在当今快节奏的生活中，保持健康和活力变得越来越重要。为了帮助用户更有效地进行锻炼，开发了一款健身追踪系统，该系统结合了计算机视觉和物联网（IoT）技术，能够自动跟踪并计算用户在锻炼过程中的动作次数，例如俯卧撑。这种自动化的计数器让用户能够专注于锻炼，而无需手动记录动作次数。
在本文中，将详细介绍如何构建这个健身追踪项目，它利用计算机视觉和IoT技术的力量，彻底改变了健身日常。以下是系统运行的截图：
该健身追踪系统由一个IoT传感器节点组成，该节点配备了基于摄像头的设置，能够执行Roboflow的Python SDK进行推理。这个传感器节点捕获锻炼姿势，并使用在Roboflow平台上构建的对象检测模型来对这些姿势进行分类。然后，检测到的姿势被发布到互联网上的MQTT代理。
一个订阅了代理的应用程序使用JavaScript应用程序检测到的每个姿势进行计数。锻炼次数在应用程序的Web UI上发布，以跟踪锻炼姿势。系统的工作原理在下图中表示。
使用Jetson Nano或Raspberry Pi，IoT摄像头节点使用Roboflow推理服务器上的定制模型来对锻炼姿势进行分类。然后，从class_name变量中提取的结果被发布到MQTT代理上的estatus主题上。
与此同时，客户端应用程序，用JavaScript编写，订阅了estatus主题上的数据，计算并存储计数器变量中的计数，并将锻炼姿势计数呈现给用户在Web UI上。
为了有效地对各种锻炼姿势进行分类，例如示例中的俯卧撑，将使用对象检测模型。在本指南中，将重点关注俯卧撑。将训练一个对象检测模型来识别两种锻炼状态之一：'push-up'和'push-down'。这些不同的状态为确定和计算俯卧撑计数奠定了基础。
以下是开发系统的步骤：
收集并标记数据集
训练对象检测模型
运行推理以对锻炼姿势进行分类并发送结果
编写JavaScript应用程序以计算并显示锻炼姿势计数
步骤#1：收集并标记数据集
用于俯卧撑锻炼的图像数据集，包括前面提到的两种不同状态，是手动收集的，并上传到Roboflow平台进行标记。
步骤#2：训练对象检测模型
完成标记过程后，生成数据集版本，并使用Roboflow自动训练选项对模型进行训练。
步骤#3：检测锻炼姿势并通过MQTT发送结果
在这个项目中，使用从Roboflow GitHub仓库中获取的代码，通过Python脚本运行推理。提供的Python代码接受摄像头输入，并通过训练有素的模型处理来自摄像头的视频数据。
步骤#4：计算并显示锻炼姿势计数
在这一步中，构建了一个简单的JavaScript应用程序，该应用程序使用PAHO MQTT JavaScript库连接到MQTT代理，并订阅MQTT主题estatus。
在代码中，只在一个类别（例如'up'）最初被检测到时才增加计数器。然后，如果检测到相同的类别（例如'up'）在检测到另一个类别（例如'down'）之后再次被检测到，计数器变量将被更新。
以上代码中，计数器只有在下一次检测结果报告之前才增加一次。这意味着计数器不会因为每个预测而增加。如果因为每个预测而增加计数器，那将是有问题的，因为连续10次'up'检测将使计数器增加10次，即使没有'down'消息也是如此。