Analyser la forme de sprint sans serveur
Un téléphone peut-il analyser la mécanique d’un sprint assez bien pour servir d’appui à l’entraînement, sans téléverser la vidéo où que ce soit ?
·
L’architecture évidente pour l’analyse vidéo consiste à téléverser le clip et à le traiter dans le cloud. C’est aussi l’architecture aux plus mauvaises propriétés pour ce produit précis : un athlète enregistre sur une piste où le signal est faible, les clips sont volumineux, le coût de traitement croît linéairement avec l’usage, et les images montrent le corps d’une personne.
SPRIVO exécute plutôt la détection de pose nativement sur l’appareil, via une intégration MediaPipe et non un service d’inférence hébergé. Le sprint ne quitte jamais le téléphone pour être évalué.
La question ouverte n’est pas de savoir si cela fonctionne — cela fonctionne — mais où se situe le plafond de précision pour les défauts mécaniques précis qui méritent un travail d’entraînement, et jusqu’où l’analyse peut aller avant qu’un modèle dans le cloud soit véritablement meilleur. C’est ce qui maintient ceci au Laboratoire alors que le produit qui l’abrite est sur l’App Store — la question est le plafond de précision, non de savoir si l’application sort.
Ce que nous avons appris
Les conclusions à ce jour.
- 01
L’analyse sur l’appareil supprime d’un coup toute une catégorie de problèmes : pas d’attente de téléversement sur une mauvaise connexion, pas de facture de traitement par clip, et pas de serveur conservant la vidéo du corps de quelqu’un.
- 02
Cela déplace le coût de l’infrastructure vers l’intégration. La couche native est le vrai travail d’ingénierie, et elle est spécifique à chaque plateforme d’une manière dont une API hébergée ne l’aurait pas été.
À propos de SPRIVO
Cette expérience est née du développement de SPRIVO.