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據服務。

用戶可以通過App，自動獲取結構化的健身數據與專業分析、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，具備高可用、高并發、輕量化、低算力、實時同步、深度人工智能等優勢。

智能健身系統面臨挑戰

智能健身系統將成為未來運動健身領域的重要組成部分。現有的數字化健身系統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AI運動分析系統集成到各種不同的運動場景下成為Fitlab的主要挑戰。與單一AI模型推斷模式不同，多人運動分析系統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，視覺數據要經過多種檢測、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，并提供統一的接口，成為一個難點。

另外，上述的AI運動分析系統對于實時性的要求很高，而一個客戶場景下可能具有數十個視覺傳感器的數據吞吐。這些數據有的是一段運動的序列數據，有的是同時發生的多個位置的空間數據。

因此，基于云的解決方案具有相對較大的網絡IO延遲和帶寬問題，在當前并不是一個合適的選擇。本系統在硬件層面需要構建一套能平衡地利用網絡帶寬和網絡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，Fitlab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勢部署經過量化的AI模型。同時也能將AI模型分布式部署到各個硬件運算節點，從而實現負載均衡。這套系統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據。

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的開發中，基于NVIDIA Docker的Triton Inference Server大幅縮短了AI模型從研發到生產部署的流程，節省了超過55%的開發時間。

目前Fitlab已經開始了在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，極大提高了Fitlab的運動AI研發和落地的進度，同時進一步降低硬件成本，為業務拓展打下堅實的基礎。

因硬件部署成本較低，Fitlab成功將近期廣泛運用于職業運動賽場和專業運動員訓練時使用的專業運動分析的系統，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提供全民健身智慧化服務，并為即將出現的“虛擬線上賽事”、“運動卡”等應用提供數據支持。

編輯：jq