【一步步开发AI运动APP】十、微调优化内置运动分析器，灵活适配不同的应用场景

之前我们为您分享了【一步步开发AI运动小程序】开发系列博文，通过该系列博文，很多开发者开发出了很多精美的AI健身、线上运动赛事、AI学生体测、美体、康复锻炼等应用场景的AI运动小程序；为了帮助开发者继续深耕AI运动领域市场，今天开始我们将为您分享新系列【一步步开发AI运动APP】的博文，带您开发性能更强、体验更好的AI运动APP。

一、为什么要对内置运动进行微调优化

uni-APP版插件与小程序AI运动识别插件一样，当前都内置了跳绳、开合跳、俯卧撑、仰卧起坐、卷腹、深蹲(深蹲起)、平板支撑、马步蹲、坐位体前屈等丰富的运动项目，所有运动项目都按相应的运动规范标准进行适配，足够应付AI键身、线上运动赛事活动、团建打卡、AI体测等多种应用场景。

但是不同的应用场景对运动检测的要求并不一致，比如云上运动赛事场景主要是提升全民的运动热情，并不是以竞技为目标，如果以标准动作规范进行检测，则动作通过率太低，会挫伤用户参赛热情；而像学生体测这种考评类的应用场景，需要更标准规范的动作检测要求，则可能要适度增加规范检测要求，满足考评要求；而用户自由AI健身，则用户自身的运动水平和偏好有很大的关系，运动素质较好的用可能喜欢标准模式，初级用户开始可能喜欢选择宽松，更具有成就感，后期又可能以标准模式发起挑战等等。

如前文所述，不同应用场景对检测规则的需求存在差异，插件若列举出典型场景进行适配，即难于满足无法预知的小众场景，更无法满足有微调需求开发者。鉴于此，我们为内置的运动分析器提供了统一的微调优化机制，以便开发者能除了开箱即用的使用标准模式进行运动检测外，还能对内置运动分析器的各项参数进行微调优化，灵活适应各种应用场景。

二、APP与小程序在运动微调上的差异

不同于小程序，页面层使用的是JS引擎，且插件也是工作在JS引擎层面的，利用javascript的弱类型特性，开发者可直接修改运动分析器Sport实例的属性；而APP则不同，插件为原生程序包，工作在页面渲染引擎之外，在uni-app下虽然渲染引擎为webview渲染引擎，但是得到的运动分析器是经过序列化的对象，并非原生对象的内存引用，无法直接操作实例对象的参数；且在uni-app x下则更为复杂，在android平台为原生引擎，在iOS仍为优化的webview引擎。

针对uni平台下APP的框架的差异，经过分析研究，我们为uni-app插件提供了一个统一的微调优化机制。

三、内置优化器ISportOptimizer

ISportOptimizer为插件统一的内置运动微调优化器，抹平了两个APP框架的微调优化调用差异，不管是uni-app还是uni-app x，统一使用此对象对内置运动分析器进行微调优化。ISportOptimizer对象可以获取和更新内置运动的检测规则、动作样本、个性参数，以进行深度的优化定制。

四、微调优化示例代码

import { ISportOptimizer, ISport, createSport } from "../uni_modules/yz-ai-sport";

function optimizeing(){
	//创建仰卧起坐动分析器
	const sport = createSport('high-knee');
	//创建运动的微调优化器
	const optimizer = sport.buildOptimizer();
	//获取运动的检测规则集
	const rules = optimizer.getRules();
	//获取运动可微调检测参数
	const options = optimizer.getOptions();

	//执行优化
	optimizer.setOption('liftLowest', 0.05);
	rules.leftPose.rules[0].offset = 55;
	rules.leftPose.rules[1].offset = 55;
	optimizer.setRule('leftPose', rules.leftPose);
}

五、微调优化的局限性

对内置运动分析器微调优化，只适合对标准动作进行适当的增减、放宽或收紧，如果动作变化太大，微调优化可能无法满足，比如花式跳绳，无法直接通过现有内置的跳绳微调优化适配。

当然，若微调优化无法满足应用场景需求，也无需担心，插件还支持自定义扩展新的运动项目，我们将在后续章节中介绍，敬请期待...