Good-GYM：用摄像头当教练，开源 AI 实时计数你的每一个动作

健身记录这件事，每个人都嫌麻烦。手动计数容易数乱，穿戴设备要花钱，教练陪练更贵。Good-GYM 给了另一条路：只用电脑自带摄像头，AI 实时检测姿态，全程自动帮你数。

仓库地址和基本情况

• GitHub：yo-WASSUP/Good-GYM（373 ⭐，MIT 协议）
• iOS App：App Store - GoodGYM
• Windows：GitHub Releases 提供免安装便携版

Python 写的，依赖 PyQt5 做界面，ONNX Runtime 跑推理，配置了中英双语。2025 年 6 月的大版本更新放弃了 YOLO 系列，转用 RTMPose（由 rtmlib 提供），模型更轻，CPU 上的速度反而更流畅——因为模型小，GPU 初始化开销有时反而比 CPU 慢，项目明确推荐默认用 CPU。

支持的 11 种动作

英文 Key	中文名	英文名
squat	深蹲	Squat
pushup	俯卧撑	Push-up
situp	仰卧起坐	Sit-up
bicep_curl	弯举	Bicep Curl
lateral_raise	侧平举	Lateral Raise
overhead_press	推举	Overhead Press
leg_raise	抬腿	Leg Raise
knee_raise	抬膝	Knee Raise
knee_press	压膝	Knee Press
crunch	卷腹	Crunch
pullup	引体向上	Pull-up

核心原理：角度阈值 + COCO 17 关键点

RTMPose 输出 COCO 格式的 17 个身体关键点，编号如下（项目里直接用这些索引）：

0: 鼻子  1: 左眼  2: 右眼  3: 左耳  4: 右耳
5: 左肩  6: 右肩  7: 左肘  8: 右肘  9: 左腕  10: 右腕
11: 左髋 12: 右髋 13: 左膝 14: 右膝 15: 左踝  16: 右踝

每个动作的计数逻辑：取 3 个关键点算夹角（余弦定理），和预设的 down_angle（动作底部角度）、up_angle（动作顶部角度）比较，一上一下构成一次完整计数。

以深蹲为例，核心逻辑大致是：

# 取左髋(11)、左膝(13)、左踝(15)算膝盖弯曲角度
angle = calc_angle(hip, knee, ankle)
if angle < down_angle:   # 蹲下
    stage = "down"
if angle > up_angle and stage == "down":  # 站起来
    count += 1
    stage = "up"

数据驱动：改 JSON 就能加新动作

所有动作定义都在 data/exercises.json，不需要动一行 Python 代码。一个条目的结构是：

{
  "squat": {
    "name_zh": "深蹲",
    "name_en": "Squat",
    "joints": [11, 13, 15],
    "down_angle": 90,
    "up_angle": 160,
    "side": "left"
  }
}

• joints：3 个关键点索引，对应 COCO 编号
• down_angle / up_angle：触发计数的角度阈值
• side：用哪侧身体检测（有些动作两侧取均值）

想加一个新动作，查一下对应关节的 COCO 索引，测几组动作时的角度范围，填进去就完成了。

本地跑起来

git clone https://github.com/yo-WASSUP/Good-GYM.git
cd Good-GYM

# 推荐用虚拟环境
python -m venv .venv && source .venv/bin/activate  # Windows: .venv\Scripts\activate

pip install -r requirements.txt
python run.py

启动后会打开 PyQt5 界面，选动作、点开始、站到摄像头前面就行。界面实时画出骨架、显示当前角度和计数。

CPU 还是 GPU？ 项目文档明确说：模型很小，CPU 推理已经够快，GPU 反而因为初始化开销更慢，建议默认用 CPU（即默认配置，无需修改）。

训练计划和历史记录

除了实时计数，Good-GYM 还有：

• 训练计划：设定目标组数和次数，AI 自动追踪完成情况
• 历史记录：保存每次训练数据，看长期进度
• 实时反馈：姿势偏差时有提示（文字提示；语音交互在 roadmap 但还没上）

iOS App

如果不想在电脑前练，官方已经有 iOS App——App Store - GoodGYM，直接手机摄像头运行，界面和桌面版一致，也是中英双语。

和商业产品相比

维度	Good-GYM	Apple Watch + Fitness+	健身房人工教练
成本	免费/开源	设备 + 订阅费	按课收费
是否需要穿戴	不需要	需要手表	不需要
可定制动作	改 JSON 即可	不能	依赖教练
隐私	本地推理	上传云端	无数据问题
实时骨架可视化	有	无	无

已知限制和 Roadmap

当前版本的限制：

• 需要正面或侧面对摄像头，遮挡过多会影响关键点检测
• 没有错误姿势的主动纠正（只有提示，没有语音指导）
• 语音交互控制在计划中，还没发布

Roadmap 里提到的方向：动作纠正提示、语音控制、更多动作类型。

一句话总结

一个普通摄像头 + RTMPose，在本地实时统计你的动作次数，数据驱动架构让扩展新动作极为简单，MIT 协议完全开源。想自己折腾健身数据记录的开发者，值得一看。

© 2026 Author: Mycelium Protocol

Good-GYM: Open-Source AI Fitness Assistant with Pose Detection

GitHub: yo-WASSUP/Good-GYM | 373 ⭐ | MIT

Good-GYM is an open-source AI fitness assistant that uses a standard webcam to detect body pose in real time and automatically count exercise reps — no wearable device required.

Key Switch: RTMPose (Not YOLOv11)

A major June 2025 update dropped YOLO models entirely and migrated to RTMPose via rtmlib. The lighter model performs better on CPU than the prior YOLO-based approach — the project explicitly recommends CPU over GPU because the model is small enough that GPU initialization overhead can actually make it slower.

Supported Exercises (11)

Squat, Push-up, Sit-up, Bicep Curl, Lateral Raise, Overhead Press, Leg Raise, Knee Raise, Knee Press, Crunch, Pull-up.

How Rep Counting Works

RTMPose outputs 17 COCO keypoints. For each exercise, three keypoints define a joint (e.g. hip-knee-ankle for squats). The angle at that joint is compared against down_angle and up_angle thresholds — one complete down→up cycle increments the counter.

Adding New Exercises — No Code Required

All exercise definitions live in data/exercises.json. Each entry specifies:

{
  "my_exercise": {
    "name_zh": "...",
    "name_en": "...",
    "joints": [idx1, idx2, idx3],
    "down_angle": 90,
    "up_angle": 160,
    "side": "left"
  }
}

Edit the JSON, restart the app. That’s it.

Quick Start

git clone https://github.com/yo-WASSUP/Good-GYM.git
cd Good-GYM
pip install -r requirements.txt
python run.py

iOS App available on the App Store. Windows portable build on GitHub Releases.

Bottom Line

A fully local, privacy-respecting, webcam-only exercise counter. The data-driven architecture makes it easy to add custom exercises. MIT licensed. Worth a look if you want to build on top of pose-based fitness tracking.

© 2026 Author: Mycelium Protocol