AI FinessTrainer
1.0.0
Di dunia sekarang ini, gaya hidup sehat menjadi semakin relevan, dan seiring dengan itu, minat terhadap aktivitas olahraga pun semakin meningkat. Namun, mendapatkan pengalaman dan pengetahuan di bidang ini dapat menjadi tugas yang menantang bagi banyak orang. Dalam konteks ini, penerapan kecerdasan buatan (AI) di bidang olahraga menjadi elemen kunci keberhasilan pelatihan, analisis, dan pengembangan tim olahraga dan individu atlet.
Repositori ini menyediakan seperangkat alat untuk membantu Anda meningkatkan teknik latihan berikut: squat depan, push-up lengan lebar, push-up bisep, push-up terbalik . Asisten cerdas ini menganalisis teknik Anda secara real time, mengevaluasi postur Anda menggunakan model AI (pose yolov8) dan memberi Anda umpan balik pada formulir Anda.
Penghitung untuk set yang diselesaikan dengan benar dan apa yang disebut upaya untuk melakukan latihan dengan benar juga telah ditambahkan. Ini akan membantu Anda lebih memahami statistik olahraga Anda.
Proyek ini menggunakan model pose YOLOv8m yang terlatih. Namun, Anda dapat menggunakan bobot dari 2 model terlatih lainnya: YOLOv8n-pose dan YOLOv8s-pose yang masing-masing terletak di folder models/yolo dan models/yolo2 , tetapi hasil ini lebih buruk daripada pose YOLOv8m.
Model ini adalah model deteksi pose yang dilatih pada data tipe pose COCO. Kumpulan data ini mencakup 17 titik kunci. Untuk lebih jelasnya, di bawah ini adalah gambar markup.
Informasi selengkapnya tentang kumpulan data dapat ditemukan di sini: COCO-Pose Manusia dan Ultralitik: Kumpulan Data COCO-Pose.
Repositori kloning.
git clone https://github.com/KKopilka/AI-FinessTrainer.git
Instal persyaratannya.
pip install -r requirements.txt
Jalankan skripnya.
python manual.py
Dimungkinkan untuk menjalankan proyek dengan streamlit.
streamlit run app/live.py
Jika Anda ingin menjalankan proyek melalui buruh pelabuhan. Dokumentasi Terapkan Streamlit menggunakan Docker.
docker build -t streamlit .
docker-compose up -d
Latih model untuk estimasi pose manusia.
Integrasi model ke dalam proyek, pemrosesan poin-poin penting.
Tambahkan latihan untuk kelompok otot utama.
Tambahkan penghitung untuk pendekatan dan upaya.
Jalankan secara lokal atau melalui browser (streamlit).
Peluncuran melalui Docker.
Proyek ini belum sepenuhnya selesai, sehingga masih dapat diselesaikan.
Berikut beberapa ide tentang cara meningkatkan proyek ini adalah sebagai berikut:
Tambahkan lebih banyak latihan.
Tambahkan lebih banyak statistik ke program.
Tambahkan aplikasi web/seluler.
Tambahkan iringan suara.
Konversikan proyek menjadi file .exe.
