Derin öğrenme tabanlı olarak geliştirilen MediaPipe Poz Tahmin modeli ile gerçek zamanlı görüntülerden elde edilen insan poz tahmini verilerinin makine öğrenme algoritmaları kapsamında spor biyomekaniği açısından spor aktivitelerinin doğruluk oranı üzerine sistematik bir analiz yapılmıştır. Bu çalışmada, MediaPipe Poz Tahmin modelinin farklı spor aktivitelerinde vücut pozisyonuna bağlı olarak biyomekanik parametreleri ışığında nasıl tahmin ettiği incelenmiştir. Ayrıca, modelin performansını değerlendirmek için gerçek zamanlı olarak kameradan elde edilen verilerin farklı makine öğrenme algoritmaları (regresyon, sınıflandırma vb.) ile eğitime tabi tutularak karşılaştırma yapılmıştır. Ayrıca bu çalışma, bilgisayarlı görü destekli derin öğrenme tekniklerinin spor antrenmanlarında ve poz tahminindeki uygulanabilirliği konusunda öncü bir araştırmadır. Mediapipe'nin insan poz tahmini modeli ile elde edilen verilerin makine öğrenme algoritmalarıyla eğitilmesi ile sporcuların pozisyonlarını doğru bir şekilde takip etmek için kullanılabileceği bir uygulama haline getirilmiştir. Ayrıca, bu aracın sporcuların performanslarını artırmak için nasıl kullanılabileceği konusunda da yol gösterici olacaktır. Sonuç olarak, MediaPipe Poz Tahmin modelinin spor biyomekaniği için uygun ve etkili bir araç olduğu gösterilmeye çalışılmıştır.
A systematic analysis was made on the accuracy of sports activities in terms of sports biomechanics within the scope of machine learning algorithms of human pose estimation data obtained from real-time images with the MediaPipe Pose Estimation model, which was developed based on deep learning. The study examined how the MediaPipe Pose Estimation model predicts biomechanical parameters in different sports activities based on body position. The performance of the model was evaluated by comparing real-time camera data with training using various machine learning algorithms such as regression and classification. In addition, this study is a pioneering research on the applicability of computer vision assisted deep learning techniques in sports training and pose estimation. By training the data obtained with the human pose estimation model of Mediapipe with machine learning algorithms, it has been turned into an application that can be used to accurately track the positions of the athletes. This thesis abstract examines the impact of data from real-time images on the accuracy of sports activities using Medipipe's human pose estimation model. It will also guide how this tool can be used to improve the performance of athletes. Efforts have been made to demonstrate the suitability and efficacy of the MediaPipe Exposure Estimation model as a valuable tool in the field of sports biomechanics.