TT Lab
요금제

한국어

시작하기
블로그

블로그

탁구 데이터셋 직접 세어 보기: OpenTTGames, Extended, T3Set, TT Sounds, RacketVision, LATTE-MV

2026-10-13 · 20 분 읽기 · #TT Score#탁구#데이터셋#라벨#라이선스#데이터 품질#TT Score 모델 해부

상태: 초안 (2026-10-13), 실측 반영. 표의 숫자는 2026-10-13 에 받아 둔 데이터셋 사본을 읽기 전용 임시 파드(CPU, GPU 없음)에서 ffprobe 와 파이썬 표준 라이브러리로 직접 센 값입니다. 압축 파일은 풀지 않고 안의 목록과 라벨 파일만 읽었습니다. 논문이나 공식 페이지의 숫자는 「공식」으로 따로 적었습니다. 스크립트와 원출력은 저장소 docs/experiments/2026-10-13-tt-dataset-stats/ 에 있습니다. 작성 규칙: 실측 데이터가 기본이고, 못 잰 것은 「미실측」으로 표시합니다.

목차

1. 왜 직접 세나

논문의 데이터셋 표는 한 번 쓰이고 나면 다시 확인되지 않습니다. 그런데 모델의 숫자는 데이터의 성질을 그대로 물려받습니다. 「공이 없다」고 표시된 프레임에 공이 보이면 정밀도가 거짓으로 떨어지고, fps 가 섞여 있으면 「프레임당 이동량」 같은 기준이 클립마다 다른 뜻이 됩니다. 그래서 쓰기 전에 직접 셉니다. 세다 보면 라벨의 함정이 드러납니다.

2. 한눈에

데이터셋 무엇 규모(직접 셈) 해상도 · fps 공 라벨 소리 라이선스
OpenTTGames 한 체육관, 옆면 고정 카메라 경기 영상 12편, 644,199프레임, 89.5분 1920×1080 · 120 이벤트 근처 프레임만 없음 CC BY-NC-SA 4.0
Extended OpenTTGames 위 12편에 타구·랠리 종료 원인 랠리 종료 281, 타구 1,456 (같은 영상) 원본 그대로 없음 CC BY-NC-SA 4.0
T3Set 아마추어 다구 훈련, 영상 + 라켓 센서 + 코치 음성 선수 32, 라운드 폴더 387, 영상 734개(26.9GB) 1080p · 60(공식) 없음(센서의 타구 시각) 있음 CC BY-NC-SA 4.0
TT Sounds 라켓·테이블·바닥 충돌음 15ms 표본 wav 6,037, 라벨 5,702, 원녹음 149 소리만 — 소리만 CC BY-NC 4.0
RacketVision(탁구만) 국제 중계에 공·라켓 5점 클립 780, 50경기, 170,027프레임 1920×1080 · 25/30/50/59.94/60 섞임 있음(드문드문) — 카드 MIT, 원 중계 권리 불명
LATTE-MV 국제 중계 랠리 클립 + 자동 추적 결과 812경기, 클립 23,781 640×360 · 30 또는 29 자동 추적(사람 라벨 아님) 없음 카드 Apache-2.0, 원 중계 권리 불명
BlurBall 학습 데이터(공개분) 온라인 경기 영상에 번짐 라벨 영상 463, 표식 66,595행 대부분 1280×720 · 대부분 25 번짐 가운데 + 각도·길이 일부 표기 없음

3. OpenTTGames: 평가의 바탕

TTNet 논문(arXiv 2004.09927)과 함께 공개된 데이터셋으로, TT Score 의 정확도 숫자는 거의 모두 이 위에서 나왔습니다.

영상

구분 편 프레임 길이
학습(game_1–5) 5 542,079 4,517초(75.3분)
시험(test_1–7) 7 102,120 851초(14.2분)

모두 H.264, 1920×1080, 120fps 이고 소리 트랙이 없습니다(ffprobe 로 12편 모두 영상 스트림 하나). 학습 영상 하나가 3.9–10.8GB 입니다. 휴대폰 실시간은 60fps 가 상한이라, 우리는 짝수 프레임만 써서 60fps 로 줄여 평가합니다.

라벨

경기마다 zip 하나에 세 가지가 들어 있습니다.

경기 공 표식 프레임 공 보임 공 없음 bounce net empty_event
game_1 6,799 6,721 78 227 182 195
game_2 17,444 17,275 169 591 430 536
game_3 7,275 7,161 114 240 187 173
game_4 7,073 6,971 102 231 187 176
game_5 7,406 7,056 350 248 184 19
test_1 887 880 7 31 24 1
test_2 779 773 6 28 21 1
test_3 805 798 7 31 18 6
test_4 1,319 1,305 14 46 29 29
test_5 1,018 1,008 10 34 26 5
test_6 1,308 1,300 8 41 38 1
test_7 874 770 104 29 24 2
합 52,987 52,018 969 1,777 1,350 1,144

이벤트 합 4,271 은 공식 페이지의 「이벤트 4,271개」와 정확히 맞습니다. 세는 방법이 맞다는 확인입니다.

함정

  1. 표식이 없는 프레임은 「공 없음」이 아니라 「모름」이다. 공 표식은 이벤트 앞 4프레임부터 뒤 12프레임까지만 있습니다(공식). 전체 644,199프레임 중 52,987프레임, 8.2% 입니다. 표식 없는 프레임을 「공 없음」으로 세면, 모델이 찾은 진짜 공이 모두 오답이 되어 정밀도가 거짓으로 크게 떨어집니다. 우리 로더(ttscore/data/openttgames.py)는 둘을 갈라 담습니다.
  2. test_7 의 「공 없음」은 믿을 수 없다. 다른 시험 경기의 「공 없음」은 6–14개인데 test_7 만 104개입니다. 그중 41곳은 공이 실제로 보입니다(6장을 눈으로 확인). 이 때문에 BlurBall 의 test_7 정밀도가 0.882 로 나왔고, 41곳을 빼면 0.9937 입니다(2편).
  3. 「net」은 대부분 네트에 닿은 것이 아니다. 이름과 달리 공이 네트 위를 지나는 순간에 달린 표식이 대부분입니다. 그 앞뒤 가로 속도 비가 0.75–1.01 로, 공이 거의 느려지지 않았습니다(5편). 네트에 「걸린」 공을 찾으려면 Extended 의 net 종료 라벨을 써야 합니다.
  4. empty_event 의 분포가 경기마다 크게 다르다. game_2 는 536개인데 game_5 는 19개입니다. 쓰기 전에 뜻을 확인해야 하는 라벨이라 우리는 쓰지 않습니다.

4. Extended OpenTTGames: 랠리가 어떻게 끝났나

같은 12편에 타구와 랠리 종료 원인을 붙인 확장입니다(arXiv 2512.19327, github moamal01/table_tennis_data). 우리 심판 엔진의 정답지입니다.

라벨은 경기마다 JSON 하나, {"120fps 프레임": "값"} 입니다. 값은 세 종류가 한 파일에 섞여 있습니다.

종류 예 직접 센 수
원래 이벤트 bounce, net, empty_event 3,206(원본보다 적다 — 아래 함정 1)
타구 left_forehand_serve neutral left_foot_lifted 1,456. loop 583 · serve 290 · push 279 · block 187 · flick 65 · chop 30 · smash 12 · lob 10
랠리 종료 right_out 281. out 140 · net 83 · winner 34 · not_hitting_ball 10 · miss_on_own_side 10 · double_bounce 4
알 수 없음 point, xright_… 2

논문은 랠리 종료 282개를 보고했는데 원인별 합은 281 입니다. 직접 센 값도 281 이었습니다. 이 가운데 「누가 서브했는지」까지 알 수 있는 랠리 275개를 평가에 씁니다.

함정

  1. 같은 프레임에 두 라벨을 달면 하나가 사라진다. JSON 의 키가 프레임 번호라, 바운드가 있던 프레임에 종료 라벨을 달면 바운드가 덮입니다(실례: test_4 4530 프레임의 bounce 가 right_net 으로). test_2 에는 원래 이벤트가 아예 없습니다. 그래서 바운드·네트 정답은 이 파일이 아니라 원래 OpenTTGames 의 events_markup.json 에서 읽습니다.
  2. 접두어가 누구인지가 원인마다 다르다. README 는 접두어가 「끝을 만든 선수」라고 합니다. winner 와 double_bounce 는 접두어 선수가 점수를 따고, 나머지는 접두어 선수가 잃습니다. 직전 타구 쪽과 대조해 확인했고(winner 34개 중 30, out 140개 중 129 일치), not_hitting_ball 은 10개 중 8개가 받지 못한 선수 쪽이었습니다.
  3. README 의 기술 목록은 여섯인데 데이터에는 여덟이 있다. smash 와 chop 이 더 있습니다.
  4. 왼손잡이. test_3·test_7 에 한 명씩, test_5 에 두 명 있습니다(README). 포핸드·백핸드를 화면 방향으로 추론하면 틀립니다.

5. T3Set: 소리와 센서가 있는 훈련 영상

아마추어 다구 훈련을 두 대의 카메라와 라켓 센서(9축 IMU, 100Hz), 코치 음성으로 기록한 데이터셋입니다(KDD 2025, Zenodo). 28GB 를 분할 zip(.zip + .z01–.z38)으로 받는데, 우리는 합치거나 풀지 않고 마지막 조각의 중앙 디렉터리만 읽어 목록을 셌습니다.

항목 직접 셈 공식
선수 32 32
라운드 387 폴더 380
기술(라운드 폴더 수) topspin 90 · push 89 · pendulum 43 · short 42 · block 41 · attack 41 · flick 41 7종
영상 734개(mkv 699, mp4 35), 26.9GB 1080p 60fps 두 대
코치 음성 mp3 1,014 —
JSON(자세·센서 정렬·코치 조언) 2,689 —

영상 파일(mkv)에는 소리(AAC 44.1kHz)가 같은 컨테이너로 붙어 있습니다(2026-10-11 확인). 영상·소리·센서가 함께 있는 드문 데이터라 6편의 소리 실험에 썼습니다.

함정

  1. 카메라 폴더 이름에 오타가 있다. 대부분 remote(376)와 right(354)인데, romote 1, rIGHT 2, rIght 1 이 섞여 있습니다. 폴더 이름으로 카메라를 고르면 4개가 조용히 빠집니다.
  2. 라운드 수가 공식과 다르다. 387 대 380. 빈 라운드나 중복이 있을 수 있어 쓰기 전에 확인해야 합니다(원인 미확인).
  3. 센서 시계와 영상의 어긋남이 라운드마다 다르다. 영상 파일 이름(초 단위)과 센서 시각의 어긋남이 −1.5초에서 +3초였습니다. 「센서의 타구 시각 ±30ms」 같은 정렬은 그대로 믿을 수 없습니다.
  4. 공 좌표 라벨이 없다. 공 검출의 정밀도는 눈으로만 볼 수 있었고, 다구 훈련이라 바닥과 바구니에 쉬는 공이 검출의 29% 였습니다(120장 중 35장). 「경기 중인 공」만 세면 정밀도가 0.54 였습니다.

6. TT Sounds: 깨끗한 충돌음

튀빙겐 대학이 공개한 라켓·공 충돌음 데이터셋입니다(arXiv 2409.11760). zip 하나(845MB)에 원녹음과 15ms 조각이 들어 있습니다.

항목 직접 셈
원녹음 wav / 15ms 조각 wav 149 / 6,037
라벨 표(full.csv) 행 5,702(train/test 80/20 분할 표도 있음)
표면 라켓 3,396 · 테이블 777 · 바닥 290 · 기타 1,239
라켓 종류 10가지(공격형·수비형 블레이드, 스펀지 두께, 평면·롱핌플 러버). 표본 207–892개
라켓 표본의 회전 무회전 1,879 · 백스핀 991 · 톱스핀 526(README 표와 같음)
라벨 표가 가리키는 원녹음 115개

함정

  1. 조각 수와 라벨 수가 다르다. wav 6,037 개 중 라벨 표에 있는 것은 5,702 개이고, 원녹음 149 개 중 라벨 표가 가리키는 것은 115 개입니다. 폴더의 파일을 모두 쓰면 라벨 없는 소리가 섞입니다.
  2. 제공된 분할은 같은 녹음을 양쪽에 나눈다. 이웃한 15ms 조각이 학습과 시험에 함께 들어가 점수가 부풉니다. 원녹음 단위로 나누면 0.1–0.8%p 낮아졌습니다(6편).
  3. 라켓이 아닌 표본 311개에도 회전 라벨이 있다. 회전 열의 전체 합이 README 표와 다른 이유입니다. 「회전 있음 = 라켓 소리」로 가정하면 안 됩니다.
  4. 조용한 곳의 근접 녹음이다. 휴대폰 마이크와 탁구장 울림과는 다릅니다. 6편에서 본 것처럼 실제 녹음에서는 효과가 확인되지 않았습니다.

7. RacketVision: 라켓 다섯 점(탁구 부분)

탁구·테니스·배드민턴 국제 중계에 공 위치와 라켓 상자·다섯 점을 단 데이터셋입니다(arXiv 2511.17045, AAAI 2026). 세 종목 합은 클립 1,672, 435,179프레임입니다(데이터셋 메타). 우리는 탁구 부분만 받았습니다. 라켓 주석의 자세한 모양은 4편에 있습니다.

항목 직접 셈
클립 / 경기 / 분할 780 / 50 / 학습 625 · 검증 69 · 시험 86
프레임 / 길이 170,027 / 3,878초, 클립 길이 중앙 5.0초(1.7–5.16)
해상도 모두 1920×1080
fps 25(209) · 60(201) · 50(191) · 30(112) · 59.94(67)
공 CSV 행 / 보임 19,495 / 16,961
라켓이 있는 주석 프레임 / 라켓 수 6,648 / 8,060

함정

  1. fps 가 다섯 가지로 섞여 있다. 같은 「프레임당 이동량」이 클립마다 다른 속도를 뜻합니다. 우리도 받을 때 남긴 메모에 「60fps」라고 적었다가, 이번에 세어 보고 틀렸음을 알았습니다. 시간 기반 규칙(바운드 간격 0.12초 같은)을 쓰려면 클립마다 fps 를 읽어야 합니다.
  2. 메타데이터의 주석 수 필드가 비어 있다. dataset_info.json 의 ball_annotated_frames·racket_annotated_frames 가 탁구 780 클립 모두 0 입니다. 실제 주석은 클립별 주석 파일에 있습니다.
  3. 주석이 드문드문하다. 주석 프레임 간격 중앙이 10프레임입니다. 매 프레임 정답이 아닙니다.
  4. 영상 권리. 주석은 MIT 로 표기되지만 영상은 YouTube 의 프로 경기 중계에서 잘라 낸 것입니다. 우리는 내부 연구에만 쓰고 프레임을 공개하지 않습니다.

8. LATTE-MV: 국제 중계와 자동 추적

국제 경기 중계에서 랠리를 잘라 공·라켓·탁구대·선수 3D 자세를 자동으로 추적한 데이터셋입니다(arXiv 2503.20936, CVPR 2025). 공식으로는 중계 약 800시간에서 거른 랠리 교환 73,222개, 약 26.7시간입니다.

항목 직접 셈
경기 / 클립(mp4) 812 / 23,781(영상만 3.75GB)
클립마다 영상, 공 CSV(Frame, Visibility, X, Y), 라켓 CSV, 탁구대 모서리, 선수 2D·3D 키포인트, 장면 복원 배열(프레임 × 91 × 3), 메타 JSON
해상도 · fps(무작위 30클립, ffprobe) 640×360 30클립 모두 · 30fps 21, 29fps 9
복원 배열의 fps · 길이(무작위 300클립) 30fps 229, 29fps 71 · 프레임 중앙 109, 「쓸 수 있는 프레임」 중앙 70
소리 트랙(30클립) 없음

함정

  1. 공 좌표는 사람 라벨이 아니다. 그 데이터 파이프라인의 추적 결과입니다. 공이 가려져도 Visibility 가 1 이고 좌표가 채워져 있습니다(BlurBall 이 「놓친」 20장 중 14장은 공이 보이지 않았습니다).
  2. 번짐 자국의 끝을 가리킨다. BlurBall 과 다르다고 채점된 40장 중 25장은 같은 자국의 다른 끝이었습니다(2편). 라벨 규칙이 다른 데이터로 모델을 재면 그 차이가 오차로 보입니다.
  3. 복제된 프레임. 직전 프레임과 거의 같은 프레임이 클립 중앙 27% 였습니다(2026-10-11 실측). 실제 fps 가 30보다 낮을 수 있습니다.
  4. 영상 권리 불명. 데이터 카드는 Apache-2.0 이지만 원 중계 영상의 권리는 적혀 있지 않습니다. 내부 시험에만 씁니다.

9. 덤: BlurBall 학습 데이터(공개분)

2편의 BlurBall 이 무엇을 보고 배웠는지 궁금해 공개분을 세었습니다.

항목 직접 셈 공식(논문)
녹화 / 영상 폴더 26 / 영상 463 녹화 26편, 클립 443(학습 363 + 시험 80)
프레임(표식 행) 66,595(공 보임 58,547) 64,119
해상도 1280×720 363 · 1266×720 60 · 1920×1080 40 —
fps 25 222 · 30/29.97 139 · 60/59.94 67 · 23.98 10 · 그 밖 25 —
표식 열 Frame, Visibility, X, Y, theta, l 번짐 가운데 + 방향 + 반길이

학습 영상의 절반 가까이가 25fps 입니다. 셔터가 길고 공이 많이 번지는 영상에서 배웠다는 뜻이고, 「번짐 가운데」 라벨이 왜 필요했는지와 맞닿아 있습니다. 영상 수와 프레임 수가 논문과 조금 다른 이유는 확인하지 못했습니다. 이 영상 목록이 공개 분할과 같은지, OpenTTGames 와 겹치는지도 모릅니다. 그래서 OpenTTGames 위의 BlurBall 숫자를 일반화 성능으로 읽지 않습니다.

10. 라이선스와 우리의 방침

조건 데이터
CC BY-NC-SA 4.0(비상업, 출처 표기, 같은 조건) OpenTTGames, Extended OpenTTGames, T3Set
CC BY-NC 4.0(비상업, 출처 표기) TT Sounds
주석은 허용적이나 원 영상 권리 불명 RacketVision(MIT), LATTE-MV(Apache-2.0)
표기 없음 BlurBall 학습 데이터

TT Lab 은 비상업 서비스입니다. 그래서 비상업 조건 데이터로 배운 모델도 쓸 수 있습니다. 대신 모델마다 어떤 비상업 데이터로 배웠는지 기록하고, 방침이 바뀌면 우리 데이터로 다시 학습합니다. 같은 조건(SA) 데이터를 고쳐 공개할 때는 같은 라이선스로 공개합니다. 원 영상 권리가 불명한 데이터는 내부 시험에만 쓰고, 그 프레임을 화면이나 글에 싣지 않습니다. 이 글에 데이터셋의 프레임 그림이 없는 이유이기도 합니다.

11. 다시 세는 법

# 저장소 docs/experiments/2026-10-13-tt-dataset-stats/
python3 dataset_stats.py <데이터셋 뿌리> > results/dataset_stats_YYYY-MM-DD.txt   # ffprobe, numpy 필요
python3 label_stats.py <라벨 뿌리> > results/label_stats_YYYY-MM-DD.json          # 표준 라이브러리만

압축 파일을 풀지 않고 목록과 라벨 파일만 읽으므로 메모리 1GB 안에서 끝났습니다. 분할 zip(T3Set)은 표준 zipfile 이 여러 조각에 걸친 zip 을 읽지 못해, 마지막 조각의 중앙 디렉터리만 직접 해석하는 작은 도구(experiments/sound/splitzip.py)를 씁니다.

티티 한마디. 「공 없음」이라고 적힌 곳에 공이 보이면, 모델이 맞혀도 틀렸다고 채점돼요. 데이터를 직접 세 보는 건 귀찮지만, 모델을 믿기 전에 정답지부터 믿을 수 있는지 봐야 해요.

참고

로그인하면 좋아요를 누를 수 있습니다

댓글

아직 댓글이 없습니다.

로그인하면 댓글을 쓸 수 있습니다