Harim Choi blog
← 모든 글
2026.08.16 · 6분

MyShot

스마트폰 영상에서 3D 스윙과 샷 결과까지 · 클럽헤드 속도 중앙오차 6.1%

Object Detection · Human Pose · 3D Vision · Ball-flight Prediction

Built with YOLO11 · RTMPose · MotionAGFormer · Physics-based ball flight · Reliability scoring

Frame-aligned AIHub 연구 데이터 예시 · 얼굴 익명화 · 골퍼·클럽·공·pose·관절각 tracking

WHY

골프 레슨과 장비는 비용이 높고, 혼자 연습할 때는 자세가 왜 잘못됐는지뿐 아니라 그 움직임이 공의 속도·방향·비거리에 어떤 영향을 주는지 알기 어렵습니다. 일반 pose tool은 몸의 움직임을 보여주는 데서 끝납니다. 스마트폰 영상 하나로 스윙 교정과 실제 샷 결과를 함께 분석하고 싶었습니다.

클럽헤드 속도 6.1%

GolfPose Vicon motion 중앙오차

3D 복원 35.6 mm

MPJPE · X-Factor MAE 3.1°

Carry GT 25 pairs

AIHub 스윙 영상 50개에서 구축

HOW

휴대폰 영상 하나에서 자세·속도·방향·비거리까지

몸, 클럽과 공의 움직임을 하나의 sequence로 처리하고, 직접 측정한 신호와 개인 보정·물리 계산 결과를 구분해 연결했습니다.

  1. 01 골퍼·클럽·공 추적

    골퍼만 보지 않고 address, top, impact와 finish 전 구간에서 세 target을 함께 추적합니다.

  2. 02 2D에서 3D motion으로

    RTMPose 관절을 GolfPose Vicon과 pseudo-3D swing data로 학습한 MotionAGFormer로 변환합니다.

  3. 03 스윙 mechanics

    관절 움직임, X-Factor, swing power, club path와 clubhead speed를 전체 motion에서 계산합니다.

  4. 04 개인 calibration

    모든 골퍼에게 하나의 식을 적용하지 않고 사용자 체격과 클럽별 carry·ball-speed 기록을 보정값으로 사용합니다.

  5. 05 샷 결과와 reliability

    Physics-based ball-flight model로 ball speed, 시작 방향과 carry를 계산하고 pose disagreement와 jitter로 불안정한 frame을 구분합니다.

RESULT

익명화한 골프 스윙의 address, top, impact, finish에서 원본 frame, 2D 관절과 3D skeleton 복원 결과를 비교한 예시
단안 영상 입력 · 2D 관절 · 현재 모델의 3D 복원
독립 CMU 골프 motion-capture 6개에서 예측 X-Factor와 정답 곡선을 비교한 그래프
독립 CMU motion capture · 6 trials · 평균 절대상관 0.95

기여

  • Target tracking과 2D-to-3D motion부터 관절지표, clubhead speed, 개인 calibration과 physics-based ball-flight model까지 연결했습니다.
  • 30fps body motion만으로 carry를 직접 회귀하는 신호가 약한 것을 확인하고 ball·club tracking과 클럽별 calibration 중심으로 구조를 바꿨습니다.

관련 자료

비공개 프로젝트