在人工智能技术更迭及后疫情时代的背景下，随着居民生活模式发生改变，智能运动健身行业得到了极大的发展。刘畊宏带起的“本草纲目”健身热潮也正式开启了居家健身时代，随之而来的便是人们对个性化、智能化的健身动作识别、矫正、计数的强烈需求，如何随时随地进行便捷、标准的健身运动逐渐成为了人们热议的话题。
项目难点
非常规姿态多
在健身、舞蹈等场景中，人体姿态明显区别于常见的站姿，存在较多复杂的姿态。常见的公开数据集中往往缺少这类数据，因此在处理这类复杂姿态时，容易出现检测框位置或关键点位置不准确的问题，导致动作识别出现误检漏检，无法达到令人满意的效果。
模型体积与速度要求高
视频抖动严重
使用关键点算法处理视频数据时，由于预测针对单帧图像进行，在视频结果上往往会有抖动的现象。对于依靠精细化坐标的应用场景（如健身计数、基于关键点的虚拟渲染等），非常容易造成误检或可视化效果不流畅的问题。
关键点点数需求多变
方案设计
模型选型
PP-TinyPose的出世彻底打破了精度与速度无法兼得的难题，成为轻量级关键点检测的最佳选择。PP-TinyPose采用Top-Down的方式，先应用3.3M、150FPS的超轻量检测网络PP-PicoDet检测出人体，再用基于Lite-HRNet的移动端优化模型确保关键点检测的高精度，同时扩大数据集，减小输入尺寸，预处理与后处理加入AID、UDP和DARK等策略，保证模型的高性能。实现速度在FP16下达到122FPS的情况下，精度也可达到COCO数据集51.8%AP，不仅比其他类似实现速度更快，精度更是提升了130%！
数据准备
图3：数据准备
模型训练优化
更令人惊喜的是，在原版的基础上，针对体育健身场景难点，PP-TinyPose分别从场景数据多样性、检测模型迭代、关键点稳定性三个方向全面升级，发布了专为体育动作识别打造的增强版本，最终相比原版在健身场景数据上提升9.1%AP，实现速度85FPS，精度77.1%AP。同时，新增7个复杂动作的精准识别，包括侧身、卧躺、跳跃、高抬腿等非常规动作。具体来看：
场景数据多样性
图4：PP-TinyPose增强版效果对比图
检测模型迭代
关键点稳定性
加入OneEuro滤波器和EMA两种关键点稳定方式，将当前关键点坐标结果和历史关键点坐标结果结合计算，使得输出的坐标更加稳定平滑。
如果模型仍无法满足要求，开发者还可以基于飞桨目标检测开发套件PaddleDetection所提供的二次开发文档，进行模型训练及优化、关键点新增、删减与类别自定义，5分钟即可实现关键点检测个性化开发。
后处理逻辑
端侧部署
图8：端侧部署效果展示
如需更新模型并实现更丰富的健身动作识别，可参考以下流程：
作为轻量化骨骼点检测的开源SOTA算法，PP-TinyPose以精度速度高、微小目标识别效果好、多人检测速度快、端侧部署易用性强、体育健身动作检测准著称，在端侧微弱算力上，使用飞桨轻量化推理引擎PaddleLite，即可快速实现各类健身动作识别与计数！