Data / ML Gotowy

Klasyfikator poprawności ćwiczeń

Projekt ML analizujący poprawność ruchu na podstawie detekcji pozy ciała.

Computer VisionMLPraca inżynierskaAnaliza ruchu

Mam podobny proces

W skrócie

Problem

Osoba ćwicząca samodzielnie często nie wie, czy wykonuje ruch poprawnie.

Rozwiązanie

Model analizuje punkty sylwetki z nagrania i klasyfikuje poprawność wykonania ćwiczenia.

Efekt

Praktyczne połączenie computer vision, przetwarzania danych i klasyfikacji ML.

Opis projektu

Co zostało zrobione?

Projekt zrealizowany jako praca inżynierska, skoncentrowany na analizie poprawności wykonywania ćwiczeń fizycznych. Rozwiązanie wykorzystuje detekcję pozy ciała i model klasyfikacyjny do oceny jakości wykonywanych powtórzeń.

Proces

Jak działa rozwiązanie?

System analizuje nagranie osoby wykonującej ćwiczenie.

MediaPipe wykrywa punkty charakterystyczne sylwetki.

Dane z ruchu są przetwarzane do formy wejściowej dla modelu.

Model Random Forest klasyfikuje poprawność wykonania.

Zakres

Co zostało zautomatyzowane?

Detekcja pozy ciała z nagrania.
Ekstrakcja cech ruchu.
Przygotowanie danych do modelu ML.
Klasyfikacja poprawności powtórzeń.

Dla kogo

Kiedy podobne rozwiązanie ma sens?

Projekty z obszaru computer vision.
Aplikacje sportowe i health-tech.
Systemy analizujące obraz lub ruch.
Prototypy ML oparte o dane wizualne.

Technologie

Użyte narzędzia

PythonMediaPipe PoseRandom ForestComputer VisionML

Podobny problem?

Masz proces, który nadal żyje w Excelu, mailach albo ręcznym przeklejaniu danych?

Opisz krótko, co dziś zabiera czas. Sprawdzę, czy da się to zamienić w proste narzędzie, automatyzację albo mały system dla firmy.

Opisz swój proces