Análisis de la forma de sprint sin servidor
¿Puede un teléfono analizar la mecánica de un sprint lo bastante bien como para entrenar con ella, sin subir el vídeo a ningún sitio?
·
La arquitectura obvia para el análisis de vídeo es subir el clip y procesarlo en la nube. También es la arquitectura con las peores propiedades para este producto en concreto: un atleta graba en una pista con mala cobertura, los clips son grandes, el coste de procesamiento escala linealmente con el uso, y las imágenes son del cuerpo de una persona.
SPRIVO ejecuta en su lugar la detección de pose de forma nativa en el dispositivo, a través de una integración de MediaPipe y no de un servicio de inferencia alojado. El sprint nunca sale del teléfono para ser puntuado.
La pregunta abierta no es si funciona — funciona — sino dónde está el techo de precisión para los fallos mecánicos concretos que merece la pena entrenar, y hasta dónde puede llegar el análisis antes de que un modelo en la nube fuera genuinamente mejor. Eso es lo que mantiene esto en el Laboratorio mientras el producto en el que está vive en el App Store — la cuestión es el techo de precisión, no si la app se publica.
Qué aprendimos
Hallazgos hasta ahora.
- 01
El análisis en el dispositivo elimina toda una categoría de problemas a la vez: ninguna espera de subida con mala conexión, ninguna factura de procesamiento por clip y ningún servidor guardando vídeo del cuerpo de alguien.
- 02
Mueve el coste de la infraestructura a la integración. La capa nativa es la ingeniería sustancial, y es específica de cada plataforma de una manera en que una API alojada no lo habría sido.
Sobre SPRIVO
Este experimento surgió al construir SPRIVO.