Sprint-Formanalyse ohne Server
Kann ein Telefon die Sprintmechanik gut genug analysieren, um daraus zu coachen, ohne das Video irgendwohin hochzuladen?
·
Die naheliegende Architektur für Videoanalyse ist, den Clip hochzuladen und in der Cloud zu verarbeiten. Es ist auch die Architektur mit den schlechtesten Eigenschaften für genau dieses Produkt: Eine Athletin nimmt auf einer Bahn mit schlechtem Empfang auf, die Clips sind groß, die Verarbeitungskosten wachsen linear mit der Nutzung, und das Material zeigt den Körper eines Menschen.
SPRIVO führt die Posenerkennung stattdessen nativ auf dem Gerät aus, über eine MediaPipe-Integration und nicht über einen gehosteten Inferenzdienst. Der Sprint verlässt das Telefon nie, um bewertet zu werden.
Die offene Frage ist nicht, ob es läuft — es läuft —, sondern wo die Genauigkeitsgrenze für die bestimmten mechanischen Fehler liegt, bei denen Coaching lohnt, und wie weit die Analyse gehen kann, bevor ein Cloud-Modell wirklich besser wäre. Das ist es, was dies im Labor hält, während das Produkt, in dem es sitzt, im App Store ist — die Frage ist die Genauigkeitsgrenze, nicht, ob die App erscheint.
Was wir gelernt haben
Erkenntnisse bis jetzt.
- 01
Analyse auf dem Gerät beseitigt eine ganze Kategorie von Problemen auf einmal: kein Warten auf einen Upload bei schlechter Verbindung, keine Verarbeitungsrechnung pro Clip und kein Server, der Video vom Körper eines Menschen hält.
- 02
Es verschiebt die Kosten von der Infrastruktur zur Integration. Die native Schicht ist die eigentliche Entwicklungsarbeit, und sie ist plattformspezifisch in einer Weise, in der eine gehostete API es nicht gewesen wäre.
Über SPRIVO
Dieses Experiment entstand beim Bau von SPRIVO.