AI FinessTrainer
1.0.0
In der heutigen Welt wird ein gesunder Lebensstil immer wichtiger und damit auch das Interesse an sportlichen Aktivitäten. Allerdings kann es für viele Menschen eine herausfordernde Aufgabe sein, Erfahrungen und Wissen in diesem Bereich zu sammeln. In diesem Zusammenhang wird der Einsatz künstlicher Intelligenz (KI) im Sportbereich zu einem Schlüsselelement für erfolgreiches Training, Analyse und Entwicklung von Sportmannschaften und Einzelsportlern.
Dieses Repository bietet eine Reihe von Tools, mit denen Sie Ihre Technik für die folgenden Übungen verbessern können: Frontkniebeugen, Liegestütze mit breiten Armen, Bizeps-Liegestütze, umgekehrte Liegestütze . Dieser intelligente Assistent analysiert Ihre Technik in Echtzeit, bewertet Ihre Haltung anhand eines KI-Modells (yolov8-pose) und gibt Ihnen Feedback zu Ihrer Form.
Außerdem wurde ein Zähler für korrekt absolvierte Sätze und sogenannte Versuche, die Übung korrekt auszuführen, hinzugefügt. Dies wird Ihnen helfen, Ihre Trainingsstatistiken besser zu verstehen.
Dieses Projekt verwendet ein trainiertes YOLOv8m-Pose-Modell. Sie können jedoch die Gewichte von zwei anderen trainierten Modellen verwenden: YOLOv8n-pose und YOLOv8s-pose, die sich jeweils in den Ordnern models/yolo und models/yolo2 befinden. Diese Ergebnisse sind jedoch schlechter als bei YOLOv8m-pose.
Bei diesen Modellen handelt es sich um Posenerkennungsmodelle, die anhand von COCO-Pose-typisierten Daten trainiert werden. Dieser Datensatz umfasst 17 Schlüsselpunkte. Zur Verdeutlichung finden Sie unten ein Markup-Bild.
Weitere Informationen zum Datensatz finden Sie hier: COCO-Human-Pose und Ultralytics: COCO-Pose Dataset.
Klon-Repository.
git clone https://github.com/KKopilka/AI-FinessTrainer.git
Installieren Sie die Anforderungen.
pip install -r requirements.txt
Führen Sie das Skript aus.
python manual.py <exercise_name>
Es ist möglich, das Projekt mit Streamlit auszuführen.
streamlit run app/live.py
Wenn Sie das Projekt über Docker ausführen möchten. Dokumentation Stellen Sie Streamlit mit Docker bereit.
docker build -t streamlit .
docker-compose up -d
Trainieren Sie ein Modell für die Schätzung der menschlichen Pose.
Integration des Modells in das Projekt, Bearbeitung der Eckpunkte.
Fügen Sie Übungen für die wichtigsten Muskelgruppen hinzu.
Fügen Sie einen Zähler für Annäherungen und Versuche hinzu.
Lokal oder über einen Browser ausführen (Streamlit).
Start über Docker.
Bei diesem Projekt handelt es sich noch nicht um eine vollständig abgeschlossene Version, daher kann es noch finalisiert werden.
Hier sind einige Ideen, wie Sie dieses Projekt verbessern können:
Fügen Sie weitere Übungen hinzu.
Fügen Sie dem Programm weitere Statistiken hinzu.
Fügen Sie eine Web-/mobile App hinzu.
Fügen Sie eine Tonbegleitung hinzu.
Konvertieren Sie das Projekt in eine EXE-Datei.
