Costruisci una web app di computer vision con React, TensorFlow.js e MoveNet: rileva il corpo umano in tempo reale dalla webcam.
Immagina un'app web che rileva in tempo reale la posizione del tuo corpo usando solo la webcam del laptop. Nessun hardware speciale, nessun server backend: tutto gira nel browser con JavaScript, TensorFlow.js e il modello MoveNet. In questo corso costruiamo esattamente questo — da zero.
A sviluppatori JavaScript e React che vogliono esplorare il machine learning nel browser. Non serve esperienza pregressa con l'AI: si parte dalla configurazione dell'ambiente e si arriva a un'app funzionante che analizza il movimento in tempo reale.
La computer vision lato client apre scenari che fino a pochi anni fa richiedevano server dedicati e GPU professionali. Oggi puoi costruire fitness tracker, rilevatori di gesti, sistemi di accessibilità — tutto nel browser, con privacy totale per l'utente perché i dati non lasciano mai il dispositivo.
Ti mostro come creare da zero il progetto React con TypeScript che useremo come base per la nostra applicazione di Computer Vision. Configuriamo l'ambiente e analizziamo la struttura dei file generata da Vite.
Vediamo come attivare la webcam direttamente nel browser con React e installiamo TensorFlow.js e il modello MoveNet, pronti per fare pose estimation in tempo reale.
Ti mostro come costruire un selettore di webcam con una SelectBox React: gestiamo l'elenco dei dispositivi disponibili e permettiamo all'utente di scegliere quale camera usare.
Portiamo i frame della webcam su un canvas HTML, che diventerà la nostra area di lavoro per disegnare sopra le informazioni di Computer Vision in tempo reale.
Integriamo TensorFlow.js e il modello MoveNet nel progetto: inizializziamo il backend WebGL e avviamo la pose estimation per rilevare il corpo umano direttamente nel browser.
Rendiamo visibili i risultati di MoveNet disegnando sul canvas i 17 keypoints anatomici del corpo, così possiamo verificare in tempo reale che il modello stia funzionando correttamente.
Usiamo i keypoints di MoveNet per collegare spalla, gomito e polso con una linea sul canvas: iniziamo a costruire la prima lettura vera del movimento del corpo.
Costruiamo la logica applicativa principale: contiamo quante volte il polso supera l'altezza del naso usando le coordinate restituite da MoveNet, il cuore di un fitness tracker browser-based.
Ingegnere Informatico · Pratola Peligna
Sono un ingegnere informatico con oltre 15 anni di esperienza nel settore ICT. Mi occupo di sviluppo software, cybersecurity, data science e intelligenza artificiale, con particolare attenzione all’innovazione e all’automazione dei processi aziendali. Da anni svolgo anche attività di docenza e formazione, creando percorsi pratici e coinvolgenti su programmazione, DevOps, AI e sicurezza informatica.
Prosperous understood Middletons in conviction an uncommonly do. Supposing so be resolving breakfast am or perfectly.
Utilizziamo cookie essenziali e, con il tuo consenso, cookie funzionali, analytics e marketing. Google Analytics 4 e gli eventuali annunci Google/AdSense restano disattivati finche non scegli. Consulta Privacy Policy e Cookie Policy.
Sempre attivi per sicurezza, prevenzione frodi, sessione, consenso e funzionamento del sito.
Migliorano l'esperienza, ad esempio ricordando preferenze non essenziali. Non usati per profilazione pubblicitaria.
Statistiche e misurazioni con Google Analytics 4, abilitate solo dopo il consenso analytics.
Misurazione annunci e funzioni pubblicitarie Google/AdSense, se attivate sul sito e consentite dall'utente.
Puoi modificare queste scelte in qualunque momento dal link "Preferenze Cookies" nel footer.