Problema
Diseñar una aplicación de entrenamiento que permita al usuario realizar ejercicios de forma autónoma, proporcionando feedback sobre la ejecución y rutinas adaptadas a sus necesidades, sin depender de un entrenador presencial.
Solución
- MoveNet Lightning + TensorFlow Lite para detectar puntos clave del cuerpo y analizar el movimiento en tiempo real directamente desde el dispositivo.
- Groq Cloud Llama 3.3 70B para interpretar peticiones en lenguaje natural y generar rutinas estructuradas. Por ejemplo, una petición como
"rutina de pierna para principiantes"se transforma en una rutina validada en formato JSON. - Supabase como backend para gestionar autenticación, base de datos PostgreSQL y almacenamiento de información del usuario.
- Arquitectura por capas y patrón Repository para separar la interfaz, la lógica de negocio y el acceso a servicios externos.
Funcionalidades
- Seguimiento en tiempo real de sentadillas, flexiones y abdominales mediante detección de pose.
- Feedback visual durante la ejecución de los ejercicios.
- Generación de rutinas personalizadas mediante lenguaje natural.
- Validación y procesamiento de las respuestas generadas por la IA.
- Registro e inicio de sesión mediante Supabase.
- Registro y consulta del historial de entrenamientos.
- Gestión de rutinas personalizadas.
Decisiones Técnicas
La aplicación utiliza una arquitectura por capas para mantener separadas la interfaz, la lógica de negocio y las fuentes de datos. Los repositorios actúan como punto de acceso a servicios como Supabase y Groq, mientras que el procesamiento de la pose se mantiene aislado de la interfaz.
Esta separación permite sustituir servicios externos, modificar la lógica de entrenamiento o ampliar las funcionalidades de IA sin acoplar estos cambios a las pantallas de la aplicación.
Además, el procesamiento de MoveNet mediante TensorFlow Lite permite realizar la detección de pose localmente en el dispositivo, reduciendo la dependencia de servicios externos para el análisis del movimiento.
