หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

AI-FitnessTrainer โดยใช้ YOLOv8-pose ⁉️

ai_trainer

ในโลกปัจจุบัน วิถีชีวิตที่มีสุขภาพดีมีความเกี่ยวข้องกันมากขึ้น และด้วยเหตุนี้ ความสนใจในกิจกรรมกีฬาจึงเพิ่มมากขึ้น อย่างไรก็ตาม การได้รับประสบการณ์และความรู้ในสาขานี้อาจเป็นงานที่ท้าทายสำหรับหลายๆ คน ในบริบทนี้ การประยุกต์ใช้ปัญญาประดิษฐ์ (AI) ในภาคกีฬากลายเป็นองค์ประกอบสำคัญของการฝึกอบรม การวิเคราะห์ และการพัฒนาทีมกีฬาและนักกีฬาส่วนบุคคลที่ประสบความสำเร็จ

พื้นที่เก็บข้อมูลนี้มีชุดเครื่องมือที่จะช่วยคุณปรับปรุงเทคนิคสำหรับการออกกำลังกายต่อไปนี้: สควอทหน้า วิดพื้นแขนกว้าง วิดพื้นไบเซพส์ วิดพื้นแบบถอยหลัง ผู้ช่วยอัจฉริยะนี้จะวิเคราะห์เทคนิคของคุณแบบเรียลไทม์ ประเมินท่าทางของคุณโดยใช้แบบจำลอง AI (ท่า yolov8) และให้ข้อเสนอแนะเกี่ยวกับแบบฟอร์มของคุณ

ตัวนับสำหรับเซ็ตที่ทำสำเร็จอย่างถูกต้องและสิ่งที่เรียกว่าความพยายามในการฝึกอย่างถูกต้องก็ถูกเพิ่มเข้ามาด้วย สิ่งนี้จะช่วยให้คุณเข้าใจสถิติการออกกำลังกายของคุณดีขึ้น

เกี่ยวกับแบบจำลองการประมาณค่าท่าทางและชุดข้อมูลที่ใช้

โปรเจ็กต์นี้ใช้โมเดลท่า YOLOv8m ที่ผ่านการฝึกอบรมแล้ว อย่างไรก็ตาม คุณสามารถใช้น้ำหนักของโมเดลที่ได้รับการฝึกอีก 2 โมเดล: YOLOv8n-pose และ YOLOv8s-pose ซึ่งอยู่ในโฟลเดอร์ models/yolo และ models/yolo2 ตามลำดับ แต่ผลลัพธ์เหล่านี้แย่กว่า YOLOv8m-pose

โมเดลเหล่านี้เป็นโมเดลการตรวจจับท่าทางที่ได้รับการฝึกฝนเกี่ยวกับข้อมูลประเภท COCO-pose ชุดข้อมูลนี้ประกอบด้วยจุดสำคัญ 17 จุด เพื่อความชัดเจน ด้านล่างนี้คือรูปภาพมาร์กอัป

ท่าโกโก้

สามารถดูข้อมูลเพิ่มเติมเกี่ยวกับชุดข้อมูลได้ที่นี่: COCO-Human-Pose และ Ultralytics: COCO-Pose Dataset

วิธีใช้

  1. พื้นที่เก็บข้อมูลโคลน 

git clone https://github.com/KKopilka/AI-FinessTrainer.git

  1. ติดตั้งข้อกำหนด 

pip install -r requirements.txt

  1. เรียกใช้สคริปต์ 

python manual.py 

  1. สามารถรันโปรเจ็กต์ด้วย streamlit ได้ 

streamlit run app/live.py

  1. หากคุณต้องการรันโปรเจ็กต์ผ่านนักเทียบท่า เอกสารประกอบ ปรับใช้ Streamlit โดยใช้ Docker 

docker build -t streamlit .
docker-compose up -d

แผนงานโครงการ

  • ฝึกแบบจำลองสำหรับการประมาณท่าทางของมนุษย์

  • การบูรณาการแบบจำลองเข้ากับโครงการ การประมวลผลประเด็นสำคัญ

  • เพิ่มการออกกำลังกายสำหรับกลุ่มกล้ามเนื้อหลัก

  • เพิ่มตัวนับสำหรับแนวทางและความพยายาม

  • ทำงานภายในเครื่องหรือผ่านเบราว์เซอร์ (streamlit)

  • เปิดตัวผ่าน Docker

ความคิดบางอย่าง

โปรเจ็กต์นี้ไม่ใช่เวอร์ชันที่เสร็จสมบูรณ์อย่างสมบูรณ์ ดังนั้นจึงยังสามารถสรุปได้

ต่อไปนี้เป็นแนวคิดบางประการเกี่ยวกับวิธีปรับปรุงโครงการนี้มีดังนี้:

  • เพิ่มแบบฝึกหัดเพิ่มเติม

  • เพิ่มสถิติเพิ่มเติมให้กับโปรแกรม

  • เพิ่มเว็บ/แอปมือถือ

  • เพิ่มเสียงประกอบ

  • แปลงโครงการเป็นไฟล์ .exe

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด