本项目为前几天收费帮学妹做的一个项目在工作环境中基本使用不到但是很多学校把这个当作编程入门的项目来做故分享出本项目供初学者参考。一、项目描述本项目是一套基于 MediaPipe Pose 的健身动作识别与计数系统。给定一段健身视频系统自动识别人体正在进行的动作类型深蹲、俯卧撑、仰卧起坐/平板支撑并输出对应的重复次数或保持时长。项目无需训练任何自定义模型完全基于预训练姿态估计模型加规则算法实现同时提供批量视频处理和 Web 端在线推理两种使用方式。二、项目功能支持三类健身动作的自动识别与计数深蹲按膝角变化计数、俯卧撑按肘角变化计数、平板支撑按稳定姿态计时。系统对上传视频逐帧分析输出带骨骼标注的结果视频和 CSV 统计文件。通过 Flask Web 页面可在线上传视频、查看识别结果并播放标注后的视频。另有批量处理模式可自动遍历目录下所有视频并汇总结果。针对俯卧撑与平板支撑易混淆的问题系统引入滑动窗口稳定性判据加以区分通过姿态粗分类站立/俯卧/仰卧降低跨动作误触发采用连续帧确认状态机抑制关键点抖动导致的误计数。三、运行环境Windows 11 操作系统Python 3.11CPU 即可运行无需独立显卡。测试环境为 Intel i7-1165G7、16GB 内存1080p 视频处理速度约 30 FPS内存占用约 300 MB。项目依赖独立虚拟环境运行Web 端通过浏览器访问 http://127.0.0.1:5000 使用。四、项目技术核心技术栈为 Python MediaPipe OpenCV Flask。姿态估计层使用 MediaPipe Pose 预训练模型模型体积约 10 MB随 pip 包内置提取人体 33 个 2D 骨骼关键点CPU 单帧推理约 30 毫秒。特征提取层基于向量点积法计算膝角、肘角、躯干角等关节夹角。识别算法采用姿态粗分类前置、多级状态机、滑动窗口稳定性判据、帧级连续确认等规则方法。视频输出采用 H.264 编码保证浏览器兼容播放。Web 层基于 Flask 提供上传接口、JSON 结果返回和标注视频回播。与 OpenPose、HRNet 相比本方案模型体积小 10 到 20 倍CPU 推理速度快 6 到 10 倍适合边缘部署和实时应用。以上系统源码经过技术整理与调试确保能正常运行五、项目截图