在当今世界,健康的生活方式变得越来越重要,人们对体育活动的兴趣也随之增长。然而,对于许多人来说,获得该领域的经验和知识可能是一项具有挑战性的任务。在此背景下,人工智能(AI)在体育领域的应用成为运动队和运动员个人成功训练、分析和发展的关键要素。
该存储库提供了一组工具来帮助您提高以下练习的技术:前蹲、宽臂俯卧撑、二头肌俯卧撑、反向俯卧撑。这款智能助手实时分析您的技术,使用人工智能模型 (yolov8-pose) 评估您的姿势,并为您提供有关姿势的反馈。
还添加了正确完成组数和所谓正确执行练习的尝试的计数器。这将帮助您更好地了解您的锻炼统计数据。
该项目使用经过训练的 YOLOv8m-pose 模型。但是,您可以使用另外 2 个经过训练的模型的权重:分别位于models/yolo
和models/yolo2
文件夹中的 YOLOv8n-pose 和 YOLOv8s-pose,但这些结果比 YOLOv8m-pose 更差。
这些模型是在 COCO 姿势类型数据上训练的姿势检测模型。该数据集包括 17 个关键点。为了清楚起见,下面是一个标记图像。
有关该数据集的更多信息可以在此处找到:COCO-Human-Pose 和 Ultralytics:COCO-Pose 数据集。
克隆存储库。
git clone https://github.com/KKopilka/AI-FinessTrainer.git
安装要求。
pip install -r requirements.txt
运行脚本。
python manual.py
可以使用streamlit运行该项目。
streamlit run app/live.py
如果你想通过docker来运行项目。文档 使用 Docker 部署 Streamlit。
docker build -t streamlit .
docker-compose up -d
训练人体姿势估计模型。
将模型集成到项目中,处理关键点。
添加主要肌肉群的练习。
为接近和尝试添加计数器。
在本地运行或通过浏览器运行(streamlit)。
通过 Docker 启动。
该项目还不是完全完成的版本,因此仍然可以最终确定。
以下是关于如何改进该项目的一些想法:
添加更多练习。
向程序添加更多统计信息。
添加网络/移动应用程序。
添加声音伴奏。
将项目转换为 .exe 文件。