Als ich letzten Sommer vom Gemini API Developer Competition erfuhr, sah ich darin eine großartige Chance, mich mit GenAI-Anwendungen die Hände schmutzig zu machen. Als Fitnessbegeisterte dachten wir (ich und Manos Chainakis) darüber nach, eine App zu entwickeln, die personalisierte Trainings- und Ernährungspläne erstellen könnte – und dabei KI mit den Vorlieben menschlicher Trainer kombiniert. So wurde Fitness Tribe AI geboren. Dieser Beitrag führt Sie durch den Entwicklungsprozess und den von mir verwendeten Tech-Stack, wobei der Schwerpunkt auf dem GenAI-Aspekt liegt.
Fitness Tribe AI kombiniert das Fachwissen menschlicher Trainer mit den Fähigkeiten von KI-Modellen, um individuelle Fitnessprogramme zu erstellen, die den Bedürfnissen und Zielen jedes Athleten gerecht werden.
Die Hauptkomponenten des Tech-Stacks sind:
FastAPI dient als Rückgrat von Fitness Tribe AI und übernimmt die KI-gestützte Analyse.
So ist das Projekt aufgebaut:
fitness-tribe-ai/ ├── app/ │ ├── main.py # Entry point for FastAPI app │ ├── routers/ # Handles API routes (meals, nutrition, workouts) │ ├── models/ # Manages interactions with AI models │ ├── schemas/ # Pydantic models for input validation │ ├── services/ # Business logic for each feature
from fastapi import FastAPI from app.routers import meals, nutrition, workouts app = FastAPI() app.include_router(meals.router) app.include_router(nutrition.router) app.include_router(workouts.router)
class GeminiModel: @staticmethod def analyze_meal(image_data): prompt = ( "Analyze the following meal image and provide the name of the food, " "total calorie count, and calories per ingredient..." "Respond in the following JSON format:" "{'food_name': '<food name>' ...}" ) image = Image.open(BytesIO(image_data)) response = model.generate_content([prompt, image]) return response.text
from pydantic import BaseModel from typing import Dict class Meal(BaseModel): food_name: str total_calories: int calories_per_ingredient: Dict[str, int]
from app.models.gemini_model import GeminiModel from app.schemas.meal import Meal from fastapi import HTTPException import logging import json def analyze_meal(image_data: bytes) -> Meal: try: result_text = GeminiModel.analyze_meal(image_data) if not result_text: raise HTTPException(status_code=500, detail="No response from Gemini API") clean_result_text = result_text.strip("``` json\n").strip(" ```") result = json.loads(clean_result_text) return Meal( food_name=result.get("food_name"), total_calories=result.get("total_calories"), calories_per_ingredient=result.get("calories_per_ingredient"), ) except Exception as e: raise HTTPException(status_code=500, detail=str(e))
Durch die Nutzung der modularen Struktur von FastAPI, des klaren API-Routings, von Pydantic zur Datenvalidierung und der gut organisierten Servicelogik verarbeitet Fitness Tribe AI KI-Modellinteraktionen effizient mit benutzerdefinierten Eingabeaufforderungen, um personalisierte Fitness- und Ernährungserkenntnisse zu liefern. Das vollständige Repo finden Sie hier:
Fitness Tribe AI ist eine KI-gestützte Fitness-API, die für Trainer und Sportler entwickelt wurde. Die API bietet Funktionen zur Essensanalyse durch die Analyse von Essensfotos und einen KI-gestützten Workout-Builder, der Trainingspläne basierend auf Sportlerprofilen erstellen kann. Fitness Tribe AI wurde nach dem Gemini-Modell entwickelt.
fitness-tribe-ai/ ├── app/ │ ├── __init__.py │ ├── main.py │ ├── models/ │ │ ├── __init__.py │ │ ├── gemini_model.py │ ├── routers/ │ │ ├── __init__.py │ │ ├── meals.py │ │ ├── nutrition.py │ │ ├── workouts.py │ ├── schemas/ │ │ ├── __init__.py │ │ ├── meal.py │ │ ├── nutrition.py │ │ ├──
For user authentication and account management, I used Supabase, which provided a secure, scalable solution without requiring a custom-built authentication system.
Key features I leveraged:
Authentication: Supabase's built-in authentication enabled users to log in and manage their profiles with ease.
Database Management: Using Supabase’s PostgreSQL-backed database, I stored user preferences, workout routines, and meal plans to ensure updates reflected immediately in the app.
For the frontend, I chose Ionic and Angular, which enabled me to create a mobile-first app that could be deployed on the web right away while it could also be shipped as native for both iOS and Android.
For the landing page, I opted for Astro, which focuses on performance by shipping minimal JavaScript. Astro allowed me to build a fast, lightweight page that efficiently showcased the app.
Developing Fitness Tribe AI was a learning journey that enabled me to explore the power that AI models give us nowadays. Each framework played a role, from FastAPI’s robust backend capabilities and ease of use to Supabase’s user management, Ionic’s cross-platform frontend and Astro’s high-performance landing pages.
For anyone looking to build a GenAI app, I highly recommend exploring these frameworks (and especially FastAPI) for their powerful features and smooth developer experience.
Have questions or want to learn more about it? Let me know in the comments!
Das obige ist der detaillierte Inhalt vonErstellen einer GenAI-Fitness-App mit Gemini. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!