AI Fitness Coach - AIPC本地AI健身教练

使用场景

当用户需要以下场景时，使用此技能：

在本地搭建一个AI驱动的健身教练系统
使用摄像头进行实时姿态检测和运动指导
利用Intel AIPC的GPU/NPU加速能力进行本地LLM推理
完全离线运行的隐私保护健身辅助工具
对健身动作进行自动计数、评分和错误检测

功能概览

AI Fitness Coach 是一个完全本地运行的AI健身教练系统，专为Intel AIPC平台优化。核心能力包括：

实时姿态检测: 基于MediaPipe PoseLandmarker的33点人体姿态估计，<50ms延迟
11种健身动作支持: 深蹲、俯卧撑、平板支撑、引体向上、哑铃弯举、弓步蹲、肩推、硬拉、手臂上举、原地踏步、提踵
智能错误检测: 40+条规则覆盖膝盖内扣、塌腰、弓背等常见错误，分HIGH/MEDIUM/LOW三级严重度
多维评分系统: 形式(40%) + 幅度(30%) + 节奏(30%) 的100分制评分
AI教练反馈: 基于事件驱动的LLM反馈系统，生成个性化的中文语音指导
OpenVINO加速: 支持Intel GPU/NPU异构加速，INT4/INT8量化优化
多模态交互: Rich终端实时数据面板 + pyttsx3离线TTS语音 + OpenCV视频叠加
隐私优先: 所有摄像头数据和姿态信息均不离开本地设备

技术架构

Camera (OpenCV 30fps)
    |
    v
Pose Detection (MediaPipe PoseLandmarker)
    |
    v
Exercise Analysis Engine (Rules-based, <100ms)
    |-- Angle Calculator -> Phase Detector -> Rep Counter
    |-- Error Detector -> Scorer
    |
    v
Event Bus (pub/sub)
    |
    v
LLM Coach (async, non-blocking)
    |-- Ollama backend (default)
    |-- OpenVINO backend (AIPC GPU/NPU accelerated)
    |
    v
Output: Terminal UI + TTS Voice + Camera Overlay

操作步骤

1. 安装依赖

# 安装核心依赖
python scripts/install_deps.py

# 安装核心 + OpenVINO加速依赖（推荐AIPC用户）
python scripts/install_deps.py --openvino

# 安装全部依赖
python scripts/install_deps.py --all

2. 配置LLM服务

方式A: 使用Ollama（默认）

# 启动Ollama服务
ollama serve

# 拉取推荐模型
ollama pull qwen3.5:2b

方式B: 使用OpenVINO加速（推荐AIPC用户）

# 转换模型为OpenVINO IR格式
python scripts/convert_openvino.py --model Qwen/Qwen2.5-1.5B-Instruct --quant INT4 --device AUTO

# 检测可用设备
python scripts/convert_openvino.py --detect-devices

3. 运行健身教练

# 使用Ollama后端（默认）
python scripts/run_fitness_coach.py

# 使用OpenVINO加速后端
python scripts/run_fitness_coach.py --openvino --device GPU

# 指定模型和禁用TTS
python scripts/run_fitness_coach.py --openvino --model qwen3-4b --no-tts

4. 运行时控制

| 快捷键 | 功能 | |--------|------| | 1-9 | 切换动作 | | n | 下一个动作 | | 空格 | 暂停/继续 | | r | 重置当前组 | | c | 切换摄像头 | | q/ESC | 退出 |

OpenVINO AIPC加速说明

本技能内置了OpenVINO加速模块，充分利用Intel Core Ultra处理器的异构计算能力：

设备支持

| 设备 | 说明 | 适用场景 | |------|------|----------| | CPU | 默认，全平台兼容 | 通用 | | GPU | Intel Arc集显 | Core Ultra笔记本 | | NPU | Intel AI Boost | Core Ultra笔记本AI加速 | | AUTO | 自动选择最优设备 | 推荐 |

量化模式

INT4: 4位整数量化，模型缩小至~25%，速度最快，推荐AIPC首选
INT8: 8位整数量化，模型缩小至~50%，质量更好
FP16: 16位浮点，质量最佳，GPU加速
FP32: 32位浮点，原始精度，仅CPU

性能基准

使用 scripts/benchmark.py 进行性能对比：

# 对比OpenVINO和Ollama
python scripts/benchmark.py --compare --rounds 10

# 仅测试OpenVINO
python scripts/benchmark.py --openvino-only --device GPU

小模型兼容性验证

本技能已在以下<=35B参数模型上完成指令测试：

Qwen2.5-1.5B-Instruct (1.5B) - 流畅运行
Qwen3-4B (4B) - 流畅运行
Qwen3-8B (8B) - 流畅运行
Qwen3-14B (14B) - 正常运行
Qwen3-32B (32B) - 需INT4量化

所有模型均支持中文健身教练指令，反馈生成延迟在可接受范围内（<5秒）。

配置参考

配置文件位于 resources/settings_template.yaml，可自定义：

摄像头源（本地/手机IP/RTSP）
MediaPipe检测参数
LLM后端选择（Ollama/OpenVINO）
TTS语音设置
UI主题和刷新率

参考资料

详细架构说明: references/architecture.md
动作列表与错误规则: references/exercises.md
配置模板: resources/settings_template.yaml

本地智能健身教练-实时姿态纠正