개시하다

나는 몇 개이미지에서의 인물 검출와 이미지에서 자세, 뼈 검사 추측를 시험해 보았는데, 차이가 별로 없어서 실제 데이터로 분석해야 한다.
그러자 2018년 5월께 중학생의 타격 자세를 분석하기 시작했다.

컨디션

카메라 자체 스마트폰(HTC U11)

분석 환경

windows10 home(64bit/CPU)

Google Colaboratory(python3/CPU)

라이브러리 DeNA/Chainer_Realtime_Multi-Person_Pose_Estimation

창 분석

분석 대상

연습을 방해하고 측면에서 공을 던지는 모습을 촬영했다(각 선수는 1분 정도)

분석 결과

선수의 영상을 사용할 수 없기 때문에 다음 설명은 데이터로 자신(야구 문외한)의 타격 이미지와 데이터...(못생겼지만 용서해 주세요.)

OpenPose의 뼈 추정 결과

모드 ①

모드 ②

(패턴 ①보다는 몸무게를 움직여 스윙을 하는 인상을 준다. 결국 본인의 인상이다...문외한이라 맞지 않는다.)

수치 분석 결과

타구의 시작, 끝 전의 눈, 어깨, 허리, 무릎, 발목 위치의 변화를 그리다

위치의 변화에 따라

패턴 ①의 세로 이동량이 적음

모드 ②의 가로이동량이 비교적 크다(모드 ② 몸무게를 이동하고 스윙한 것으로 인상된다)

그렇게 말해도 돼.

고찰하다.

수치 분석 결과에서 다음과 같은 내용을 볼 수 있다.

몸무게를 움직이지 않고 제자리에서 회전하며 공을 치는 경향이 있는가

체중을 이동한 후 두드리는 경향이 있는가

각 선수의 세로 이동량과 가로 이동량을 비교하여'이동량'의 접점에서 선수의 특징을 볼 수 있다

경기자의 입장에서 경험치와 감각으로 이해하면 데이터를 볼 필요가 없을지도 몰라요...뭐, 감각을 수치화하는 건 의미가 있지...그렇게 지도 모른다, 아마, 아마...

분석 방법

① 애니메이션 → 이미지 → ② 골격검측 → ③ 분석 → ④ 애니메이션으로 돌아가 상당히 빙빙 돌았다.
영상에서 실시간 형식으로 해석되지 않았습니다.(GPU 환경이 없기 때문에...)
1. 비디오를 이미지로 분할(OpenCV)
2. 한 이미지 한 이미지 한 이미지 분할된 이미지에 대해 골격 검사 & 좌표의 CSV 출력(DeNA/Chainer_Realtime_Multi-Person_Pose_Estimation
3. 좌표 CSV 읽기, 결과 그리기(Pandas)
4. 해석 결과의 이미지를 애니메이션으로 변환(OpenShot)
※ 50초짜리 영상 약 1천500장(스마트폰 카메라는 30FPS인 것 같다)윈도우즈 단말기에서 약 1500장의 이미지를 골격으로 검사하는 데 6시간, Colaboratory는 4시간이 걸렸다.
(밤에 자기 전에 열심히 훈련하고 아침에 출근하기 전에 또 열심히 훈련한 다음에 천천히 뼈를 검출한다...GPU면 빠르지 않을까(원시...)

얻은 물건

데이터 절구의 중요성을 보다

'숫자만 꺼내면 아마 숫자에서 뭔가를 볼 수 있을 것 같다'는 기대감에 기대를 걸었지만, 숫자가 눈앞에 펼쳐져 경악을 자아냈다.숫자를 빙글빙글 돌려보려 해도 생각할 수 있는 가능성이 너무 많아 아무것도 할 수 없는 어둠 속으로 빠져드는...

어떤 절개(이번은 이동량)를 가지고 숫자를 보는 것이 중요하다.

판단 기준의 중요성

'이동량'의 특징이 나타나도'그래서?'이런 결과.이동량=떨림,이동량이 얼마나좋은지,나쁜지,이동량에서 무슨말을 할 수 있는지,
만약 숫자를 판단하는 어떤 기준이 없다면 해석 결과는 하나의 결과에 불과하고 활용할 수 없을 것이다...

소통의 중요성

경기 경험이 없는 자신, 자신의 경험이 없다...

라면'판단 기준'을 가진 사람(감독, 코치)에게만 알려주세요

끝까지 경기력을 높이기 위한 분석이고 감독, 코치에게 유용했으면 좋겠다.어떤 분석이 효과가 있는지 상의할 수밖에 없다.

'데이터 분석'은 자신이 생각했던 것보다 경기에 대한 이해와 관계자와의 교류가 더 필요하다.

덤

통계학적 지식은 전혀 없지만 현재는 가법, 감법, 평균, 삼각함수의 범위 내에서 진행할 수 있다

앞으로 하고 싶은 거.

나도 분석 투구에 도전하고 싶다

선수들의 자세 변화를 계속 추적하고 싶다

나도 초등학생과 고등학생의 데이터를 보고 싶다.나이에 따라 특징을 구분하나요?

는 경기력을 높일 뿐만 아니라 부상과 관련(이런 특징을 가진 선수는 부상하기 쉽다) 등에도 사용된다.

학생 선수와 전공의 땡땡이 선수의 특징이 비슷한 분류(전공의 데이터는 얻을 수 없지만)를 희망한다.

GPU 환경을 원합니다...

꿈의 이야기는 끊임없이 팽창한다...
마지막으로,,,, 전문가, 당신의 데이터를 기다리고 있습니다(웃음)

2018/7/23 추기

약 1500장의 이미지의 골격 검사

CPU: 4시간

GPU: 15분 약

네.