Fitness Exercise Detection Backend

這是一個基於 Flask、YOLOv8 和 MediaPipe 的後端服務，主要用於運動姿態檢測與計數，支持即時檢測與影片分析。該專案使用 MySQL 資料庫儲存使用者資訊與運動記錄，並提供 API 以支援前端應用。

主要功能

• 運動姿態檢測：使用 YOLOv8 與 MediaPipe 進行姿態估計
• 支援多種運動：包含深蹲 (squat)、二頭肌彎舉 (bicep curl)、肩上推舉 (shoulder press)、引體向上 (pull-up)、伏地挺身 (push-up) 等
• 即時視訊處理：提供實時影像串流與姿態檢測
• 自動計數：根據姿態角度變化自動計算運動次數
• 影片上傳與處理：支援影片上傳，並輸出標註後的影片
• MySQL 整合：使用 MySQL 存儲使用者與運動記錄
• API 端點：提供前端使用的 RESTful API

環境與套件需求

軟體需求

• Python 3.8 或以上（本專案測試使用 Python 3.8.20）
• MySQL Server：請先啟動 MySQL 服務，並建立資料庫 nkust_exercise
• NVIDIA GPU (選用)：使用 NVIDIA GPU 可加速模型推論

硬體需求

• 建議配備 NVIDIA GPU 以獲得更佳的運算效能，否則可使用 CPU 模式運行。

Fitness Exercise Detection Backend

這是一個基於 Flask、YOLOv8 和 MediaPipe 的後端服務，主要用於運動姿態檢測與計數，支持即時檢測與影片分析。該專案使用 MySQL 資料庫儲存使用者資訊與運動記錄，並提供 API 以支援前端應用。

主要功能

• 運動姿態檢測：使用 YOLOv8 與 MediaPipe 進行姿態估計
• 支援多種運動：包含深蹲 (squat)、二頭肌彎舉 (bicep curl)、肩上推舉 (shoulder press)、引體向上 (pull-up)、伏地挺身 (push-up) 等
• 即時視訊處理：提供實時影像串流與姿態檢測
• 自動計數：根據姿態角度變化自動計算運動次數
• 影片上傳與處理：支援影片上傳，並輸出標註後的影片
• MySQL 整合：使用 MySQL 存儲使用者與運動記錄
• API 端點：提供前端使用的 RESTful API

環境與套件需求

軟體需求

• Python 3.8 或以上（本專案測試使用 Python 3.8.20）
• MySQL Server：請先啟動 MySQL 服務，並建立資料庫 nkust_exercise
• NVIDIA GPU (選用)：使用 NVIDIA GPU 可加速模型推論

硬體需求

• 建議配備 NVIDIA GPU 以獲得更佳的運算效能，否則可使用 CPU 模式運行。

GPU 與 CUDA / cuDNN 支援

本專案在 PyTorch 2.1.1+cu118 環境下測試，該版本內建 CUDA 11.8 支援。 儘管從 nvidia-smi 你可以看到系統支援 CUDA 12.7，但 PyTorch 是以 CUDA 11.8 編譯，故請確認下列項目：

• PyTorch 版本：2.1.1+cu118
  執行以下程式確認版本：

  import torch
  print(torch.__version__)  # 應輸出 2.1.1+cu118

• CUDA 版本：11.8
  建議安裝與 CUDA 11.8 相容的 CUDA 工具包和 cuDNN。 你可以用下列指令確認：

  import torch
  print(torch.cuda.is_available())
  print(torch.version.cuda)  # 預期輸出：11.8

• cuDNN 版本：請使用與 CUDA 11.8 相容的 cuDNN（例如 cuDNN v8.6 或更新版本）。

• NVIDIA 驅動：根據 nvidia-smi，你的驅動版本為 565.90，支援 CUDA 12.7，但同時向下相容於 CUDA 11.8。

在 app.py 中，GPU 的配置如下：

import os
import torch

os.environ["CUDA_VISIBLE_DEVICES"] = "0"
if torch.cuda.is_available():
    device = 'cuda'
    print(f"Using GPU: {torch.cuda.get_device_name(0)}")
else:
    device = 'cpu'
    print("Using CPU")

MySQL 資料庫設定

請先建立資料庫 nkust_exercise，接著依照以下 SQL 指令建立必要的資料表：

建立 courses 表

CREATE TABLE courses (
  course_id INT AUTO_INCREMENT PRIMARY KEY,
  course_name VARCHAR(100) NOT NULL,
  teacher_id VARCHAR(50) NOT NULL,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

建立 discussions 表

CREATE TABLE discussions (
  discussion_id INT AUTO_INCREMENT PRIMARY KEY,
  course_id INT NOT NULL,
  student_id INT,
  title VARCHAR(200) NOT NULL,
  content TEXT NOT NULL,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
  teacher_id INT
);

建立 exercise_info 表

CREATE TABLE exercise_info (
  id INT AUTO_INCREMENT PRIMARY KEY,
  student_id VARCHAR(50) NOT NULL,
  weight DECIMAL(5,2) NOT NULL,
  reps INT NOT NULL,
  sets INT NOT NULL,
  exercise_type VARCHAR(50) NOT NULL,
  timestamp DATETIME NOT NULL
);

建立 exercise_records 表

CREATE TABLE exercise_records (
  id INT AUTO_INCREMENT PRIMARY KEY,
  monster_count INT NOT NULL DEFAULT 0,
  exercise_type VARCHAR(50) NOT NULL,
  timestamp DATETIME NOT NULL,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

建立 responses 表

CREATE TABLE responses (
  response_id INT AUTO_INCREMENT PRIMARY KEY,
  discussion_id INT NOT NULL,
  user_id VARCHAR(50) NOT NULL,
  content TEXT NOT NULL,
  is_teacher TINYINT(1) DEFAULT 0,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

建立 users 表

CREATE TABLE users (
  user_id INT AUTO_INCREMENT PRIMARY KEY,
  username VARCHAR(50) NOT NULL UNIQUE,
  password_hash VARCHAR(255) NOT NULL,
  role ENUM('student', 'teacher') NOT NULL,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

伺服器啟動

1. 設定 MySQL 資料庫

確認 MySQL 服務已啟動，並根據需求更新 app.py 中的資料庫連線設定（db_config）。

2. 啟動 Flask 伺服器

python app.py

其他設定

GPU 緩存管理

在影片處理與模型推論過程中，會呼叫 torch.cuda.empty_cache() 以釋放 GPU 記憶體，確保運行效率。

Contributing

歡迎提出 Issue 或提交 Pull Request 以改進專案。

License

本專案採用 MIT License 授權。

聯絡方式

如有任何問題，請開啟 GitHub Issue 或聯絡專案維護者。

Author: 鄭磬蔚