20.500.12556/RUL-185417 Analiza uporabnosti različnih klasifikacijskih tehnik za telesne položaje za mobilne aplikacije v realnem času Analysis of Usability of Different Classification Techniques for Body Poses for Real-Time Mobile Applications Pravilno izvedene vaje in natančno štetje ponovitev so ključni za varno domačo vadbo, a obstoječe rešitve temeljijo na markerjih ali računsko zahtevnih globokih modelih, ki na mobilnih napravah niso robustni in imajo visoko latenco. V magistrskem delu predstavljamo realno časovno klasifikacijo telesnih položajev brez markerjev z računsko učinkovitim klasifikatorjem k-najbližjih sosedov (k-NN) na normaliziranih vložitvah modela BlazePose, zanesljivo štetje ponovitev z glajenjem EMA in histerezo ter sprotno oceno kakovosti izvedbe vaje. Pristop je vgrajen v mobilno aplikacijo Fitness Devil za Android, ki ob izbranem času zaklene telefon, dokler uporabnik pred kamero ne opravi zahtevane vadbe. Razvoj je usmerjala uporabniška študija s 50 udeleženci, ekonomska analiza pa potrjuje vzdržnost projekta in možnost razširitve na podjetja. Correct exercise execution and accurate repetition counting are essential for safe home workouts, yet existing solutions rely on markers or computationally heavy deep models that are not robust on mobile devices and suffer from high latency. This thesis presents real-time, markerless bodypose classification with a lightweight k-nearest-neighbours (k-NN) classifier over normalized BlazePose embeddings, reliable repetition counting via EMA smoothing and hysteresis, and an on-the-fly assessment of execution quality. The approach is embedded in Fitness Devil, an Android application that, at a chosen time, locks the phone until the user completes a camera-verified workout. Development was guided by a 50-participant user study, and an economic analysis confirms the project’s viability and its potential for business (B2B) expansion. računalniški vid strojno učenje k-NN prepoznavanje telesnih poz MediaPipe štetje ponovitev validacija vaj mobilne aplikacije v realnem času computer vision machine learning k-NN body pose recognition MediaPipe repetition counting exercise validation real-time mobile applications true false false Slovenski jezik Angleški jezik Magistrsko delo 2026-08-04 12:40:08 2026-08-04 12:40:17 2026-08-21 09:39:31 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38428 288414723 Fon_Ziga_-_Analiza_uporabnosti_razlicnih_klasifikacijskih_tehnik_za_telesne_polozaje_za_mobilne_.pdf Fon_Ziga_-_Analiza_uporabnosti_razlicnih_klasifikacijskih_tehnik_za_telesne_polozaje_za_mobilne_.pdf 1 16594E021598ED2F50E9B02EE62D8F14 f62aab719ab6e96e3b38e4a54e553d4d5fb0fa9e20699188e4612617a2017633 92e38b78-8ff0-11f1-9b0d-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=243905 Fakulteta za računalništvo in informatiko 0 0 0