GUIDA AI visiva

Come controllare il modulo di allenamento con l'intelligenza artificiale

Le app di controllo dei moduli basate sull'intelligenza artificiale utilizzano la stima della posa: un modello di visione artificiale trova punti come spalle, fianchi, ginocchia e caviglie in ogni fotogramma video e misura gli angoli articolari per giudicare cose come la profondità dello squat, il ritmo e la simmetria.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina4 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro di come controllare il modulo di allenamento con l'intelligenza artificiale
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

Forniscono feedback utili ed economici su errori evidenti. Ma una singola telecamera non riesce a cogliere la profondità, la posizione della colonna vertebrale e il rinforzo, quindi il dolore, la riabilitazione o il sollevamento di carichi pesanti richiedono comunque l'intervento di un allenatore o fisioterapista qualificato.

Immersione profonda

Pose estimation is the core technology. A neural network looks at each video frame and outputs coordinates for body landmarks, called keypoints. OpenPose, released by Carnegie Mellon researchers in 2017, made real-time multi-person pose estimation widely available. Google's MediaPipe Pose tracks 33 landmarks, and MoveNet predicts 17 keypoints in the common COCO format. Apple's Vision framework also includes body pose detection. Form apps build on models like these. They connect the keypoints into a stick figure, calculate angles at the knee, hip and elbow, and compare them against thresholds, such as whether the hip dropped below the knee. This works well for things a camera can see clearly: squat depth from the side, rep counts, tempo, left-right differences, and big errors like half-range push-ups. It works poorly for others. A single camera produces a flat image, so movement toward or away from the lens is hard to measure. Knees caving inward are nearly invisible from the side, while depth is hard to judge from the front. Small changes in spine position, bracing, breathing, pressure through the feet and grip are mostly invisible. Bar path needs separate object tracking. Loose clothing, a squat rack or plates blocking the view, poor lighting and fast movements all make keypoints less accurate. The main misconception is that an app saying 'good form' means the lift is safe. The thresholds are generic, and people's bodies differ. A lifter with long thigh bones may need more forward lean to squat well, and ankle mobility changes what works. The app does not know your injury history or how heavy the weight feels. For better results, set the camera on a stable surface at about hip height, keep your whole body in frame, and film from the side and the front. See a coach when you feel pain, when you are learning heavy barbell lifts, during rehab, or when you stop making progress.

Implementazione nel mondo reale

Un atleta domestico filma gli squat di lato con il telefono all'altezza dei fianchi. L'app riporta che i loro fianchi si fermano sopra il livello del ginocchio nella maggior parte delle ripetizioni, quindi lavorano per raggiungere la profondità con un peso più leggero.

L'app di un atleta dice che i loro squat sembrano a posto, ma quando filmano dalla parte anteriore le loro ginocchia chiaramente cedono verso l'interno. Questo è un problema che la vista laterale non può mostrare.

Un principiante utilizza il contatore delle ripetizioni di un'app durante le flessioni e nota che mancano le ripetizioni quando la felpa con cappuccio ampia nasconde i gomiti. Passano a un piano attrezzato e a una migliore illuminazione.

Qualcuno che ritorna da un infortunio alla schiena utilizza un'app per contare le ripetizioni tra una visita e l'altra di fisioterapia. Lasciano che sia il terapista, non l’app, a decidere quando aggiungere peso.

Il futuro di come controllare il modulo di allenamento con l'intelligenza artificiale

I modelli di posa continuano a diventare sempre più precisi ed efficienti da poter essere eseguiti sui telefoni e la combinazione di video con altri dati, come sensori di profondità o sensori di movimento indossabili, può aiutare con ciò che una singola fotocamera non può vedere. Sono ancora necessarie prove migliori per stabilire se il feedback dell’app riduca effettivamente gli infortuni o migliori la tecnica. È ragionevole aspettarsi che le app gestiscano più esercizi e spieghino il loro feedback in modo più chiaro. È meno ragionevole aspettarsi che sostituiscano un professionista qualificato che può osservare i tuoi movimenti da ogni angolazione, chiedere informazioni sul dolore e adattare il piano.

Metterlo in pratica

Perché è importante

  • Velocità e scala. L’intelligenza artificiale visiva può automatizzare le attività di ispezione, rilevamento ed etichettatura su larga scala.
  • Scelte di build. I team creativi possono prototipare i concetti più velocemente con meno revisioni manuali.
  • Team e flusso di lavoro. Le operazioni possono utilizzare segnali immagine e video che in precedenza erano difficili da elaborare.

Attenzione

  • I diritti di immagine e il consenso possono diventare rischi legali se la provenienza non è chiara.
  • Le prestazioni del modello possono variare in base all'illuminazione, ai dati demografici e agli ambienti.
  • I falsi positivi possono passare inosservati a meno che non vengano monitorate le soglie di confidenza.

Prossimi passi

  1. Definire i criteri di accettazione per i costi di precisione, richiamo ed errore.
  2. Testare con dati che corrispondono alle reali condizioni di produzione.
  3. Aggiungi la revisione umana per previsioni poco attendibili o ad alto impatto.
  4. Tieni traccia della deriva del modello e riconvalida dopo le modifiche alla fotocamera o al set di dati.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Rispondi al quiz Come controllare il modulo degli esercizi con l'intelligenza artificiale

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Che cos'è come controllare il modulo di allenamento con l'intelligenza artificiale?

Le app di controllo dei moduli basate sull'intelligenza artificiale utilizzano la stima della posa: un modello di visione artificiale trova punti come spalle, fianchi, ginocchia e caviglie in ogni fotogramma video e misura gli angoli articolari per giudicare cose come la profondità dello squat, il ritmo e la simmetria. Forniscono feedback utili ed economici su errori evidenti. Ma una singola telecamera non riesce a cogliere la profondità, la posizione della colonna vertebrale e il rinforzo, quindi il dolore, la riabilitazione o il sollevamento di carichi pesanti richiedono comunque l'intervento di un allenatore o fisioterapista qualificato.

Cosa restituisce un modello di stima della posa per ciascun fotogramma video?

I modelli in posa trovano punti chiave come spalle, fianchi, ginocchia e caviglie. Le app quindi li collegano e misurano gli angoli.

Quanti punti di riferimento traccia MediaPipe Pose di Google, secondo la guida?

MediaPipe Pose tiene traccia di 33 punti di riferimento. MoveNet prevede 17 punti chiave nel formato COCO.

Perché un'app che filma lateralmente potrebbe non vedere le ginocchia che cedono verso l'interno?

Una singola fotocamera fornisce un'immagine piatta, quindi il movimento verso o lontano dall'obiettivo è difficile da vedere. È necessaria una visione frontale.

Quale problema, secondo la guida, è per lo più invisibile a un'app con fotocamera singola?

Fattori interni come il rinforzo, la respirazione e la pressione del piede, insieme a piccoli cambiamenti nella posizione della colonna vertebrale, non possono essere visualizzati in modo affidabile nei punti chiave del video.

Perché la guida dice che la "buona forma" di un'app non garantisce la sicurezza?

Le soglie generiche non possono tenere conto dei singoli corpi, della storia di infortuni o del peso percepito dal peso.