지난여름 Gemini API 개발자 공모전에 대해 알게 되었을 때 GenAI 애플리케이션을 직접 체험해 볼 수 있는 좋은 기회라고 생각했습니다. 피트니스 애호가로서 우리(저와 Manos Chainakis)는 AI와 인간 코치의 선호도를 결합하여 개인화된 운동 및 영양 계획을 생성할 수 있는 앱을 만드는 것을 생각했습니다. 그렇게 Fitness Tribe AI가 탄생했습니다. 이 게시물에서는 GenAI 측면에 초점을 맞춰 개발 프로세스와 제가 사용한 기술 스택을 안내해 드립니다.

피트니스 부족 AI  |  Gemini API 개발자 대회 |  개발자를 위한 Google AI

어디에서나 모든 사람을 위한 더 나은 개인 트레이닝을 만듭니다.

ai.google.dev

Fitness Tribe AI의 개념

Fitness Tribe AI는 인간 코치의 전문 지식과 AI 모델의 기능을 결합하여 각 운동선수의 요구와 목표를 충족하는 맞춤형 피트니스 프로그램을 만듭니다.

기술 스택

기술 스택의 주요 구성 요소는 다음과 같습니다.

• 백엔드 및 AI 모델 통합을 위한 FastAPI
• 사용자 인증 및 데이터 관리를 위한 Supabase
• 프론트엔드 모바일 앱을 위한 Ionic 및 Angular
• 아스트로 랜딩페이지

FastAPI: 백엔드 및 AI 통합

FastAPI는 Fitness Tribe AI의 중추 역할을 하며 AI 기반 분석을 처리합니다.

프로젝트 구성은 다음과 같습니다.

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

FastAPI 구현의 핵심 요소:

• API 라우팅: 경로는 식사(meals.py), 운동(workouts.py) 및 영양(nutrition.py)에 대해 별도의 파일로 나누어 API 구조를 체계적이고 확장 가능하게 유지합니다. 각 라우터는 FastAPI의 라우팅 시스템이 모든 것을 하나로 묶는 main.py에 연결됩니다.

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)

• Gemini 모델 통합: gemini_model.py의 GeminiModel 클래스는 AI 모델 상호 작용을 처리합니다. 식사 분석기 방법을 예로 들면, 저는 Pillow를 사용하여 이미지 데이터를 처리하고 있으며 앱은 식사 세부 사항을 분석하기 위해 이미지와 사용자 정의 프롬프트를 모두 Gemini AI에 보냅니다. 여기서 중요한 세부 사항은 서비스 계층에서 처리할 수 있도록 예상 응답의 형식과 관련하여 프롬프트가 충분히 구체적이어야한다는 것입니다.

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

• 데이터 검증을 위한 Pydantic 스키마: AI 모델의 응답은 Pydantic 모델을 사용하여 검증되고 구조화됩니다. 예를 들어, Schemas/meal.py의 Meal 스키마는 응답이 사용자에게 반환되기 전에 일관성을 보장합니다.

from pydantic import BaseModel
from typing import Dict

class Meal(BaseModel):
    food_name: str
    total_calories: int
    calories_per_ingredient: Dict[str, int]

• 서비스 계층: services/에 있는 서비스 계층은 각 기능의 논리를 캡슐화합니다. 예를 들어, lunch_service.py는 식사 분석을 처리하여 AI 결과를 반환하기 전에 데이터가 올바르게 처리되었는지 확인합니다.

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))

FastAPI의 모듈식 구조, 명확한 API 라우팅, 데이터 검증을 위한 Pydantic, 잘 구성된 서비스 로직을 활용하여 Fitness Tribe AI는 맞춤형 프롬프트로 AI 모델 상호 작용을 효율적으로 처리하여 맞춤형 피트니스 및 영양 통찰력을 제공합니다. 여기에서 전체 저장소를 찾을 수 있습니다:

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
│   │   ├──

Supabase: User Management & Auth

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.

Ionic & Angular: Cross-Platform Frontend

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.

Astro: A Lightning-Fast Landing Page

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.

Conclusion

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!

위 내용은 Gemini를 사용하여 GenAI 피트니스 앱 구축의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!