Virtualni osebni fitnes trener in prepoznavanje vadbene dejavnosti z uporabo umetne inteligenceDimitrievska, Mihaela (Avtor) Logar, Vito (Mentor) Tomažič, Simon (Komentor) prepoznavanje položajaumetna inteligencagloboko učenjestrojno učenjenevronske mrežekonvolucijske nevronske mrežedolgoročni kratkoročni spominYOLOv7MediaPipeTelesna pripravljenost je ključni vidik posameznikovega dobrega počutja, saj vpliva na kardiopulmonalno zmogljivost, kognitivne sposobnosti, preprečevanje debelosti in zmanjšanje tveganja za smrtnost. Ta diplomska naloga raziskuje prepoznavanje in sledenje vadbe v realnem času za izboljšanje vadbene izkušnje, saj zagotavlja takojšnje povratne informacije s prepoznavanjem in štetjem ponovitev. Ta pristop optimizira učinkovitost vadbe in zmanjša tveganje poškodb zaradi nepravilne drže ali tehnike, kar posameznike motivira, da premaknejo svoje meje, in izboljša zavzetost pri vadbi v fitnesu. Pametni telefoni in sledilniki telesne pripravljenosti sicer omogočajo sledenje dejavnosti, vendar pogosto težko zanesljivo prepoznajo različne vaje in povzročajo velike stroške. Zato je umetna inteligenca postala ključnega pomena in je prodrla v različne panoge, vključno s fitnesom. V tem kontekstu je postalo pomembno prepoznavanje položaja človeka, ki je ključni vidik raziskav računalniškega vida. V tem diplomskem delu sta predstavljeni dve metodi za prepoznavanje položaja telesa, YOLOv7 in MediaPipe, ter opravljena primerjalna analiza med njima na podlagi nazornih primerov. Nato se posvetimo izgradnji modela strojnega učenja za virtualni osebni fitnes sistem. Ta sistem ima sposobnost prepoznavanja vaj in štetja ponovitev v realnem času z uporabo kamere. Na osnovi primerjave modelov smo se odločili za model MediaPipe za ocenjevanje položaja, uporabljamo knjižnico MediaPipe za ekstrakcijo ključnih točk in zbiranje podatkov, medtem ko TensorFlow poganja vidik strojnega učenja. Natančneje, za razvoj celotnega modela uporabljamo rekurentne nevronske mreže, zlasti dolgotrajni kratkoročni spomin, v programskem okolju Python. Vrhunec tega dela predstavljajo prepričljivi statistični podatki, ki prikazujejo impresivno 100-odstotno uspešnost klasifikacije.20242024-04-08 11:45:01Diplomsko delo/naloga155608VisID: 61224COBISS_ID: 191959555sl