AI FinessTrainer
1.0.0
No mundo atual, um estilo de vida saudável torna-se cada vez mais relevante e, com ele, cresce o interesse pelas atividades desportivas. No entanto, ganhar experiência e conhecimento nesta área pode ser uma tarefa desafiadora para muitas pessoas. Neste contexto, a aplicação da inteligência artificial (IA) no sector desportivo torna-se um elemento chave para o sucesso do treino, análise e desenvolvimento de equipas desportivas e atletas individuais.
Este repositório fornece um conjunto de ferramentas para ajudá-lo a melhorar sua técnica para os seguintes exercícios: agachamentos frontais, flexões de braços abertos, flexões de bíceps, flexões reversas . Este assistente inteligente analisa sua técnica em tempo real, avalia sua postura usando um modelo de IA (yolov8-pose) e fornece feedback sobre sua forma.
Também foi adicionado um contador para séries concluídas corretamente e as chamadas tentativas de realizar o exercício corretamente. Isso o ajudará a entender melhor as estatísticas do seu exercício.
Este projeto usa um modelo treinado de pose YOLOv8m. No entanto, você pode usar os pesos de 2 outros modelos treinados: YOLOv8n-pose e YOLOv8s-pose localizados nas pastas models/yolo e models/yolo2 respectivamente, mas esses resultados são piores que YOLOv8m-pose.
Esses modelos são modelos de detecção de pose treinados em dados digitados por pose COCO. Este conjunto de dados inclui 17 pontos-chave. Para maior clareza, abaixo está uma imagem de marcação.
Mais informações sobre o conjunto de dados podem ser encontradas aqui: COCO-Human-Pose e Ultralytics: COCO-Pose Dataset.
Clonar repositório.
git clone https://github.com/KKopilka/AI-FinessTrainer.git
Instale os requisitos.
pip install -r requirements.txt
Execute o script.
python manual.py
É possível executar o projeto com streamlit.
streamlit run app/live.py
Se você quiser executar o projeto através do docker. Documentação Implante o Streamlit usando Docker.
docker build -t streamlit .
docker-compose up -d
Treine um modelo para estimativa de pose humana.
Integração do modelo no projeto, processamento de pontos-chave.
Adicione exercícios para os principais grupos musculares.
Adicione um contador para abordagens e tentativas.
Execute localmente ou através de um navegador (streamlit).
Iniciando via Docker.
Este projeto não é uma versão totalmente finalizada, portanto ainda pode ser finalizado.
Aqui estão algumas idéias sobre como melhorar este projeto:
Adicione mais exercícios.
Adicione mais estatísticas ao programa.
Adicione um aplicativo web/móvel.
Adicione acompanhamento sonoro.
Converta o projeto em um arquivo .exe.
