Fitlab（紛來智能）致力于打造基于計算機視覺的智能健身解決方案，在不改變健身房運營模式和用戶運動習慣等前提下，為健身房及其用戶提供全面的運動健康數(shù)據(jù)服務。

用戶可以通過App，自動獲取結構化的健身數(shù)據(jù)與專業(yè)分析、實時的動作校準和指導，享受私教級別的健身服務。健身房運營者可以實現(xiàn)科技感、智能化形象升級，獲得精細化的管理和運營能力。支撐這一變革的核心技術的是Fitlab自研的“身份認證”和“運動分析”兩大系統(tǒng)，具備高可用、高并發(fā)、輕量化、低算力、實時同步、深度人工智能等優(yōu)勢。

智能健身系統(tǒng)面臨挑戰(zhàn)

智能健身系統(tǒng)將成為未來運動健身領域的重要組成部分。現(xiàn)有的數(shù)字化健身系統(tǒng)或者是集成在特定種類的運動場館（籃球足球），或者是在家庭終端中。而多用戶與多運動類型等復雜環(huán)境下的智能化需求并沒有被滿足。

因此，將具有低延時、高吞吐量的實時多人室內(nèi)AI運動分析系統(tǒng)集成到各種不同的運動場景下成為Fitlab的主要挑戰(zhàn)。與單一AI模型推斷模式不同，多人運動分析系統(tǒng)涉及到各種不同功能的AI模型的復雜耦合：

分析過程要基于多個位置的實時視頻流，視覺數(shù)據(jù)要經(jīng)過多種檢測、識別、定位和分析等模型。因此將不同后端、不同量化模式、不同功能的AI模型部署起來，并提供統(tǒng)一的接口，成為一個難點。

另外，上述的AI運動分析系統(tǒng)對于實時性的要求很高，而一個客戶場景下可能具有數(shù)十個視覺傳感器的數(shù)據(jù)吞吐。這些數(shù)據(jù)有的是一段運動的序列數(shù)據(jù)，有的是同時發(fā)生的多個位置的空間數(shù)據(jù)。

因此，基于云的解決方案具有相對較大的網(wǎng)絡IO延遲和帶寬問題，在當前并不是一個合適的選擇。本系統(tǒng)在硬件層面需要構建一套能平衡地利用網(wǎng)絡帶寬和網(wǎng)絡IO負載，同時能有效支持AI異構計算的硬件拓撲結構。

應用方案

基于以上挑戰(zhàn)，F(xiàn)itlab選擇采用NVIDIA Jetson邊緣AI計算平臺作為底層硬件，采用NVIDIA Docker和NVIDIA Triton Inference Server作為多后端集成的模型部署工具，使用后給系統(tǒng)的運行效率帶來巨大提升。

1. NVIDIA Jetson邊緣AI計算平臺能夠以低成本的優(yōu)勢部署經(jīng)過量化的AI模型。同時也能將AI模型分布式部署到各個硬件運算節(jié)點，從而實現(xiàn)負載均衡。這套系統(tǒng)的綜合推斷運行效率相比原來提高了30倍，能有效處理大吞吐量的視頻流數(shù)據(jù)。

同時由于Jetson邊緣AI計算平臺上具有豐富的視覺傳感器接口，因此也能充當集成了多位置的幀同步功能的視頻推流服務器，使得部署成本降低了10倍左右。

2. NVIDIA Triton Inference Server是一種集成了多種自定義后端、支持不同量化方式的AI模型部署服務框架。相較于其他部署框架，Triton能夠更加高效地利用NVIDIA GPU的算力。

同時Triton還支持模型自動并行、動態(tài)batching等，在真實場景下大幅提升算力的利用率。在紛來智能的實時運動分析系統(tǒng)的開發(fā)中，基于NVIDIA Docker的Triton Inference Server大幅縮短了AI模型從研發(fā)到生產(chǎn)部署的流程，節(jié)省了超過55%的開發(fā)時間。

目前Fitlab已經(jīng)開始了在B端種子用戶中的部署，全方位提高種子用戶的服務能力及經(jīng)營能力。使健身愛好者更好地了解每次運動的成效，更安全更有效率地實現(xiàn)用戶的訓練目標。

使用效果及影響

使用NVIDIA Jetson邊緣AI平臺和NVIDIA Triton服務框架，構建軟硬一體的智能運動分析系統(tǒng)，極大提高了Fitlab的運動AI研發(fā)和落地的進度，同時進一步降低硬件成本，為業(yè)務拓展打下堅實的基礎。

因硬件部署成本較低，F(xiàn)itlab成功將近期廣泛運用于職業(yè)運動賽場和專業(yè)運動員訓練時使用的專業(yè)運動分析的系統(tǒng)，通過純視覺的方式帶給每一位運動愛好者。Fitlab致力于為整個運動行業(yè)提供全民健身智慧化服務，并為即將出現(xiàn)的“虛擬線上賽事”、“運動卡”等應用提供數(shù)據(jù)支持。

編輯：jq