基于Tensorflow的跑步运动检测
“跑步检测”是一款应用于安卓平台的手机应用，可以实时监测不良坐姿并给出提示。本项目主要基于 Tensorflow Lite 官方示例 - 姿态估计实现，其中 AI 部分包含用于姿态估计的 MoveNet，以及用于对姿态进行分类的全连接网络。本应用不需要联网使用，所有 AI 特性均在手机本地运行，不需要将视频画面传输至外部服务器，仅需要摄像头权限用于获取姿态画面。
├───running-moniter
│ ├───app
│ │ └───src
│ └───gradle
├───movenet
│ └───data
│ └───run_predict
│ └───running_pic
│ └───running_vid项目的两个主要文件夹为 running-moniter/ 与 movenet/。running-moniter/ 下包含了所有与移动 App 相关的代码，movenet/ 文件夹下则是分类网络的训练数据与记录了训练过程的 movenet.ipynb 文件，训练数据存放在 movenet/data/run_predict/ 目录下，为精简项目体积，未上传对应数据集。如果需要训练分类模型，可以按 movenet/pulgin/dataProcess.py 上面的指示填充 main/data/run_predict/文件夹。
本项目需要用到两个神经网络模型文件，均已包含在本项目中，不需要额外下载。第一个是 int8 格式的 MoveNet Thunder 神经网络模型，可以点击官方模型文件链接进一步了解。MoveNet 是谷歌推出的轻量级人体姿态估计模型，有 Thunder 和 Lightning 两个版本。其中 Thunder 版本运行速度较慢，但准确率更高，本项目使用的是 Thunder 版本。该版本又分为 float16、int8 两种数据格式。其中 float16 模型只能在通用 GPU 上运行，而 int8 模型既可以运行于通用 GPU 之上，也可以在高通骁龙处理器的 Hexagon DSP 数字信号处理器上运行。运行在 Hexagon 处理器上时，AI 程序运行速度更快、也更省电，建议对 AI 模型进行移动部署时优先选择 Hexagon 处理器。目前谷歌也推出了自研的 Google Tensor 处理器，最新型号为 Tensor G2，如何调用 Tensor 处理器的 AI 加速单元尚不清楚，未来拿到设备实测确认后会更新文档。
本项目主要基于 Tensorflow Lite Pose Estimation 示例项目，离不开 Tensorflow、Jupyter Notebook 等开源框架、开源开发工具。感谢各位程序工作者对开源社区的贡献！
- [2023.06.20] 感谢 @linyiLYi 对项目实现的启发