"Este projeto implementa um pipeline end-to-end de análise de tênis. Ele ingere vídeos brutos, utiliza uma CNN especializada (TrackNet) para segmentação de objetos pequenos em alta velocidade e aplica modelagem física para extrair métricas de jogo (velocidade, spin, mapa de calor de quiques). O foco é provar que hardware de consumo + algoritmos inteligentes podem rivalizar com sistemas proprietários de alto custo."

No circuito profissional (ATP/WTA), usa-se o sistema Hawk-Eye com 10+ câmeras de alta velocidade e hardware dedicado de milhares de dólares para gerar estatísticas. Nosso objetivo: Democratizar essa análise usando Visão Computacional moderna (Deep Learning) para extrair dados similares usando apenas um vídeo de YouTube ou celular (vídeo monocular).

Utilizamos uma Rede Neural Convolucional Profunda baseada em U-Net.

• Por que V2 e não YOLO? YOLO é ótimo para "coisas" (pessoas, carros), mas péssimo para objetos minúsculos em movimento rápido com motion blur. O TrackNet trata 3 frames consecutivos como um "bloco de tempo", aprendendo a trajetória e não apenas a aparência estática.

• Python + OpenCV + Pandas
• Transformação de dados não estruturados (pixels de vídeo) em dados estruturados (séries temporais de coordenadas $x, y$).

• Conversão de Espaço: Homografia (Matriz de Projeção) para transformar coordenadas de tela 2D em coordenadas de quadra 3D (Metros).
• Detecção de Eventos: Cálculo de derivadas (velocidade/aceleração) para identificar hits (raquetadas) e bounces (quiques) sem precisar de um modelo de ML supervisionado para isso.

Essa é uma decisão estratégica de Engenharia:

• Complexidade vs. Valor: O V3 introduz "Inpainting" (SOTA), mas adiciona complexidade.
• Princípio MVP: O V2 já oferece 95% de precisão em vídeos claros. Melhor ter dados "sujos" hoje (limpáveis com filtros) do que nenhum dado.
• Modularidade: O modelo é uma peça de LEGO. Trocar V2 por V3 futuramente é trivial.

Depois de gerar o CSV com as coordenadas brutas, aplicamos modelagem física:

• Ruído: Filtros de Savitzky-Golay ou Kalman para suavizar a trajetória.
• Spin: Ajuste de parábola na trajetória.
  • Se a aceleração $g > 9.8 m/s^2$: Topspin (Efeito Magnus empurra para baixo).
  • Se $g < 9.8 m/s^2$: Slice (Efeito Magnus sustenta a bola).

1. Instale as dependências:

   pip install -r requirements.txt

2. Execute o pipeline principal:

   python main.py