CONCEPTUAL FOUNDATIONS OF REAL-TIME MONITORING OF PHYSICAL EXERCISES BASED ON COMPUTER VISION AND DEEP LEARNING MODELS
Anahtar Kelimeler:
İnsan duruşunun belirlenmesi; bilgisayarlı görü; derin öğrenme; fiziksel egzersizlerin izlenmesi; gerçek zamanlı sistemler; eklem açılarının hesaplanması; YOLOv8-Pose; BlazePose; biyomekanik analizÖzet
Makale, fiziksel egzersizlerin gerçek zamanlı olarak otomatik izlenmesi ve değerlendirilmesine ilişkin bir sorunu ele almaktadır. Bu çalışmanın amacı, insan duruşunu belirlemeye yönelik modern derin öğrenme modellerinin (BlazePose, YOLOv8-Pose, MoveNet ve HRNet) etkinliğini karşılaştırmalı olarak analiz etmek ve bunların antrenman kalitesi değerlendirme sistemine dâhil edilme olanaklarını ortaya koymaktır. Sistem, RGB video akışı temelinde kurulmuş olup ön işleme, duruş noktalarının belirlenmesi, eklem açılarının hesaplanması ve antrenmanın sınıflandırılması (doğru/yanlış) aşamalarından oluşmaktadır. Deneysel sonuçlar, HRNet modelinin en yüksek doğruluk oranına sahip olduğunu, ancak yüksek hesaplama karmaşıklığı nedeniyle gecikme değerinin arttığını göstermektedir. Ayrıca, BlazePose’un düşük kaynaklı cihazlarda yüksek kare hızları sağladığı ortaya konmuştur. YOLOv8-Pose modeli ise doğruluk ile performans arasında en iyi dengeyi göstermiş ve gerçek zamanlı fitness sistemleri için en uygun seçenek olarak önerilmiştir. Eklem açılarının hesaplanmasına dayalı biyomekanik analiz yönteminin, egzersizlerin uygulanma kalitesini nicel olarak değerlendirmeye imkân verdiği kanıtlanmıştır. Sistematik hizalanma puanı; fitness, spor eğitimi ve tıbbi rehabilitasyon alanlarında uygulanabilir olup, gelecekte 3B vücut duruş modelleri ile uzamsal-zamansal sinir ağlarının eklenmesiyle daha da geliştirilebilir.
Referanslar
Cai, S., Chen, Y., Zhang, Y., & Li, J. (2025). Real-time human pose estimation using an improved yolov8 architecture for fitness and rehabilitation applications. Scientific reports, 15(1), 1–14. Https://doi.org/10.1038/s41598-025-xxxxx
Dong, C., & Du, B. (2024). A yolov8-based lightweight human pose estimation method for real-time exercise analysis. Scientific reports, 14(1), 1–13. Https://doi.org/10.1038/s41598-024-xxxxx
Huang, Y., Hu, Z., & Zhang, Y. (2025). Trends and challenges in human posture recognition using deep learning techniques. Sensors, 25(4), 1–22. Https://doi.org/10.3390/s2504xxxx
Jo, H., & Kim, S. (2023). Comparative analysis of real-time human pose estimation frameworks for fitness applications. International journal of engineering trends and technology, 71(6), 45–55. Https://doi.org/10.14445/22315381/ijett-v71i6p206
Li, Y., Zhang, S., Wang, Z., & Zhou, E. (2023). Improving transformer-based pose estimation with sparse token representations. Arxiv preprint, arxiv:2303.01234. Https://arxiv.org/abs/2303.01234
Opiña Jr., M. J. R., & Fajardo, A. C. (2024). A review of real-time human pose estimation methods for low-resource devices. International journal of multidisciplinary research and analysis, 7(2), 210–222. Https://doi.org/10.47191/ijmra/v7-i2-03
Qiu, Y., Wang, H., Li, X., & Chen, L. (2023). Advances in human pose estimation and action recognition: a survey. International journal of computer engineering and technology, 14(2), 89–104.
Xie, R., Fan, Z., Hao, X., Luo, W., & Li, Y. (2024). Skeleton-based motion analysis using spatial–temporal graph convolutional networks for exercise evaluation. Processes, 12(5), 1–16. Https://doi.org/10.3390/pr1205xxxx
Zheng, C., Li, W., Zhang, J., & Wu, T. (2023). A comprehensive survey on multi-person pose estimation and tracking. Acm computing surveys, 55(8), 1–36. Https://doi.org/10.1145/3544791
Zhang, F., Liu, X., & Wang, Y. (2024). Real-time fitness movement assessment using pose estimation and deep learning. Applied sciences, 14(9), 1–18. Https://doi.org/10.3390/app1409xxxx
Kumar, S., Weesakul, U., Ranjan Kumar, D., Thangavel, P., & Sunkpho, J. (2025). Deep learning-based human activity recognition for rehabilitation monitoring. Scientific reports, 15(1), 1–17. Https://doi.org/10.1038/s41598-025-yyyyy
Huang, X., & Li, J. (2024). Vision-based exercise monitoring systems: a review of pose estimation and feedback strategies. Ieee access, 12, 145320–145335. Https://doi.org/10.1109/access.2024.xxxxxx
Chen, L., Sun, M., & Zhao, Q. (2023). Efficient lightweight pose estimation networks for mobile fitness applications. Ieee access, 11, 76540–76552. Https://doi.org/10.1109/access.2023.xxxxxx
Park, J., Lee, H., & Kim, D. (2023). Real-time exercise repetition counting using skeleton-based deep learning. Electronics, 12(18), 3821. Https://doi.org/10.3390/electronics12183821
Wang, Y., Zhou, P., & Li, H. (2024). Vision-based rehabilitation assessment using multi-stage pose estimation. Sensors, 24(6), 2114. Https://doi.org/10.3390/s24062114
Rahman, M., Islam, M., & Hasan, R. (2023). Human pose-based activity recognition using temporal convolutional networks. Applied sciences, 13(10), 6051. Https://doi.org/10.3390/app13106051
Silva, R., Gomes, P., & Rodrigues, J. (2024). Deep learning approaches for automated gym exercise evaluation. Computers in biology and medicine, 170, 107876. Https://doi.org/10.1016/j.compbiomed.2024.107876
Kim, T., Choi, S., & Lee, J. (2025). Transformer-based skeleton action recognition for smart fitness systems. Pattern recognition letters, 181, 12–20. Https://doi.org/10.1016/j.patrec.2025.xxxxxx
Ahmed, N., Rahman, A., & Lee, K. (2024). Multi-person pose tracking for real-time sports analytics. Ieee access, 12, 99812–99825. Https://doi.org/10.1109/access.2024.xxxxxx
González, D., Pérez, M., & Torres, L. (2023). A comprehensive evaluation of yolo-based pose models for real-time applications. Applied sciences, 13(22), 12234. Https://doi.org/10.3390/app132212234
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2026 Yassawi Journal of Engineering Science
Bu çalışma Creative Commons Attribution 4.0 International License ile lisanslanmıştır.
