一、项目演示视频
二、技术栈
前端技术栈 (web-vue)
核心框架: Vue 3.5.13 (Composition API)
UI组件库: Element Plus 2.9.4
状态管理: Pinia 2.3.1
路由管理: Vue Router 4.5.0
HTTP客户端: Axios 1.7.9
图表可视化: ECharts 5.6.0
视频播放: flv.js 1.6.2
构建工具: Vite 6.1.0 + TypeScript 5.7.2后端+算法端技术栈 (web-flask)
核心框架: Flask (Python)
数据库: SQLite 3
身份认证: JWT (PyJWT 2.10.1)
图像处理: OpenCV + NumPy
深度学习: Ultralytics (YOLO11姿态估计)
多模态AI: 阿里云百炼 Qwen-VL-Plus API
跨域支持: Flask-CORS 6.0.1
三、功能模块
核心创新点
- 多种健身动作识别: 支持俯卧撑、深蹲、引体向上、仰卧起坐、哑铃弯举、肩部推举、哑铃飞鸟等7种常见健身动作的智能识别
- 多模态检测方式: 拥护图片分析、视频分析、实时摄像头检测三种模式
- YOLO姿态估计: 基于YOLO11姿态估计模型进行人体关键点检测和动作分析
- 智能动作计数: 通过骨骼关键点角度变化自动统计动作次数
- AI动作分析: 集成Qwen-VL-Plus多模态大模型，对健身动作的规范性进行智能分析并给出改进建议
- 健身计划管理: 支持健身计划创建、饮食计划、锻炼计划、体重记录等全方位管理
- 食物识别分析: 通过上传照片识别食物并分析营养成分，辅助饮食管理
- 分层权限管理: 支持管理员和普通用户的差异化机制访问
应用场景
- 个人健身: 居家健身的动作指导和效果追踪
- 健身房: 辅助教练进行动作规范性评估
- 康复训练: 运动康复过程中的动作监测
- 健身教育: 健身动作教学和培训
- 动作测试: 标准化动作测试和评估
数据库表(共11张表)
- user: 用户表，存储用户基本信息、角色、身体数据（年龄、性别、身高）
- fitness_plan: 健身计划表，存储健身目标、体重信息、计划周期
- diet_plan: 饮食计划表，存储饮食计划内容和每日卡路里目标
- exercise_plan: 锻炼计划表，存储锻炼计划内容
- weight_record: 体重记录表，追踪体重变化
- food_analysis: 食物分析表，存储食物识别和营养成分分析结果
- image_record: 图片分析记录表，存储图片动作分析记录
- video_record: 视频分析记录表，存储视频动作分析和计数记录
- action_analysis: 动作分析表，存储视频动作分析的详细结果
- camera_session_record: 摄像头会话记录表，存储实时检测会话信息
- camera_snapshot: 摄像头快照表，存储实时检测截图及AI分析结果
支持的动作类型: 俯卧撑、深蹲、引体向上、仰卧起坐、哑铃弯举、肩部推举、哑铃飞鸟
四、任务链接
链接: 链接: https://pan.baidu.com/s/1pPTYQWWsedw_AYngV5SokA?pwd=1m54 提取码: 1m54
完整系统源码
(1)前端源码(web-vue)
(2)后端+算法端源码(web-flask)
(3)官网下载好的预训练YOLO模型(yolo11n-pose.pt、yolov8n-pose.pt),支持17个人体关键点检测项目介绍文档
(1)方案概述
(2)工程技巧栈
(3)项目目录结构
(4)系统架构图、功能模块图
(5)数据库开发文档项目启动教程
(1)环境安装教程(视频+文档)
(2)系统启动教程(视频+文档)
