TAPNEXT++ · LOCAL PC
PC에서 TAPNext++로 분석하기
원본 영상과 기준점 요청을 로컬 PC에서 분석하고, 결과를 웹사이트에 가져옵니다. 클라우드 업로드·유료 API는 사용하지 않습니다.
1. 파일 준비
영상 분석 화면에서 활 기준점·구간을 지정하고 분석 요청 JSON 받기를 누르세요. 원본 영상과 요청 JSON을 같은 PC로 옮깁니다.
아래 두 파일도 같은 폴더에 저장하세요.
2. 모델 준비
Python 3.11–3.12, Git, 약 5GB의 여유 공간이 필요합니다. 아래는 CPU용
설치 명령입니다. Windows에서는 활성화 명령을
.venv\Scripts\activate로 바꾸세요.
python -m venv .venv
source .venv/bin/activate
pip install torch==2.8.0 torchvision==0.23.0 --index-url https://download.pytorch.org/whl/cpu
pip install einops numpy opencv-python-headless
git clone https://github.com/google-deepmind/tapnet.git
git -C tapnet checkout 730cda1c730877cfedbe01bf87fb1cadb78a565d
Google DeepMind 공식 TAPNext++ 체크포인트를 tapnextpp_ckpt.pt로 저장하세요. 약 2.5GB입니다.
스크립트가 체크포인트 SHA-256을 확인합니다.
NVIDIA GPU가 있다면 공식 PyTorch 안내의 CUDA 설치 명령을 사용하세요.
3. 분석 실행
practice.mp4를 실제 영상 파일명으로 바꾸고 실행합니다.
python run_tapnext.py --video practice.mp4 --job bowflow-tapnext-job.json --tapnet-root tapnet --checkpoint tapnextpp_ckpt.pt --device cpu --output bowflow-tapnext-tracks.json
GPU가 있으면 --device cuda를 사용하세요. CPU에서는 느릴 수
있습니다. 실행 중 처리한 프레임 수가 표시됩니다.
4. 결과 확인
영상 분석 화면의 TAPNext++ 결과 가져오기에서
bowflow-tapnext-tracks.json을 선택하세요. 원본 영상·기준점
요청·구간이 같은 결과만 열 수 있습니다.
현재 범위
활의 A/B 두 점을 추적하고, 지정한 브리지·현 방향이 충분히 보일 때 화면상 각도와 교차점을 추정합니다. 자동 활 검출, 프로그·팁 구분, 압력, 보잉 점수는 제공하지 않습니다. 기기 내 기본 추적은 PC 없이 사용할 수 있습니다.
영상 해상도가 불일치한다면 회전이 적용된 H.264 MP4로 저장한 후 웹에 새로 불러오고 요청을 다시 받으세요. 분석 결과에 담긴 SHA-256을 수정해서 우회하지 마세요.