При разработке фитнес-приложения столкнулись с тем, что сырая модель PoseNet давала ложные срабатывания на каждом втором кадре — недостаточная временная стабильность. Решением стало внедрение pose estimation на основе MediaPipe с кастомным сглаживанием OneEuroFilter. Мы интегрируем в мобильные приложения распознавание поз — детекцию ключевых точек скелета в реальном времени. Это востребовано в фитнесе (подсчёт повторений, анализ техники), медицине (реабилитация, диагностика походки) и AR. Технически задача сложнее детекции объектов: требуется не только точность локализации, но и временная стабильность. Наша команда имеет 5+ лет опыта в компьютерном зрении и реализовала более 30 проектов с pose estimation. Типовой бюджет внедрения стартует от 3000 USD и зависит от числа упражнений и платформ. Экономия времени на отладку по сравнению с самостоятельной разработкой может достигать 40%.
Какую модель выбрать: MoveNet, BlazePose или ML Kit?
| Модель | Точек | Скорость (на iPhone 12) | Типичный сценарий |
|---|---|---|---|
| MoveNet Lightning | 17 | 30+ FPS | Фитнес-трекинг повторений |
| MoveNet Thunder | 17 | ~15 FPS | Медицинский анализ с повышенной точностью |
| MediaPipe BlazePose | 33 | ~25 ms (Pixel 7 GPU) | Анализ походки, AR с детализацией лица/рук |
| ML Kit Pose Detection | 33 | ~30 FPS | Быстрая кроссплатформенная интеграция |
MoveNet Lightning — лучший баланс для мобиля: TFLite-оптимизирован, доступен через PoseLandmarker. BlazePose даёт z-координаты для 3D-углов. ML Kit — прост, но чуть менее точен. В нашем кейсе MoveNet Lightning оказался в 2 раза быстрее BlazePose на iPhone 11 (35 FPS vs 17 FPS), что критично для real-time фидбека.
Как правильно подсчитывать повторения в фитнес-приложении?
Наивный подход — следить за Y-координатой бедра — ломается в реальности. Правильное решение — вычислять угол в коленном суставе через скалярное произведение векторов [HIP → KNEE] и [KNEE → ANKLE]. Приседание = угол ниже 120°, вставание = выше 160°. Конечный автомат: STANDING → DOWN → STANDING = 1 повтор. Углы по z-координатам стабильнее, если камера не строго сбоку. Сглаживание landmarks — обязательно: сырые данные прыгают на 3–5 пикселей между кадрами. Дополнительно используем фильтр медианного сглаживания для отсечения выбросов.
Какой метод сглаживания лучше?
| Метод | Задержка | Стабильность | Применение |
|---|---|---|---|
| EMA (α=0.6) | Низкая | Средняя | Быстрая реакция, фитнес |
| VelocityFilter (MediaPipe) | Средняя | Высокая | Медицина, AR |
| OneEuroFilter | Настраиваемая | Высокая | Универсальный |
Для фитнеса достаточно EMA, для реабилитации — OneEuroFilter. В наших проектах мы кастомизируем параметры OneEuroFilter под конкретное упражнение: для приседаний низкая частота среза (min_cutoff=0.5), для быстрых движений — выше (min_cutoff=1.0).
Интеграция: iOS и Android — пошагово
- Выбор модели — на основе нужной точности и скорости. MoveNet Lightning для старта.
- Подготовка стека: MediaPipe Tasks Vision (SPM или Gradle) версии 0.10.0.
- Настройка инференса: PoseLandmarker с
runningMode = .liveStreamиPoseLandmarkerOptions. - Обработка результатов: нормализованные точки (0..1) или
worldLandmarks(метровые). Для углов используем worldLandmarks — они не зависят от crop камеры. - Отрисовка скелета: на iOS — CAShapeLayer с анимацией, на Android — Canvas.drawLine на SurfaceView или Compose Canvas.
- Тестирование — проверка FPS и точности на целевых устройствах (iPhone 11, Pixel 6, Galaxy S21).
Типичные ошибки при внедрении:
-
Рисование скелета в нормализованных координатах без трансформации в координаты превью — забывают aspect ratio и crop. Используйте
convertNormalizedLandmarksToImageCoordinates. - Запуск инференса на main thread — снижает FPS до нуля. Используйте фоновые очереди (userInteractive в iOS, SingleThreadExecutor в Android).
- Отсутствие сглаживания landmarks — визуальный джиттер и неправильный подсчёт повторений. Даже простой EMA (α=0.7) решает проблему.
Что входит в работу
- Консультация по выбору модели и оценка feasibility.
- Проектирование архитектуры (инференс, UI, хранение истории).
- Интеграция pose estimation на iOS и/или Android.
- Реализация логики подсчёта повторений или анализа движений.
- Настройка сглаживания и оптимизация под конкретный девайс.
- Документация по использованию и калибровке.
- Поддержка после запуска (гарантируем стабильность обновлений).
Сроки
Базовый скелет на видеопотоке + одно упражнение — 1–2 недели. Полноценный фитнес-модуль с несколькими упражнениями, голосовой обратной связью и историей — 3–4 недели. Стоимость рассчитывается индивидуально, примерные рамки — от 2000 до 5000 USD в зависимости от сложности.
Свяжитесь с нами для оценки вашего проекта — мы поможем выбрать модель и спроектируем решение под ключ. Получите консультацию по внедрению pose estimation уже сегодня.