name: capture-training-data description: Systematically capture dart hit videos and annotate with ground truth data. Trigger when user says: "capture training data", "record new video", "annotate ground truth", "run batch validation", "test hit rate", "improve detection", "new test video", "Trainingsdaten aufnehmen", "neues Video aufnehmen", "Ground Truth annotieren", "Batch-Validierung laufen".

Skill: capture-training-data

Systematisch Dart-Treffer-Videos und Ground-Truth-Daten aufnehmen, um die Single-Cam Dart-Erkennung zu verbessern.

Wann verwenden

• User will neue Trainings-/Testvideos für die Detection aufnehmen
• Ground-Truth-Annotation eines neuen Videos ist nötig
• Batch-Validierung: wie gut erkennt die aktuelle Pipeline die neuen Videos?
• Schwachstellen der Detection identifizieren (Sektor X funktioniert schlecht)

Workflow

Schritt 1: Video aufnehmen

# Einzelwurf-Clip (empfohlen: 5-10 Sekunden, zeigt Vorbereitungs- + Einschlagsmoment)
python scripts/record_camera.py --duration 10 --show

# Mit expliziter Auflösung (Standardempfehlung für CPU-Budget: 640x480)
python scripts/record_camera.py --duration 10 --resolution 640x480 --show

# Längere Session (mehrere Würfe in einem Clip)
python scripts/record_camera.py --duration 60 --show

Namenskonvention: Das Script erzeugt automatisch testvids/rec_YYYYMMDD_HHMMSS.mp4.

Aufnahme-Checkliste:

• Kamera fest montiert, kein Wackeln
• Beleuchtung gleichmäßig, keine harten Schatten auf Dartboard
• ArUco-Marker sichtbar (alle 4 Ecken im Frame)
• Dart startet außerhalb des Boards, landet dann
• Nach dem Einschlag kurz (2-3s) stillhalten

Schritt 2: Ground Truth annotieren

# Interaktiv — öffnet Video, zeigt Frames, fragt nach Treffer-Info
python scripts/add_ground_truth.py testvids/rec_YYYYMMDD_HHMMSS.mp4

# Einzelwurf direkt angeben (Segment Ring Timestamp)
python scripts/add_ground_truth.py testvids/rec_YYYYMMDD_HHMMSS.mp4 --throw "20 triple 3.2"

# Zusammenfassung aller annotierten Videos anzeigen
python scripts/add_ground_truth.py --summary

# Bestehende Einträge validieren
python scripts/add_ground_truth.py --validate

Annotationsformat (gespeichert in testvids/ground_truth.yaml):

rec_YYYYMMDD_HHMMSS.mp4:
  throws:
    - sector: 20
      ring: triple
      timestamp: 3.2   # Sekunden im Video
    - sector: 5
      ring: single
      timestamp: 7.8

Gültige ring-Werte: single, double, triple, bull_inner, bull_outer, miss Gültige sector-Werte: 1-20, 25 (Bull), 0 (Miss)

Schritt 3: Qualitätskontrolle

Vor der Batch-Validierung: kurze manuelle Prüfung des Videos.

# Frame-Diff-Diagnose: zeigt wo Pipeline Motion detektiert
python -m src.diagnose

Qualitätskriterien (manuell prüfen):

Schritt 4: Batch-Validierung

# Alle Videos in testvids/ gegen aktuelle Detection testen
python scripts/test_all_videos.py --marker-size 100 --marker-spacing 365

# Nur ein bestimmtes Video
python scripts/test_all_videos.py --source-dir testvids --marker-size 100 \
  --max-frames 5000

# Schnell-Test mit weniger Frames (für iteratives Debugging)
python scripts/test_all_videos.py --marker-size 100 --marker-spacing 365 --max-frames 1000

Ausgabe interpretieren:

• Hit Rate: Wie viele annotierte Würfe wurden überhaupt detektiert? Ziel: >80%
• Score Accuracy: Wie viele detektierte Treffer haben den richtigen Sektor? Ziel: >70%
• Videos mit <50% Hit Rate → Aufnahmeproblem (Belichtung, Winkel, ArUco)
• Videos mit >80% Hit Rate aber <60% Score Accuracy → Kalibrierproblem

Schritt 5: Schwachstellen identifizieren

Nach der Batch-Validierung systematisch schauen:

# Validierungs-Script für detailliertere Fehleranalyse
python scripts/validate_ground_truth.py

# Tip-Detection gegen Diagnostik-Captures prüfen
python scripts/validate_tip_detection.py

Typische Schwachstellen:

• Bestimmte Sektoren (z.B. 1, 5, 20 oben) → Kalibrierung verfeinern
• Nur Triple-Ring schlägt fehl → Tip-Detection-Threshold anpassen
• Alle Würfe auf einer Seite falsch → Board-Geometrie-Kalibrierung wiederholen

Vollständiger Beispiel-Workflow

# 1. Aufnahme: 3 Würfe in 30 Sekunden
python scripts/record_camera.py --duration 30 --show
# → erzeugt testvids/rec_20260324_140000.mp4

# 2. Annotieren
python scripts/add_ground_truth.py testvids/rec_20260324_140000.mp4
# → interaktiv Sektor/Ring/Timestamp eingeben

# 3. Annotierungen validieren
python scripts/add_ground_truth.py --validate

# 4. Batch-Test laufen lassen
python scripts/test_all_videos.py --marker-size 100 --marker-spacing 365

# 5. Ergebnisse analysieren und ggf. Kalibrierung verfeinern

Häufige Probleme

ArUco nicht erkannt:

• Marker-Größe prüfen: Standard 100mm, Abstand 365mm
• Beleuchtung verbessern
• Auflösung erhöhen: --resolution 1280x720

Dart wird nicht detektiert (Hit Rate = 0%):

• Pipeline läuft? App muss nicht laufen — test_all_videos.py ist standalone
• Kalibrierung fehlt? config/calibration_config.yaml prüfen
• Frame-Diff-Threshold zu hoch? Adaptive Thresholds in config/app_config.yaml anpassen

Hohe Hit Rate, falscher Sektor:

• Board-Geometrie-Kalibrierung wiederholen (Web-UI → Kalibrierung)
• Kalibrierungs-Kette beachten: Lens → Board Pose → Stereo (Reihenfolge!)

Video zu groß / Storage-Problem:

• Kurze Clips bevorzugen (5-15s pro Wurf)
• Videos in testvids/ werden nicht committed (.gitignore)
• Nur ground_truth.yaml landet im Repo

Referenzen

• scripts/record_camera.py — Kamera-Aufnahme
• scripts/add_ground_truth.py — Ground-Truth-Annotation
• scripts/test_all_videos.py — Batch-Validierung
• scripts/validate_ground_truth.py — Annotations-Validierung
• scripts/validate_tip_detection.py — Tip-Detection-Check
• src/cv/frame_diff_pipeline.py — Detection-Pipeline
• src/cv/tip_detection.py — Dart-Spitzen-Erkennung
• testvids/ground_truth.yaml — Ground-Truth-Daten
• agent_docs/current_state.md → Abschnitt "Verifizierte Kennzahlen" für aktuelle Hit Rate Baseline