Webbapplikation för maskininlärningsbaserad poseuppskattning

Abstract

Löpning är en populär rörelseform. Kunskapen om hur man kan optimera löpteknik är begränsad, trots att bra löpteknik är viktigt för att undvika skador. Ett av verktygen som kan användas för analys av löpning är rörelsefångst. Projektets syfte var att kombinera rörelsefångst med maskininlärning för att skapa en modell som kan användas av löpare och löptränare. Detta genomfördes genom att skapa en webbapplikation för att göra modellen tillgänglig för användning av aktiva löpare. Modellen skapades och tränades på nästan 100 000 koordinatbilder med hjälp av Pythonbiblioteket MMPose. Modellen gav en slutlig precision på 99,3 %. Den representerar en optimerad version av modellen RTMPose, som uppvisar en högre precision på valideringsdatan än modellen RTMPose utan den tillagda träningen. Webbapplikationen som utvecklades för löpare visar en genomsnittlig inferenstid på precis över sju minuter. Dessa resultat är användbara i praktiken och erbjuder ett precist verktyg för att analysera biomekaniken bakom löpning. Detta bidrar till den generella utvecklingen för optimering av löpteknik.