AI FinessTrainer
1.0.0
Dans le monde d'aujourd'hui, un mode de vie sain devient de plus en plus pertinent et, avec lui, l'intérêt pour les activités sportives augmente. Cependant, acquérir de l’expérience et des connaissances dans ce domaine peut s’avérer une tâche difficile pour de nombreuses personnes. Dans ce contexte, l’application de l’intelligence artificielle (IA) dans le secteur du sport devient un élément clé d’une formation, d’une analyse et d’un développement réussis des équipes sportives et des athlètes individuels.
Ce référentiel fournit un ensemble d'outils pour vous aider à améliorer votre technique pour les exercices suivants : squats avant, pompes à bras larges, pompes biceps, pompes inversées . Cet assistant intelligent analyse votre technique en temps réel, évalue votre posture à l'aide d'un modèle d'IA (yolov8-pose) et vous donne un retour sur votre forme.
Un compteur pour les séries correctement terminées et les soi-disant tentatives d'exécution correcte de l'exercice a également été ajouté. Cela vous aidera à mieux comprendre vos statistiques d’exercice.
Ce projet utilise un modèle YOLOv8m-pose formé. Cependant, vous pouvez utiliser les poids de 2 autres modèles entraînés : YOLOv8n-pose et YOLOv8s-pose situés respectivement dans les dossiers models/yolo et models/yolo2 , mais ces résultats sont pires que YOLOv8m-pose.
Ces modèles sont des modèles de détection de pose qui sont formés sur des données typées COCO-pose. Cet ensemble de données comprend 17 points clés. Pour plus de clarté, vous trouverez ci-dessous une image de balisage.
Plus d’informations sur l’ensemble de données peuvent être trouvées ici : COCO-Human-Pose et Ultralytics : COCO-Pose Dataset.
Cloner le référentiel.
git clone https://github.com/KKopilka/AI-FinessTrainer.git
Installez les exigences.
pip install -r requirements.txt
Exécutez le script.
python manual.py
Il est possible d'exécuter le projet avec streamlit.
streamlit run app/live.py
Si vous souhaitez exécuter le projet via docker. Documentation Déployez Streamlit à l'aide de Docker.
docker build -t streamlit .
docker-compose up -d
Entraînez un modèle pour l’estimation de la pose humaine.
Intégration de la maquette dans le projet, traitement des points clés.
Ajoutez des exercices pour les principaux groupes musculaires.
Ajoutez un compteur pour les approches et les tentatives.
Exécutez localement ou via un navigateur (streamlit).
Lancement via Docker.
Ce projet n'est pas une version entièrement terminée, il peut donc encore être finalisé.
Voici quelques idées sur la façon d’améliorer ce projet :
Ajoutez plus d'exercices.
Ajoutez plus de statistiques au programme.
Ajoutez une application Web/mobile.
Ajoutez un accompagnement sonore.
Convertissez le projet en fichier .exe.
