Точный AI-подсчёт повторений упражнений через камеру смартфона

Подсчёт повторений — задача, которая звучит просто, но ломается на граничных случаях. Пользователь делает приседание медленно — один подход. Делает пульсирующие движения наверху — модель считает два. Телефон наклонили — координаты сдвинулись, счётчик сбился. В нашей практике мы столкнулись с проектом фитнес-приложения, где точность подсчёта составляла всего 60% из-за дрожания камеры и разной комплекции пользователей. После внедрения адаптивной калибровки и сглаживания временного ряда точность выросла до 92%. Сейчас этот алгоритм обрабатывает до 30 кадров в секунду на устройствах пятилетней давности. Документация Apple Vision рекомендует использовать боковой вид камеры для лучшей точности при отжиманиях, но мы адаптировали решение под фронтальную камеру — это удобнее для пользователя.

Как работает AI-подсчёт повторений?

Approach тот же, что в анализе осанки: VNDetectHumanBodyPoseRequest (iOS) или ML Kit Pose Detection (Android) выдают ключевые точки скелета на каждом кадре. Но для подсчёта повторений нас интересует не статическая поза, а движение ключевой точки по времени.

Для каждого упражнения выбираем tracking-точку:

class RepCounter { private var positionHistory: [Double] = [] private var repCount: Int = 0 private var state: MovementState = .neutral private let minAmplitude: Double = 0.08 // 8% высоты экрана enum MovementState { case neutral, goingDown, bottom, goingUp, top } func update(normalizedY: Double) { positionHistory.append(normalizedY) if positionHistory.count > 30 { positionHistory.removeFirst() } let smoothed = positionHistory.suffix(5).reduce(0, +) / 5 detectRep(smoothedY: smoothed) } private func detectRep(smoothedY: Double) { let baseline = positionHistory.prefix(10).reduce(0, +) / 10 let deviation = smoothedY - baseline switch state { case .neutral where deviation > minAmplitude: state = .goingDown case .goingDown where deviation < minAmplitude * 0.3: state = .bottom case .bottom where deviation > minAmplitude * 0.7: state = .goingUp case .goingUp where deviation < 0: state = .top repCount += 1 onRepCompleted?(repCount) state = .neutral default: break } } } 

Скользящее среднее по 5 кадрам (suffix(5)) — сглаживание шума pose estimation. Без него счётчик дёргается от дрожания ключевых точек между кадрами.

Почему важна калибровка?

minAmplitude = 0.08 — это процент от высоты экрана. Для приседаний подходит, для бицепс-кёрла нужно больше (рука движется в широком диапазоне), для отжиманий — меньше и другая ось.

Калибровку делаем либо через аналитику (обучаем на видео с размеченными повторениями), либо через адаптивный baseline: первые 3 секунды упражнения — измеряем амплитуду движения, подстраиваем пороги.

class AdaptiveRepCounter { private var calibrationPhase = true private var calibrationSamples: [Double] = [] private var dynamicAmplitude: Double = 0.05 func calibrate(y: Double) { calibrationSamples.append(y) if calibrationSamples.count >= 75 { // ~3 секунды при 25fps let range = calibrationSamples.max()! - calibrationSamples.min()! dynamicAmplitude = range * 0.4 // 40% от наблюдённой амплитуды calibrationPhase = false } } } 

Как выбрать tracking-точку для упражнения?

Выбор точки зависит от амплитуды движения. Для приседаний лучше всего подходит бедро: оно опускается и поднимается на значительную высоту. Для отжиманий — запястье или плечо, так как корпус остаётся прямым. Для бицепс-кёрла достаточно запястья. Если упражнение сложное (берпи), используем две точки и анализируем их комбинацию. Наши инженеры подберут оптимальную конфигурацию под ваш набор упражнений — обращайтесь.

Что входит в работу

• Анализ требований: определение набора упражнений и условий съёмки
• Интеграция pose estimation: VNDetectHumanBodyPoseRequest для iOS или ML Kit для Android
• Реализация алгоритма подсчёта: сглаживание, детекция фаз, адаптивная калибровка
• UI скелета и счётчика: отображение точек и анимация повторений
• Тестирование на реальных пользователях: проверка точности на разных телефонах и условиях освещения
• Документация и обучение: передача кода и инструкция по калибровке

Ориентация камеры: боковой vs фронтальный вид. Одна и та же задача требует разных решений в зависимости от позиции камеры:

Большинство приложений оптимизируют под фронтальный вид с инструкцией «поставьте телефон в 2 метрах перед собой на уровне пояса». Обратитесь к нам для оценки проекта — мы проанализируем ваши требования и предложим оптимальное решение.

Процесс работы

1. Аналитика: обсуждаем целевые упражнения и сценарии использования
2. Проектирование: выбираем подход (front-end/back-end) и стек
3. Реализация: интеграция pose estimation, написание алгоритма подсчёта, адаптивная калибровка, UI overlay
4. Тестирование: проверка на реальных устройствах с разными пользователями
5. Деплой: передача кода, документация, поддержка

Ориентиры по срокам и стоимости

Подсчёт 3–5 базовых упражнений — от 1 до 2 недель. Автоматическое распознавание упражнения + полный трекинг тренировки — от 3 до 5 недель. Бюджет разработки варьируется от $2,000 до $15,000 в зависимости от сложности и количества упражнений. С нами работают крупные фитнес-платформы, мы гарантируем точность подсчёта не менее 90% после калибровки. Более 10 лет опыта в мобильной разработке, более 50 успешных проектов. Получите консультацию по реализации AI-подсчёта в вашем приложении — свяжитесь с нами для оценки проекта под ключ. Закажите разработку модуля подсчёта повторений уже сегодня и получите демо-версию за 3 дня.

Обратная связь и UI: большой контрастный анимированный счётчик, UIImpactFeedbackGenerator(style: .rigid) и визуальная вспышка при каждом повторении. Поверх камеры отображаем skeleton — линии между ключевыми точками. Красный skeleton при низкой уверенности.