니다. 공 모델 미세조정에 필요한 자료와 큰 GPU 는 GPU 서버에 있는데, 학습 구역의 GPU 는 노트북 GPU 노드로 고정돼 있어 규칙이 맞지 않습니다. 자료를 옮기거나 규칙을 바꾸는 결정이 먼저입니다. 파이프라인(KFP 2.16.1)과 하이퍼파라미터 탐색(Katib v0.19.0)도 설치 파일은 있지만, 설치 직후 동기화 오류를 다룬 기록 뒤로 지금 상태는 확인 못 함이고, 탁구 모델에 쓴 기록은 찾지 못했습니다.

솔직히 말하면 지금 규모에서는 이것이 큰 문제가 아닙니다. 거르기와 보정은 노트북 CPU 에서 몇 분이면 끝나고, 꼭짓점 모델도 20분입니다. 학습 플랫폼이 필요해지는 것은 공 모델을 처음부터 다시 학습해야 할 때(6절)입니다.

4. 실험 규칙: 숫자를 믿을 수 있게

학습보다 시간이 더 드는 것은 공정하게 재는 일입니다. 연구 원장 맨 앞에 모든 실험에 적용하는 규칙을 적어 두었습니다(2026-10-13).

고정 분할

이 분할은 연구용입니다. 상업 서비스의 학습 재료는 6절의 원칙을 따릅니다.

누수 경고를 적어 둔다

규칙 엔진은 2026-10-11–12 에 공개 경기 12편 전부(시험 7경기 포함)를 보며 다듬어졌습니다. 그래서 규칙 기준선의 시험 점수는 표본 안(in-sample)이라 낙관적입니다. 새 학습형 방법은 시험 경기를 본 적이 없으니, 비교는 새 방법에 불리하게 기웁니다. 이 경고를 원장 맨 앞에 적어 두고, 비교할 때마다 함께 적습니다. 또 공 모델의 학습 영상 목록이 공개되지 않아 시험 경기와 겹치는지 모릅니다. 그래서 공 검출 품질을 일반화 성능으로 읽지 않습니다.

주 지표 하나, 짝 비교, 시드 중앙값

• 주 지표는 랠리 승자 정확도 하나로 고정했습니다. 보조 지표(확인 없이 틀림, 확인 필요, 판정 없음, 바운드 F1, 프레임당 ms, 판정 지연)는 함께 적되 주 지표를 바꾸지 않습니다. 여러 지표 중 좋아 보이는 것을 고르는 일을 막기 위해서입니다.
• 같은 랠리의 짝 비교로 봅니다. McNemar 정확 검정과 짝 부트스트랩 95% 구간(1만 번)입니다. 같은 랠리를 여러 열화 조건에서 다시 세면 독립이 아니므로, 그때의 구간은 낙관적이라고 적습니다.
• 학습형 모델은 시드 3–5개의 중앙값과 범위를 적습니다. 꼭짓점 모델에서 보았듯, 시드 하나는 한 묶음에서 확실&틀림이 1–2 늘기도 했습니다.

결과를 보기 전에 판정 규칙을 적는다

몇몇 실험(확인 필요 보정 v3, 끝선 띠, 카메라 점수판 처음부터 끝까지, 꼭짓점 모델)은 결과를 보기 전에 채택 조건을 원장에 적었습니다(사전 등록). 예를 들어 꼭짓점 모델은 「새 35장에서 확실&맞음이 늘고, 어떤 묶음에서도 확실&틀림이 늘지 않을 것, 시드 셋의 중앙값으로」였습니다. 그래도 지키지 못한 것이 있으면 숨기지 않고 적습니다. 꼭짓점 모델은 첫 해독의 시험 결과를 본 뒤 둘째 해독을 설계해 시험을 두 번 봤고, 원장과 4편에 그대로 적었습니다.

실시간 예산

• 인과 처리: 판단 시점 뒤 프레임은 짧은 앞보기(기본 200ms 이하)까지만 봅니다. 랠리 전체를 본 뒤 판단하는 방법은 「녹화본 트랙」으로 따로 적고 섞지 않습니다.
• 프레임 예산: 60fps 면 프레임당 16.7ms. 새 모듈의 합은 프레임당 5ms 이하.
• 판정 지연: 랠리 끝 → 점수 1.5초 이하.
• 예산을 넘는 방법은 정확도가 높아도 「실시간 불가」로 분류합니다. 자세 결합(프레임당 약 25ms)이 그렇게 기각됐습니다.

실패에서 생긴 규칙(Ruling)

• R1. 좌표 수준의 합성 가림은 실제 가림을 대신하지 못한다. 공 좌표에서 점을 지우는 방식으로 가림을 흉내 낸 개발 실험의 이득이, 실제 영상 열화(영상에 가림 타원을 그림)로는 옮겨 가지 않았습니다. 실제 가림에서는 검출이 사라지기보다 엉뚱한 곳으로 튀기 때문입니다.
• R2. 학습형 모듈은 30fps 사본을 섞어 학습한다. 60fps 로만 배운 거르기가 30fps 에서 무너졌기 때문입니다(4편).
• R7·R8. 라벨 고침. 데이터셋 라벨이 랠리 여럿을 하나로 묶은 곳을 찾아 나눴고, 그 고침이 보정 v2 의 바탕이 되었습니다.

코드 라이선스 원칙

GPL·AGPL·MPL 코드는 가져오지 않고 방법만 새로 구현합니다. 모델마다 학습 재료를 가중치 메타데이터(nc_sources)와 원장에 적습니다. 이 기록이 상업 전환 때 무엇을 다시 학습할지 가르는 바탕이 됩니다(6절).

5. 지금의 실측 수치 한눈에

마지막 줄이 가장 중요합니다. 지금까지의 숫자는 모두 공개 영상에서 나왔습니다. 고정 카메라로 잘 찍힌 연구용 영상, 중계 영상, 합성 열화입니다. 사용자가 실제로 쓰는 「동네 탁구장에서 삼각대에 세운 휴대폰」의 숫자는 아직 없습니다. 그 숫자를 얻으려면 라벨을 단 자체 촬영 영상이 필요하고, 그것이 다음 절의 과제와도 이어집니다.

6. 상업 서비스로 가는 길: 방향과 원칙

TT Lab 은 2026-10-18 에 상업 서비스로 방향을 정했고, 그에 맞춰 학습 자료와 가중치를 상업 사용이 허락된 것으로 바꾸고 있습니다. 여기서는 그 방향과 원칙, 계획만 적습니다. 판단은 모두 데이터와 저장소에 적힌 문구 기준이며 법률 검토를 대신하지 않습니다.

원칙

1. 운영 모델은 상업 사용이 허락된 자료로 학습한다. 쓸 수 있는 재료는 넷입니다. 자체 촬영·자체 라벨 영상, 우리 코드로 만든 합성 자료(탁구대 그림, 합성 랠리 궤적), CC BY·CC0·퍼블릭 도메인처럼 상업 사용을 허락하는 공개 영상, 그리고 학습 이용에 동의한 사람이 고친 판정(6편)입니다.
2. 비상업(NC) 데이터셋은 내부 연구·평가로만 쓴다. 위 데이터셋 표의 비상업 데이터는 엔진을 연구하고 재는 데 쓰고, 상업 서비스의 학습 재료로 삼지 않습니다. 평가에서의 쓰임도 법률 검토 대상으로 둡니다(아래).
3. 공개물은 상업 사용 가능한 원본으로 만든다. 사이트의 데모 영상은 상업 전환에 맞춰 상업 사용 가능한 원본으로 다시 만들었습니다(2026-10-24–25). 카메라 점수판 데모는 CC BY 리그 중계 영상으로 새로 찍었고, 원본마다 저작자·라이선스·바꾼 것을 화면에 답니다.
4. 모델마다 학습 재료를 적어 둔다. 가중치 메타데이터(nc_sources)와 연구 원장에 재료를 남겨, 어떤 모델을 무엇으로 다시 학습해야 하는지 언제든 가를 수 있게 합니다.
5. GPL·AGPL·MPL 코드는 가져오지 않는다. 방법만 새로 구현합니다(4절).

이 원칙으로 만든 첫 사례

4편의 탁구대 꼭짓점 모델이 이 원칙으로 처음부터 만든 모델입니다. Apache-2.0 인코더, 자체 합성 그림 80%, CC BY 3.0 중계 12장 20% 로 학습했고, 비상업 데이터셋은 시험에만 썼습니다(메타데이터 nc_sources=[]). CC BY 의 출처 표기를 학습한 가중치에서 어떻게 지킬지는 법률 검토로 정합니다.

계획

• 학습형 거르기와 보정. 4편의 바운드 거르기와 「확인 필요」 보정은 입력이 공 궤적과 판정 특징뿐이라 영상 없이 다시 학습할 수 있습니다. 합성 랠리 코드로 궤적을 만들어 학습하고, 자체 라벨 경기 소량으로 확인하는 길이 가장 빠릅니다. 고친 기록이 쌓이면 보정의 재료로도 씁니다.
• 공 모델. 공 모델도 자체 촬영·자체 라벨 데이터로 학습하는 길을 준비합니다. 여기에는 라벨 달린 영상과 큰 GPU 가 필요하고, 3절의 학습 플랫폼이 실제로 필요해지는 지점입니다.
• 규칙 엔진의 문턱값. 공개 경기를 보며 손으로 정한 상수들을 자체 시험셋으로 다시 검증하고 조정합니다.
• 자체 촬영 시험셋. 아래 평가 이야기와 「휴대폰 현장 정확도 미실측」을 함께 푸는 일이라 가장 앞에 둡니다.

평가 데이터는 어떻게 되나

평가에는 비상업 데이터를 쓰고 있습니다. 공개 경기 시험 7경기가 이 글의 거의 모든 숫자의 바탕입니다. 상업 회사가 내부 평가에 비상업 데이터를 쓰는 것이 허용되는지는 데이터 라이선스의 「비상업」 해석에 달린 법률 문제라, 여기서 결론을 내지 않습니다. 기술적으로 확실한 길은 하나입니다. 라벨 달린 자체 촬영 시험셋을 만드는 것입니다. 그것은 동시에 「휴대폰 현장 정확도 미실측」이라는 가장 큰 빈칸을 채우는 일이기도 합니다.

7. 정리

• 지금까지의 정확도는 대부분 비상업 공개 데이터 위에서 잰 평가이고, 상업 사용 가능한 실제 학습 자료는 아직 적습니다.
• 학습은 작습니다. 노트북 CPU 에서 몇 분, 노트북 GPU 의 1회용 파드에서 20–70분입니다. Kubeflow 는 설치돼 있지만 점수 엔진 학습에는 아직 쓰지 않았습니다.
• 숫자를 믿을 수 있게 고정 분할, 주 지표 하나, 짝 비교, 시드 중앙값, 사전 등록, 실시간 예산을 지키고, 지키지 못한 것은 적습니다.
• 상업 서비스에 맞춰 학습 자료와 가중치를 상업 사용 가능한 것으로 바꾸고 있습니다. 비상업 데이터는 내부 연구·평가로만 쓰고, 다시 학습은 자체 촬영·자체 라벨·합성 데이터에서 시작합니다.

티티 한마디. 모델이 잘 맞히는 것만큼 「누구 데이터로 배웠나」도 중요해요. 그래서 이제는 우리가 찍고 우리가 그린 공책으로 공부하려고 해요.

참고문헌

1. R. Voeikov, N. Falaleev, R. Baikulov. "TTNet: Real-time Temporal and Spatial Video Analysis of Table Tennis." CVPR Workshops, 2020. arXiv:2004.09927. OpenTTGames 데이터 CC BY-NC-SA 4.0(데이터 공개 페이지 문구).
2. T. Gossard, J. Schmalzl, A. Ziegler, A. Zell. "Sound-Based Spin Estimation in Table Tennis: Dataset and Real-Time Classification Pipeline." IEEE STAR, 2025. arXiv:2409.11760. 데이터 CC BY-NC 4.0(저장소 README).
3. T. Gossard, F. Radovic, A. Ziegler, A. Zell. "BlurBall: Joint Ball and Motion Blur Estimation for Table Tennis Ball Tracking." CVPR Workshops (CVsports), 2026. arXiv:2509.18387. 코드 MIT.
4. N. Ravi 외. "SAM 2: Segment Anything in Images and Videos." ICLR, 2025. 코드·체크포인트 Apache-2.0.
5. Y. Xiong 외. "Efficient Track Anything." ICCV, 2025. 코드·체크포인트 Apache-2.0.
6. Extended OpenTTGames(랠리 종료 원인·승자, 타구 라벨). arXiv:2512.19327. CC BY-NC-SA 4.0.
7. 우리 측정과 기록: 저장소 docs/tt/PERFORMANCE.md 2.1·2.10·2.19, docs/study/tt-score-models/07-datasets.md(데이터 세기), 연구 원장 0절(실험 규칙)·Ruling·E00·E25·E27·E33·E35·E44, deploy/ 아래 학습 작업 안내 문서, backend/app/tt_score_demos.py 머리말(데모 원본).

함께 읽기

• 이 시리즈 4편: 모델의 원리와 논문: 여기 나온 세 학습 모델의 구조와 실측.
• 이 시리즈 6편: 경기 기록과 개인정보: 사람이 고친 판정이 다시 학습 재료가 될 수 있는 조건.
• 앞 시리즈 TT Score 모델 해부 7편: 탁구 데이터셋 직접 세어 보기.