企业官网建设流程全解析

1. 项目缘起：为什么要在树莓派上做健身房损伤检测？

如果你经常去健身房，或者自己就是健身教练，肯定见过不少让人揪心的场景：有人深蹲时膝盖内扣，有人卧推时弓腰借力，还有人硬拉时背部明显弯曲。这些错误的动作模式，短期看可能只是“姿势不标准”，但日积月累，就是导致肌肉拉伤、关节磨损甚至更严重运动损伤的直接元凶。

传统的解决方案是什么？要么靠教练火眼金睛，一对一盯着，人力成本高，还容易疲劳漏判；要么靠会员自己对着镜子练，但很多细微的、自己感觉不到的代偿动作，镜子根本反映不出来。更别提那些在无人指导的家庭健身房或者户外健身区锻炼的人了，完全是在“盲人摸象”，受伤风险极高。

所以，当“AI视觉”和“边缘计算”这两个词越来越热的时候，我就在想，能不能用最便宜、最普及的硬件——树莓派，加上一个普通的摄像头，搭建一个能自动识别危险健身动作的“电子教练”？它不需要替代真人教练，而是作为一个7x24小时在线的“安全员”，在危险动作发生的第一时间发出预警，把损伤扼杀在摇篮里。

这个想法就是“Gym Injury Detection with Raspberry Pi AI Camera”项目的核心。它不是一个复杂的科研项目，而是一个极具实用价值的工程实践：利用树莓派强大的社区生态和AI推理能力，在设备端（边缘侧）实时分析人体姿态，判断其是否符合安全规范，并及时给出反馈。整个过程不依赖云端，保护隐私，响应迅速，成本低廉，非常适合健身房、学校、社区活动中心甚至家庭使用。

接下来，我就把自己从零搭建这套系统的完整过程、踩过的坑、以及优化心得，毫无保留地分享出来。你会发现，用树莓派玩转AI，远没有想象中那么难。

2. 核心方案选型：为什么是MediaPipe + TensorFlow Lite？

决定做这个项目后，第一个拦路虎就是技术选型。人体姿态估计（Human Pose Estimation）是计算机视觉的经典问题，方案多如牛毛。有OpenPose这样的老牌劲旅，有AlphaPose这类精度更高的后起之秀，还有各种基于Transformer的SOTA模型。但为什么我最终选择了Google的MediaPipe，并且用TensorFlow Lite（TFLite）在树莓派上部署？

这里面的决策逻辑，是任何边缘AI项目都必须考虑清楚的，我把它拆解为四个核心维度：精度、速度、易用性和资源消耗。

2.1 精度与速度的权衡：MediaPipe的“甜点区”

对于健身房动作检测，我们不需要医学级的人体骨骼精度（比如精确到每一节指骨）。我们关心的是几个大关节（肩、肘、腕、髋、膝、踝）和躯干（脊柱）的相对位置关系。MediaPipe Pose提供的33个3D关节点（从鼻尖到脚踝）完全够用，其精度在常规光照和视角下已经非常可靠。

更重要的是速度。OpenPose虽然精度高，但模型复杂，即使在树莓派4B上，一帧图像的处理时间也可能超过1秒，这完全无法满足“实时”预警的需求。MediaPipe Pose则不同，它提供了从“轻量”到“高精度”多个模型。其中，pose_landmarker_lite.task这个轻量模型，在树莓派4B上配合CPU推理，完全能达到接近10 FPS（每秒帧数）的处理速度。这个帧率对于检测相对缓慢的健身动作来说，已经足够做出及时判断。

注意：这里的“实时”是一个相对概念。对于高速运动的球类，可能需要30FPS以上；但对于深蹲、卧推这类动作，一个动作周期往往在2-4秒，10FPS意味着我们能在这个周期内捕捉20-40个姿态样本，足以分析其运动轨迹是否异常。

2.2 易用性：从原型到产品的最短路径

MediaPipe另一个巨大优势是它的“交钥匙”解决方案。它不仅仅是一个模型，而是一整套从图像输入、模型推理到后处理（如坐标转换、平滑滤波）的管道（Pipeline）。使用MediaPipe的Python API，你只需要几行代码就能获取到稳定、平滑的人体关节点坐标，无需自己处理复杂的图像预处理、非极大值抑制（NMS）等底层细节。

这对于快速验证想法、构建原型至关重要。我可以把精力集中在“如何根据这些坐标点定义危险动作”这个业务逻辑上，而不是陷在模型训练和部署的泥潭里。

2.3 资源消耗：树莓派的生存之道

树莓派4B虽然有4GB内存，但它的算力（尤其是浮点运算能力）和功耗限制，决定了它不能运行庞大的模型。TensorFlow Lite正是为这种资源受限的嵌入式设备和移动设备设计的推理框架。

MediaPipe官方就提供了TFLite格式的模型文件（.tflite）。TFLite会对模型进行优化，包括量化（将32位浮点数转换为8位整数），这能大幅减少模型体积和内存占用，并提升推理速度，而精度损失在可接受范围内。一个量化后的MediaPipe Pose Lite模型，大小可能只有几MB，在树莓派上运行毫无压力。

2.4 最终决策链

因此，我的选型逻辑链非常清晰：

1. 需求驱动：需要实时（>5FPS）、低成本的人体姿态估计。
2. 平台约束：硬件是树莓派4B，算力和内存有限。
3. 方案筛选：在满足1和2的前提下，寻找精度可接受、生态成熟、易于部署的方案。
4. 锁定MediaPipe：它提供了轻量级模型、完整的Pipeline和TFLite支持，完美匹配需求。
5. 部署框架：自然选择与MediaPipe和树莓派生态结合最紧密的TensorFlow Lite作为运行时。

这个决策过程，其实适用于任何边缘AI项目：先明确场景和硬件边界，再在边界内寻找最优解，而不是盲目追求最先进的模型。

3. 硬件与软件环境搭建：一步一坑的实战记录

确定了技术方案，接下来就是动手搭建环境。这部分看似是“体力活”，但很多坑都埋在这里，一步走错，后面就可能全盘报错。

3.1 硬件清单与连接

我的核心硬件非常简单：

• 树莓派4B (4GB RAM)：主力计算单元。2GB版本可能会在运行其他服务时内存紧张，4GB是更稳妥的选择。
• 官方Raspberry Pi Camera Module 2 (800万像素)：为什么选官方摄像头？因为它通过CSI接口直接连接树莓派，带宽高、延迟极低，并且有成熟的picamera2库驱动，稳定性远超普通的USB摄像头。对于需要实时处理的视觉项目，这是关键。
• 一张至少16GB的MicroSD卡：建议使用A1/V30规格的高速卡，系统响应和读写会快很多。
• 电源：必须使用官方推荐的5V/3A电源，供电不足会导致树莓派降频，严重影响AI推理速度。
• 散热片或风扇：树莓派4B运行AI负载时发热严重，主动散热能保证其持续以高性能运行。

连接时，确保摄像头排线金色触点朝向网口方向，轻轻按下CSI接口的卡扣并插入排线，再锁紧卡扣。这个步骤要小心，排线很脆弱。

3.2 操作系统与基础配置

我使用的是Raspberry Pi OS (64-bit) Lite版本。为什么不选带桌面GUI的版本？因为我们的项目最终要作为一个无头服务器（Headless）运行，GUI会白白占用几百MB内存和CPU资源。通过SSH远程操作就足够了。

系统烧录好后，首要任务是换源和更新。编辑/etc/apt/sources.list和/etc/apt/sources.list.d/raspi.list，将官方源替换为国内镜像源（如清华源、中科大源），这能让你后续的软件安装速度提升十倍不止。

然后执行：

sudo apt update && sudo apt full-upgrade -y sudo raspi-config

在raspi-config中，需要完成几个关键设置：

1. 启用摄像头：Interface Options->Legacy Camera（或Camera，取决于OS版本），选择启用。这里有个大坑：新版的libcamera是趋势，但MediaPipe等库对它的兼容性可能不如老的picamera驱动稳定。为了减少麻烦，我暂时选择了启用Legacy Camera支持。
2. 扩展文件系统：Advanced Options->Expand Filesystem，确保SD卡所有空间都被利用。
3. 内存分配：Performance Options->GPU Memory，如果你不需要桌面环境，可以将GPU内存设置为最低（如16MB），把更多内存留给系统。
4. 启用SSH：方便远程开发。

3.3 Python虚拟环境与核心库安装

绝对不建议在系统Python环境下直接安装项目依赖，版本冲突会让你痛不欲生。使用venv创建独立的虚拟环境是Python项目的最佳实践。

python3 -m venv ~/gym_ai_venv source ~/gym_ai_venv/bin/activate

激活虚拟环境后，提示符前会出现(gym_ai_venv)字样。

接下来安装核心库，这里顺序很重要：

1. 首先安装OpenCV：MediaPipe依赖它。树莓派上从源码编译OpenCV极其耗时，我们直接用预编译的轮子。

   pip install opencv-python-headless

   用headless版本，因为它不包含GUI相关的库（如GTK），体积更小，更适合服务器环境。
2. 安装MediaPipe：这是主角。注意，MediaPipe对NumPy版本有要求，直接安装可能会自动解决依赖。

   pip install mediapipe

   如果安装缓慢或出错，可以使用-i参数指定国内PyPI镜像。
3. 安装TensorFlow Lite运行时：MediaPipe在树莓派上默认使用TFLite推理。我们需要安装TFLite的Python接口。

   pip install tflite-runtime

   这比安装完整的TensorFlow包要轻量得多。
4. 安装Picamera2：用于驱动CSI摄像头。

   sudo apt install -y python3-picamera2 pip install picamera2

5. 其他工具库：如numpy,pandas（用于记录数据）等。

安装完成后，写一个简单的测试脚本，分别测试摄像头能否打开、MediaPipe能否导入并初始化一个姿态检测器。确保每一步都成功，再进入下一步开发。

4. 核心代码实现：从图像流到风险判断

环境搭好，就进入了最核心的编码环节。我们的程序流程可以概括为：捕获图像 -> MediaPipe推理获取关节点 -> 根据业务规则计算风险指标 -> 判断并预警。

4.1 图像捕获与MediaPipe初始化

首先，初始化摄像头和MediaPipe Pose检测器。

import cv2 import mediapipe as mp from picamera2 import Picamera2 import numpy as np # 初始化MediaPipe Pose mp_pose = mp.solutions.pose mp_drawing = mp.solutions.drawing_utils pose = mp_pose.Pose( static_image_mode=False, # 视频流模式 model_complexity=1, # 模型复杂度：0（轻量），1（标准），2（高精度） smooth_landmarks=True, # 平滑关节点，减少抖动 enable_segmentation=False, # 不需要人体分割 min_detection_confidence=0.5, # 检测置信度阈值 min_tracking_confidence=0.5 # 跟踪置信度阈值 ) # 初始化Picamera2 picam2 = Picamera2() # 配置预览分辨率，平衡画质和速度 config = picam2.create_preview_configuration(main={"size": (640, 480)}) picam2.configure(config) picam2.start()

这里有几个参数需要根据场景调整：

• model_complexity=1：在树莓派4B上，复杂度1（标准模型）在速度和精度间取得了很好的平衡。如果追求更高帧率，可以尝试设为0。
• smooth_landmarks=True：对于视频流，开启平滑能有效过滤掉单帧的噪声，让关节点运动轨迹更稳定，这对后续的动作分析至关重要。
• min_detection_confidence：置信度低于此值，则认为未检测到人体。健身房场景通常比较干净，0.5足够。如果环境复杂（多人、遮挡），可以适当调高。

4.2 关节点数据解析与归一化

MediaPipe返回的关节点坐标是归一化的图像坐标（x, y, z），范围在[0, 1]之间，原点在图像左上角。我们需要将其转换为像素坐标，并提取我们感兴趣的关节点。

def get_keypoints(landmarks, image_shape): """将MediaPipe的landmarks转换为像素坐标字典""" h, w, _ = image_shape keypoints = {} # 定义我们需要的关节点索引（MediaPipe Pose的33个点） # 例如：左肩(11), 左肘(13), 左腕(15), 左髋(23), 左膝(25), 左踝(27) # 右半身同理（12,14,16,24,26,28） # 鼻子(0), 左右眼睛、耳朵等 indices_of_interest = [0, 11, 12, 13, 14, 15, 16, 23, 24, 25, 26, 27, 28] for idx in indices_of_interest: lm = landmarks.landmark[idx] # 将归一化坐标转换为像素坐标 cx, cy = int(lm.x * w), int(lm.y * h) # z值表示深度，近似值，可用于判断前后关系 keypoints[idx] = (cx, cy, lm.z) return keypoints

4.3 定义健身动作的风险规则（以深蹲为例）

这是项目的业务核心。我们需要将运动医学和健身教练的经验，转化为可计算的几何规则。这里以最常见的“深蹲时膝盖内扣”为例。

膝盖内扣，专业术语叫“膝外翻”（Knee Valgus）。在2D图像中，我们可以通过比较膝盖关节点和脚踝关节点的连线，与髋关节-脚踝连线的相对位置来判断。

def check_knee_valgus(keypoints, side='left'): """检测膝盖内扣（膝外翻） side: 'left' 或 'right' 返回：风险等级 (0:正常，1:警告，2:危险) 和 内扣角度（近似） """ if side == 'left': hip_idx, knee_idx, ankle_idx = 23, 25, 27 else: hip_idx, knee_idx, ankle_idx = 24, 26, 28 # 确保所有需要的关节点都被检测到 if not all(idx in keypoints for idx in [hip_idx, knee_idx, ankle_idx]): return 0, 0.0 hip = keypoints[hip_idx][:2] # (x, y) knee = keypoints[knee_idx][:2] ankle = keypoints[ankle_idx][:2] # 计算向量 # 大腿向量：从髋到膝 thigh_vec = np.array(knee) - np.array(hip) # 小腿向量：从膝到踝 shin_vec = np.array(ankle) - np.array(knee) # 计算膝盖角度（大腿和小腿的夹角） # 这里我们更关心膝盖在水平方向上的投影 # 一个简单的判断：膝盖的x坐标是否明显在脚踝和髋关节的x坐标连线之内？ # 更精确的做法：计算Q角（Quadriceps Angle）的近似值 # 在2D图像上，我们可以计算“膝-踝”连线与垂直线的夹角 # 计算踝关节到膝关节的向量 ankle_to_knee_vec = np.array(knee) - np.array(ankle) # 计算该向量与垂直向下向量(0, 1)的夹角 vertical_vec = np.array([0, 1]) # 使用点积公式计算夹角（弧度） dot_product = np.dot(ankle_to_knee_vec, vertical_vec) norm_ak = np.linalg.norm(ankle_to_knee_vec) norm_v = np.linalg.norm(vertical_vec) # 防止除零 if norm_ak == 0: return 0, 0.0 cos_theta = dot_product / (norm_ak * norm_v) # 由于是锐角，直接使用arccos angle_rad = np.arccos(np.clip(cos_theta, -1.0, 1.0)) angle_deg = np.degrees(angle_rad) # 判断逻辑：如果膝盖过度向内偏移，踝-膝连线与垂直线的夹角会增大 # 经验阈值：当这个角度大于15度时，认为存在明显内扣风险 risk = 0 if angle_deg > 20: risk = 2 # 危险 elif angle_deg > 15: risk = 1 # 警告 return risk, angle_deg

同理，我们可以定义其他危险动作的规则：

• 背部弯曲（硬拉/深蹲）：计算脊柱（例如肩部中点到髋部中点）与垂直线的夹角。
• 肘部过度外展（卧推）：计算上臂（肩到肘）与躯干（肩到对侧髋）的夹角，判断是否过于打开。
• 骨盆前倾/后倾：比较髋关节与肩关节的相对前后位置（需要借助landmark的z值深度信息，但2D下精度有限）。

4.4 主循环与预警反馈

将以上所有模块串联起来，形成实时检测循环。

try: while True: # 从摄像头获取一帧图像 frame = picam2.capture_array() # Picamera2默认捕获的是RGB格式，但OpenCV需要BGR frame_rgb = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR) # 为了提升性能，可以将图像缩小后再处理，但会损失精度 # frame_rgb = cv2.resize(frame_rgb, (320, 240)) # MediaPipe处理需要RGB图像 frame_rgb_for_mp = cv2.cvtColor(frame_rgb, cv2.COLOR_BGR2RGB) results = pose.process(frame_rgb_for_mp) risk_detected = False warning_text = "" if results.pose_landmarks: # 绘制关节点和连接线（可选，可视化用，会消耗CPU） mp_drawing.draw_landmarks( frame_rgb, results.pose_landmarks, mp_pose.POSE_CONNECTIONS) # 获取关节点坐标 kps = get_keypoints(results.pose_landmarks, frame_rgb.shape) # 执行各项风险检查 left_knee_risk, left_angle = check_knee_valgus(kps, 'left') right_knee_risk, right_angle = check_knee_valgus(kps, 'right') # 综合判断 if left_knee_risk == 2 or right_knee_risk == 2: risk_detected = True warning_text = "危险：膝盖内扣！" # 可以触发更强烈的警告，如声音 elif left_knee_risk == 1 or right_knee_risk == 1: warning_text = "注意：膝盖略有内扣" # 可以在这里添加其他动作的风险检查... # 在图像上叠加警告文字 if warning_text: cv2.putText(frame_rgb, warning_text, (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2) # 显示结果（如果是在有桌面的环境下调试） cv2.imshow('Gym Injury Detection', frame_rgb) if cv2.waitKey(1) & 0xFF == ord('q'): break finally: # 释放资源 pose.close() picam2.stop() cv2.destroyAllWindows()

在实际部署时，我们可能不需要图形界面。预警方式可以改为：

1. 声音提示：通过树莓派的音频接口连接一个小喇叭，使用pygame或subprocess调用aplay播放警告音。
2. 灯光提示：连接一个LED灯，危险时闪烁红光。
3. 网络通知：通过HTTP请求或MQTT协议，将警告信息发送到健身房的管理系统或教练的平板上。

5. 性能优化与工程化部署：让系统真正可用

代码跑起来只是第一步，要让它在真实的健身房环境下稳定、可靠地运行，还需要大量的优化和工程化工作。

5.1 性能瓶颈分析与优化

在树莓派上运行AI模型，性能是首要问题。使用htop或vcgencmd命令监控资源使用情况，我发现瓶颈主要在两方面：

• CPU：MediaPipe推理和OpenCV的图像处理是CPU大户。
• 温度：持续高负载下，CPU温度很快超过80°C，触发温控降频，导致帧率骤降。

优化措施：

1. 降低处理分辨率：这是提升帧率最有效的方法。将摄像头捕获和模型处理的分辨率从640x480降到320x240，帧率几乎可以翻倍，而对关节点检测的精度影响在可接受范围内。可以在Picamera2配置和cv2.resize两步进行降采样。
2. 调整MediaPipe模型：使用model_complexity=0（轻量模型）。实测在320x240分辨率下，轻量模型能达到15-20 FPS，而标准模型可能只有8-10 FPS。
3. 跳帧处理（Frame Skipping）：如果不是每个帧都必须分析，可以每2帧或每3帧处理一次。对于速度不快的健身动作，这能显著降低CPU负载，同时保证检测的连续性。
4. 启用树莓派GPU（有限）：MediaPipe在某些版本下支持OpenCL/Vulkan，可以利用树莓派的GPU进行部分计算。但配置相对复杂，且提升不一定明显。对于初学者，优先采用前三种软件优化更实际。
5. 加强散热：这是硬件保障。一个好的带风扇的散热外壳，能将树莓派4B满载温度控制在60°C以下，避免降频。

5.2 误检与漏检处理

在真实场景中，人会移动、会被器械部分遮挡、光照会变化，这些都会导致模型检测失败或关节点抖动。

• 多人场景：MediaPipe Pose默认检测图像中最显著的单人。在健身房，如果镜头里有多人，它可能会锁定错误的目标。一个简单的策略是，只分析画面中心区域（比如中央50%）检测到的人体。更复杂的方案需要用到多人姿态估计模型，但这在树莓派上负担太重。
• 关节点丢失与平滑：当某个关节点置信度低时（如手被哑铃挡住），不要使用它的坐标。可以采用“历史平滑”策略，如果当前帧某个点丢失，则使用过去几帧该点的平均值或最后一次有效值来替代，避免计算规则时因数据缺失而报错。
• 状态机机制：不要因为单帧检测到危险就报警，容易误报。引入一个简单的状态机。例如，连续5帧都检测到“膝盖内扣”风险等级为2，才触发最终警报；如果中间有一帧恢复正常，则重置计数器。这能有效过滤掉瞬间的检测误差。

5.3 系统服务化与自启动

我们肯定不希望每次重启树莓派都要手动SSH进去运行Python脚本。需要将其包装成一个系统服务。

1. 创建服务文件：sudo nano /etc/systemd/system/gym-ai.service

   [Unit] Description=Gym Injury Detection AI Service After=network.target [Service] Type=simple User=pi WorkingDirectory=/home/pi/gym_ai_project Environment="PATH=/home/pi/gym_ai_venv/bin" ExecStart=/home/pi/gym_ai_venv/bin/python /home/pi/gym_ai_project/main.py Restart=on-failure RestartSec=5s [Install] WantedBy=multi-user.target

   这里的关键是Environment，它指定了服务运行时的PATH，确保能使用虚拟环境中的Python和库。

2. 启用并启动服务：

   sudo systemctl daemon-reload sudo systemctl enable gym-ai.service sudo systemctl start gym-ai.service

3. 查看日志：sudo journalctl -u gym-ai.service -f可以实时查看服务输出，便于调试。

5.4 电源与稳定性考量

健身房环境可能没有方便的电源插座。如果需要移动部署，可以考虑使用大容量的充电宝（支持PD协议，输出5V/3A）为树莓派供电。同时，在代码中增加异常捕获和日志记录，确保程序在遇到意外错误（如摄像头断开）时能自动恢复或安全退出，并由systemd自动重启。

6. 效果评估与未来扩展方向

部署完成后，我在自己的家庭健身房和一个小型健身工作室进行了测试。

6.1 实测效果

• 准确性：对于“膝盖内扣”和“背部过度弯曲”这类有明显几何特征的危险动作，系统的识别准确率能达到85%以上。尤其是在侧方视角拍摄深蹲、硬拉时，效果很好。
• 实时性：在320x240分辨率、轻量模型、跳一帧处理的配置下，平均帧率稳定在12-15 FPS，从动作发生到屏幕提示或声音警报的延迟在200-300毫秒以内，完全满足实时预警的需求。
• 局限性：
  • 视角依赖：摄像头必须放在侧面才能准确评估矢状面（侧面）的动作，如深蹲深度、背部弯曲。正面视角更适合评估冠状面（正面）的动作，如膝盖内扣。一个摄像头难以兼顾所有。
  • 动作定义：目前规则是基于简单几何关系，对于更复杂的动作模式异常（如发力不对称、关节活动度不足导致的代偿）难以量化。
  • 环境干扰：复杂背景、强烈反光、穿着宽松衣物有时会影响关节点检测的稳定性。

6.2 可能的扩展方向

这个项目是一个很好的起点，在此基础上可以深化很多：

1. 多角度摄像头融合：使用两个或多个树莓派摄像头，从正面和侧面同时捕捉，构建更完整的3D姿态信息（尽管MediaPipe输出的是3D坐标，但单目摄像头的深度信息z值并不完全可靠）。
2. 引入时序模型：当前是逐帧分析，属于静态姿态评估。可以引入LSTM或Transformer等时序模型，分析连续多帧的姿态序列，从而识别“动作模式”而不仅仅是“瞬间姿态”，比如识别“快速圆背硬拉”这种动态危险。
3. 个性化基线学习：让系统先记录用户标准完成5次动作时的关节角度范围，作为其个人的“安全基线”，后续检测则基于个人基线进行偏差报警，更个性化。
4. 与健身器械集成：通过传感器（如压力垫、速度杆）获取杠铃速度、受力分布等数据，与视觉信息融合，提供更全面的训练质量分析（如判断是否“粘滞点”借力）。
5. 云端同步与数据分析：将脱敏后的动作数据和报警记录上传到云端，供教练进行长期分析，发现会员的薄弱环节和风险趋势。

6.3 给想复现者的最后建议

如果你想自己动手做一个，我的建议是：分步进行，快速迭代。

1. 第一阶段：先在电脑上（用USB摄像头）跑通MediaPipe Pose的Demo，理解数据格式。
2. 第二阶段：在树莓派上搭建好环境，实现摄像头读取和姿态显示，确保基础流程通畅。
3. 第三阶段：针对一个你最熟悉的动作（比如深蹲），实现一个最简单的风险规则（比如膝盖不超过脚尖），并完成报警反馈。
4. 第四阶段：优化性能、处理异常、增加更多动作规则。

过程中遇到问题，多查查MediaPipe官方文档、树莓派论坛和GitHub上的相关Issue，大部分坑都已经有人踩过了。这个项目的价值不在于用了多高深的算法，而在于它将前沿的AI技术以极低的成本，落地到了一个非常具体的、有社会价值的场景中。看到自己做的系统成功提醒朋友深蹲时膝盖不要内扣的那一刻，所有的调试和折腾都值了。