AI FinessTrainer
1.0.0
En el mundo actual, un estilo de vida saludable cobra cada vez más relevancia y, con él, crece el interés por las actividades deportivas. Sin embargo, adquirir experiencia y conocimientos en este campo puede ser una tarea desafiante para muchas personas. En este contexto, la aplicación de la inteligencia artificial (IA) en el sector deportivo se convierte en un elemento clave para el éxito del entrenamiento, análisis y desarrollo de equipos deportivos y deportistas individuales.
Este repositorio proporciona un conjunto de herramientas que te ayudarán a mejorar tu técnica para los siguientes ejercicios: sentadillas frontales, flexiones de brazos abiertos, flexiones de bíceps, flexiones inversas . Este asistente inteligente analiza tu técnica en tiempo real, evalúa tu postura utilizando un modelo de IA (yolov8-pose) y te brinda comentarios sobre tu forma.
También se ha añadido un contador de series completadas correctamente y los llamados intentos de realizar el ejercicio correctamente. Esto le ayudará a comprender mejor sus estadísticas de ejercicio.
Este proyecto utiliza un modelo de pose YOLOv8m entrenado. Sin embargo, puede usar los pesos de otros 2 modelos entrenados: YOLOv8n-pose y YOLOv8s-pose ubicados en las carpetas models/yolo y models/yolo2 respectivamente, pero estos resultados son peores que los de YOLOv8m-pose.
Estos modelos son modelos de detección de pose que se entrenan con datos escritos en pose COCO. Este conjunto de datos incluye 17 puntos clave. Para mayor claridad, a continuación se muestra una imagen de marcado.
Puede encontrar más información sobre el conjunto de datos aquí: COCO-Human-Pose and Ultralytics: COCO-Pose Dataset.
Clonar repositorio.
git clone https://github.com/KKopilka/AI-FinessTrainer.git
Instale los requisitos.
pip install -r requirements.txt
Ejecute el script.
python manual.py
Es posible ejecutar el proyecto con streamlit.
streamlit run app/live.py
Si desea ejecutar el proyecto a través de Docker. Documentación Implemente Streamlit usando Docker.
docker build -t streamlit .
docker-compose up -d
Entrene un modelo para la estimación de la pose humana.
Integración del modelo en el proyecto, procesamiento de puntos clave.
Agregue ejercicios para los principales grupos de músculos.
Añade un contador de aproximaciones e intentos.
Ejecutar localmente o a través de un navegador (streamlit).
Lanzamiento a través de Docker.
Este proyecto no es una versión completamente terminada, por lo que aún se puede finalizar.
A continuación se presentan algunas ideas sobre cómo mejorar este proyecto:
Añade más ejercicios.
Añade más estadísticas al programa.
Agregue una aplicación web/móvil.
Añade acompañamiento sonoro.
Convierta el proyecto a un archivo .exe.
