The object of the research is ML-systems for key point extraction for video recordings. The aim of the research is to analyze ML-systems and find the best model for extracting key points from video recordings. The aim of the paper is to analyze the existing ML-systems for extracting key gesture language from video recordings. The research methods are based on data analysis, theory of extracting key points from image, conducting experiments, measuring and comparing the obtained values to evaluate the models. The scientific novelty of the study lies in solving the actual problem of evaluating ML-based keypoint extraction systems for the task of sign language, using modern technologies. The result of the work is a comparative analysis of ML-systems of keypoint extraction from video recordings of sign language, which allowed to identify the best models in terms of metrics and efficiency, and a gloss gluing algorithm is developed, which allows to combine them into one single gesture. / Объект исследования — МЛ-системы извлечения ключевых точек для видеозаписей. Цель исследования – проанализировать мл-системы и найти наилучшую модель для извлечения ключевых точек из видеозаписей. Целью работы – анализ существующих МЛ-систем для извлечение ключевых жестового языка из видеозаписей. Методы исследования основываются на анализе данных, теории извлечения ключевых точек из изображения, проведение экспериментов, измерении и сравнении полученных значений для оценки моделей. Научная новизна исследования заключается в решение актуальной задачи оценки МЛ-систем извлечения ключевых точек для задачи жестового языка, с применением современных технологий. Результатом работы является сравнительный анализ МЛ-систем извлечения ключевых точек из видеозаписей жестового языка, который позволил определить лучшие по метрикам и по эффективности модели, а также разработан алгоритм склейки глоссов, который позволяет объединить их в один единый жест.

Фитнес занимает важное место в жизни людей. Хорошие привычки фитнеса могут улучшить работу сердца и легких, повысить концентрацию, предотвратить ожирение и эффективно снизить риск смерти. Люди получают свои знания о фитнесе в основном из социальных сетей. Исследования показывают, что поддержание фитнеса имеет решающее значение для пропаганды здорового образа жизни и используется для оценки качества жизни, связанного со здоровьем. Хотя привлечение фитнес-тренера может быть эффективным подходом к поощрению регулярных упражнений и общего благополучия, это не всегда может быть осуществимо или доступно в определенных ситуациях. Стоит отметить, что упражнения имеют многочисленные преимущества для здоровья, но при неправильном выполнении они могут быть как неэффективными, так и потенциально опасными. Люди, которые тренируются без надлежащего контроля, часто совершают ошибки, такие как использование неправильных форм, что может привести к серьезным последствиям, таким как травмы подколенных сухожилий или падения. но способность к обучению ограничена. Неполная физическая подготовка может привести к травмам, а дешевая, своевременная и точная система определения физической подготовки может снизить риск травм и эффективно улучшить осведомленность людей о своей физической форме. В прошлом многие исследования были посвящены обнаружению фитнес-движений, среди которых обнаружение фитнес-движений на основе носимых устройств, узлов тела и глубокого обучения изображений достигло более высокой производительности. Однако носимое устройство не может обнаруживать различные фитнес-движения, может мешать физическим упражнениям пользователя и имеет высокую стоимость. Оба метода, основанные на узлах тела и на глубоком обучении изображений, имеют более низкую стоимость, но у каждого есть некоторые недостатки. Поэтому в этой статье использовался алгоритм оценки позы человека, такой как Yolov7, OpenPose и, в частности, Mediapipe, для оптимизации производительности приседаний на разных уровнях мастерства; эта система обеспечивает анализ техник приседаний в реальном времени. Настраиваемые режимы, предназначенные для новичков и профессионалов, обеспечивают персонализированную обратную связь, позволяя пользователям эффективно совершенствовать свою форму. Используя методы компьютерного зрения и машинного обучения, включая MediaPipe, OpenCV и Python, система отслеживает движения пользователей, предоставляя на экране руководство и слуховые подсказки для коррекции осанки и прогресса тренировки. AI-Fit предлагает решение, позволяющее людям безопасно заниматься спортом под руководством экспертов, и удовлетворяет потребность в персонализированных фитнес-тренировках, профилактике травм и мотивации, в конечном итоге улучшая общую физическую форму и самочувствие пользователей. / Fitness is important in people’s lives. Good fitness habits can improve cardiopulmonary capacity, increase concentration, prevent obesity, and effectively reduce the risk of death. People obtain their fitness knowledge mostly from social media. Research indicates that maintaining fitness is crucial for promoting a healthy way of living and is used to assess one's health-related quality of life. While engaging a fitness trainer can be an effective approach to encouraging regular exercise and overall well-being, it may not always be feasible or affordable in certain situations. It is worth noting that exercise has numerous health benefits, but if performed incorrectly, it can be both ineffective and potentially hazardous. Individuals who work out without proper supervision often make mistakes such as using improper forms, which can lead to severe consequences, such as hamstring injuries or falls. but learning ability is limited. Incomplete fitness is likely to lead to injury, and a cheap, timely, and accurate fitness detection system can reduce the risk of fitness injuries and can effectively improve people’s fitness awareness. In the past, many studies have engaged in the detection of fitness movements, among which the detection of fitness movements based on wearable devices, body nodes, and image deep learning has achieved better performance. However, a wearable device cannot detect a variety of fitness movements, may hinder the exercise of the fitness user, and has a high cost. Both body-node-based and image-deep-learning-based methods have lower costs, but each has some drawbacks. Therefore, this paper used a human pose estimation algorithm such as Yolov7, OpenPose and particularly Mediapipe, to optimize squat performance across various skill levels, this system provides real-time analysis of squat techniques. Customized modes tailored for beginners and professionals deliver personalized feedback, empowering users to refine their form effectively. By employing techniques from computer vision and machine learning, including MediaPipe, OpenCV, and Python, the system tracks users' movements, providing on-screen guidance and auditory cues for posture correction and workout progression. AI-Fit offers a solution for individuals to exercise safely with expert guidance and addresses the need for personalized fitness training, injury prevention, and motivation, ultimately enhancing users' overall physical fitness and well-being.