Comment fonctionne vraiment un form check IA, répétition par répétition

Vous envoyez une vidéo de votre squat et trente secondes plus tard une app vous dit que la répétition 3 a coupé la profondeur et que vos genoux sont rentrés à la 5. Pour décider de la confiance à lui accorder, mieux vaut savoir exactement ce qui se passe entre les deux. Voici le fonctionnement d'une analyse vidéo de technique par IA, écrit par l'équipe qui en construit une, y compris les endroits où la technologie a de vraies limites.

Étape 1 : trouver votre corps dans chaque image

La base est l'estimation de pose : un réseau de neurones qui localise les repères de votre corps, image par image. Le form check d'HyperBody utilise une détection de pose de la famille MediaPipe, qui suit 33 repères : yeux, oreilles, épaules, coudes, poignets, hanches, genoux, chevilles et pieds¹.

Deux choses comptent à cette étape. D'abord, le modèle estime les positions à partir de ce qu'il voit : une articulation cachée derrière un disque ou une autre personne reçoit une estimation avec un score de confiance bas, et un bon pipeline traite ces articulations avec méfiance au lieu de leur faire confiance. Ensuite, la sortie est un squelette dans le temps : pour une série de 30 secondes à 24 images par seconde, environ 720 squelettes qui décrivent ensemble comment votre corps a bougé.

Étape 2 : découper le mouvement en répétitions

Des squelettes bruts ne sont pas un retour technique. L'étape suivante trouve les répétitions : le pipeline suit un signal qui monte et descend avec le mouvement, comme la hauteur des hanches pour un squat ou celle des poignets pour un développé militaire, le lisse pour retirer le bruit, puis le découpe en cycles. Chaque cycle est une répétition, avec un début, un point bas (ou haut) et une fin.

C'est aussi là que l'ingénierie honnête se voit. L'angle de prise de vue, les répétitions partielles et le retour de la barre sur les supports produisent des cycles ambigus, et un form checker doit décider de ce qui compte comme une répétition avant d'en juger une. Quand une app dit avoir vu 6 répétitions alors que vous en avez fait 8, c'est à cette étape que le désaccord s'est produit.

Étape 3 : mesurer ce qu'un coach regarde

Une fois les répétitions isolées, le pipeline calcule les chiffres qu'un bon coach évalue à l'œil :

• Profondeur : pour un squat, la position du pli de hanche par rapport au genou au point bas de chaque répétition.
• Angles articulaires : angles de hanche et de genou aux moments clés, comme l'angle de hanche au verrouillage d'un soulevé de terre.
• Trajet de barre ou de mains : la dérive horizontale sur la répétition, qui révèle une barre qui part vers l'avant.
• Symétrie : les différences gauche-droite d'angles ou de hauteurs qui suggèrent qu'un côté travaille plus.
• Tempo : la durée des phases de descente et de montée, et si le contrôle s'est dégradé au fil de la série.

Chaque mouvement a sa propre liste de contrôles. Une analyse de développé couché s'intéresse à l'écartement des coudes et à la dérive de la barre ; une analyse de soulevé de terre au dos arrondi et au verrouillage ; une analyse de tractions à l'amplitude et au balancier. C'est pourquoi les form checkers sérieux couvrent une liste précise d'exercices au lieu de prétendre tout analyser : les mesures sont propres à chaque mouvement. Celui d'HyperBody couvre 15 mouvements, chacun avec ses contrôles, décrits sur les pages par exercice comme le form check du squat et le form check du soulevé de terre.

Étape 4 : transformer les chiffres en verdict

Une mesure devient un retour via des seuils : un pli de hanche qui finit au-dessus du genou au-delà d'une tolérance est signalé comme trop haut, un angle de genou qui s'effondre vers l'intérieur au-delà d'une borne est signalé comme valgus. Chaque constat porte une sévérité, pour distinguer une répétition qui a manqué la profondeur d'un centimètre d'une autre qui l'a manquée de dix, et le défaut le plus grave et le plus régulier de la série ouvre le rapport, plutôt qu'un mur de détails.

Ce qu'un form check IA ne peut honnêtement pas faire

Le même pipeline qui produit le retour a de vraies limites, et vous devriez vous méfier de tout produit qui les cache :

• Il ne voit pas ce que la caméra ne voit pas. En vue de profil stricte, le côté éloigné de votre corps est estimé, pas observé. L'angle de prise de vue est le premier facteur de qualité d'analyse.
• Il ne connaît pas votre charge. La vidéo montre des positions, pas l'effort : une répétition limite à 95 % et une répétition facile d'échauffement à technique identique se lisent pareil.
• Un mauvais éclairage dégrade tout. Les modèles de pose perdent en précision dans des images sombres et très occluses.
• Il mesure le mouvement, pas la douleur ni l'historique. Aucune analyse vidéo ne connaît votre vieille blessure au genou. Elle signale des schémas ; un clinicien diagnostique.

Ces limites expliquent pourquoi un form check est un outil de feedback, pas un dispositif médical, et pourquoi le meilleur usage est en tendance : filmez une série chaque semaine, corrigez le défaut principal, et vérifiez qu'il cesse d'apparaître.

Comment filmer pour l'analyse la plus fiable

• Une série par vidéo, corps entier dans le cadre pendant toute la série, barre comprise en haut.
• Caméra à hauteur de hanche, à peu près perpendiculaire au mouvement pour squats, soulevés de terre et développés.
• Éclairage homogène, pas de contre-jour ; évitez de filmer face à une fenêtre.
• Gardez les autres personnes hors du cadre pour que le suivi reste verrouillé sur vous.

Fait ainsi, l'envoi d'une série prend moins d'une minute et l'analyse revient avec des verdicts par répétition exploitables dans la même séance. Pour voir ce que cela donne sur vos propres barres, le form check IA se teste gratuitement, et des articles comme le travail des points faibles et construire un programme qui progresse couvrent quoi faire des constats. Les six clips de démonstration sont sur la page des vidéos si vous voulez voir à quoi ressemble une prise de vue bien faite.

---

References

Footnotes

1. Bazarevsky V et al. (2020). BlazePose: On-device Real-time Body Pose Tracking. arXiv:2006.10204. https://arxiv.org/abs/2006.10204