CaddieSet

CaddieSet是一个包含人体关节特征和球信息的挥杆数据集，旨在提高高尔夫球手击球精度。该数据集通过将单个挥杆视频分割成八个挥杆阶段，并使用计算机视觉方法提取关节信息。此外，基于高尔夫领域的专业知识，定义了15个影响高尔夫挥杆的关键指标，使能够通过挥杆相关特征解释挥杆结果。CaddieSet由924个挥杆视频组成，包括613个使用一号木杆的挥杆，23个使用三号木杆的挥杆，288个使用铁杆的挥杆。数据集中的球信息包括球杆类型、飞行距离、左右距离、方向角度、旋转轴和球速。CaddieSet通过将人体关节信息与对应球的轨迹联系起来，为高尔夫挥杆分析提供了新的见解，并为高尔夫爱好者提供了个性化挥杆反馈。

CaddieSet is a swing dataset containing human joint features and ball information, aiming to improve the hitting accuracy of golfers. This dataset splits individual swing videos into eight swing phases, and extracts joint information using computer vision methods. Additionally, based on professional golf domain knowledge, 15 key indicators affecting golf swings are defined, enabling the explanation of swing outcomes via swing-related features. CaddieSet comprises 924 swing videos, including 613 driver swings, 23 3-wood swings, and 288 iron swings. The ball information in the dataset includes club type, flight distance, left-right distance, direction angle, rotation axis, and ball speed. By correlating human joint information with the corresponding ball trajectories, CaddieSet provides new insights for golf swing analysis and delivers personalized swing feedback for golf enthusiasts.

原始信息汇总

CaddieSet 数据集概述

数据集来源

CaddieSet 是论文《CaddieSet: A Human-Joint Feature Dataset for Golf Swing Analysis》的官方数据集，用于高尔夫挥杆分析研究。

数据集内容

数据采集

• 采集了8名不同高尔夫技能水平个体的挥杆视频和球飞行估计数据，使用基于摄像头的发射监测器。
• 包含1,757次击球数据，其中924次为FACEON视角，833次为DTL视角。

数据字段

球飞行信息

• View：视频视角（如FACEON - 正面，DTL - 下沿线）
• ClubType：高尔夫球杆类型（如W1 - 木杆1/发球杆，I7 - 铁杆7）
• Distance：球飞行总距离
• Carry：球携带距离
• LrDistanceOut：面内距离输出
• DirectionAngle：球的方向角度
• SpinBack：球的后旋
• SpinSide：球的侧旋
• SpinAxis：球旋转时的轴
• BallSpeed：球速
• GolferId：高尔夫球手标识

挥杆姿态特征

通过计算机视觉模型自动提取高尔夫挥杆序列八个事件中的关节信息，基于高尔夫专家领域知识从关节值生成重要特征：

• SHOULDER-ANGLE：肩部相对于水平的角度
• UPPER-TILT：下半身与上半身比例
• STANCE-RATIO：肩宽与步幅长度比
• HEAD-LOC：头部相对于Address位置的移动
• SHOULDER-LOC：左肩在步幅宽度内的位置
• LEFT-ARM-ANGLE：左肩、肘部和手腕形成的角度
• RIGHT-ARM-ANGLE：右肩、肘部和手腕形成的角度
• HIP-ROTATION：骨盆相对于Address位置的旋转程度
• HIP-SHIFTED：髋部相对于Address位置的移动
• RIGHT-LEG-ANGLE：右髋、膝和踝形成的角度
• SHOULDER-HANGING-BACK：左踝与左肩相对距离与步幅长度比
• HIP-HANGING-BACK：左踝与左髋相对距离与步幅长度比
• RIGHT-ARMPIT-ANGLE：右肘、肩和骨盆形成的角度
• WEIGHT-SHIFT：连接左踝与左骨盆的线形成的角度
• FINISH-ANGLE：连接左踝与右髋的线形成的角度
• SPINE-ANGLE：脊柱相对于水平的角度
• LOWER-ANGLE：右骨盆、膝和踝形成的角度
• HIP-LINE：髋部相对于Address位置的移动
• HIP-ANGLE：骨盆相对于Address位置的旋转程度
• RIGHT-DISTANCE：右肘与躯干的间隙
• LEFT-LEG-ANGLE：左骨盆、膝和踝形成的角度

应用领域

该数据集适用于体育科学领域的研究和分析，特别是高尔夫挥杆力学方面的研究。

引用信息

使用本数据集或发现相关工作与您的研究相关时，请引用原始论文。

搜集汇总

数据集介绍

构建方式

在高尔夫运动分析领域，CaddieSet数据集的构建采用了系统化的多模态采集流程。通过基于摄像头的发射监测器同步捕获挥杆视频与球轨迹数据，利用计算机视觉模型自动提取挥杆序列八个关键事件中的人体关节点坐标。基于高尔夫领域专家知识，从关节点数据中衍生出15项核心挥杆指标，最终形成包含924次击球样本的配对数据集，涵盖不同球杆类型与击球结果。

特点

该数据集的显著特征在于首次实现了人体关节运动与球飞行参数的精准关联。其包含的15项专业挥杆指标（如肩部角度、重心转移比率等）均基于运动生物力学原理设计，能够量化分析挥杆姿态对球速、旋转轴和方向角的影响。数据集覆盖多样化的击球模式（如左曲球、右曲球等），且所有关节坐标均经过标准化处理，确保了跨样本的可比性与分析可靠性。

使用方法

该数据集适用于高尔夫挥杆分析的多元研究场景。研究者可基于关节特征训练可解释机器学习模型（如神经加法模型），预测击球轨迹参数并提供个性化挥杆改进建议。实际应用中，可通过对比特定关节指标与理想值的偏差生成量化反馈，例如调整头部位置或肩部角度以优化击球方向。数据集支持端到端的分析流程，从原始视频提取到性能评估，为学术研究与训练应用提供完整基准。

背景与挑战

背景概述

CaddieSet是由韩国东国大学、Kimcaddie公司及中央大学研究团队于2025年联合推出的高尔夫挥杆运动分析数据集。该数据集针对高尔夫运动生物力学与球体轨迹的量化关联问题，通过计算机视觉技术从正面视角挥杆视频中提取人体17个关节点坐标，并同步采集击球数据（包括球速、旋转轴与方向角等参数）。基于专业高尔夫领域知识定义了15项关键运动指标，覆盖挥杆八个阶段的动力学特征。该数据集填补了挥杆姿态与球体运动轨迹关联数据的空白，为人工智能驱动的运动表现分析提供了跨学科研究基础。

当前挑战

该数据集致力于解决高尔夫挥杆运动分析中姿态与球轨迹量化关联的核心挑战，包括多阶段挥杆序列的时序分割精度、关节点坐标与物理参数的映射一致性，以及环境变量对数据采集的干扰。构建过程中需克服高速运动下的视觉捕捉稳定性、多传感器数据同步技术瓶颈，以及专业领域知识到计算特征的转化复杂性。此外，需确保不同技能水平运动员数据分布的多样性，以支持泛化性模型训练。

常用场景

经典使用场景

CaddieSet作为高尔夫挥杆分析领域的创新数据集，其经典使用场景聚焦于通过计算机视觉技术提取人体关节坐标与球轨迹信息的关联分析。该数据集将挥杆视频分割为八个关键阶段，并基于专业高尔夫知识定义了15项核心指标，为研究挥杆姿态与球飞行参数的定量关系提供了标准化数据基础。研究者可借助该数据集构建深度学习模型，精确预测击球方向角、旋转轴和球速等关键参数，推动高尔夫运动分析的智能化发展。

实际应用

在实际应用层面，CaddieSet为高尔夫运动员和教练提供了精准的技术改进方案。通过可解释性模型如神经加法模型（NAM），系统能够量化分析特定关节特征对击球效果的影响，例如肩部角度对旋转轴的控制或站姿比例对球速的贡献。职业选手可依据模型反馈调整头部稳定性或肩部旋转角度，业余爱好者则能通过个性化指导纠正常见错误动作。高尔夫培训机构可基于该数据集开发智能教学系统，实现传统教练经验与数据驱动分析的有机结合。

衍生相关工作

该数据集衍生出多项经典研究工作，主要包括基于可解释人工智能的挥杆分析框架和多模态数据融合模型。研究者利用CaddieSet的关节特征开发了神经加法模型，首次实现了对挥杆特征与球轨迹非线性关系的定量解析。此外，结合Face-On与Down-the-Line双视角数据的工作扩展了三维挥杆分析维度。部分研究还探索了将Vision Transformer等视觉模型与传统机器学习方法结合的多模态基准，为高尔夫动作识别与效果预测建立了新的技术范式。