Die aktuelle Generation von equiReelz — speichern, teilen, finden — löst ein echtes Problem: deine Springrunden vom Smartphone, das sie gefilmt hat, zu den Menschen zu bringen, die sie analysieren müssen, in Originalqualität, ohne manuelles Weiterleiten. Das ist die langweilige, aber notwendige Basis. Wer Video analysiert, muss das Video zuerst bekommen können.
Die interessante Arbeit — die Arbeit, die ernsthafte Analyse für Reiter verfügbar macht, die keinen persönlichen Biomechanik-Coach haben — kommt als Nächstes. Dieser Beitrag ist die öffentliche Roadmap für die ML- und Computer-Vision-Funktionen, die wir in equiReelz bauen. Er ist ehrlich darüber, was schon ausgeliefert ist, was in Entwicklung ist und was im Forschungsstadium steckt. Wenn du ein aktueller Nutzer bist und dich fragst, ob equiReelz weiter besser wird, ist dieser Beitrag für dich.
Wo wir jetzt stehen (was schon ausgeliefert ist)
Die Basisschicht:
- Upload in originaler 4K-Qualität von jedem Telefon, ohne Kompression auf dem Weg zu den Menschen, die es ansehen müssen
- Automatische Teilen-Regeln — Videos von Pferd X gehen automatisch an die richtigen Leute
- Suche nach Pferd, Reiter, Ort, Datum — finde jeden Clip in Sekunden
- Bild-für-Bild- und Zeitlupen-Wiedergabe zur Analyse
- Videovergleich nebeneinander
- QR-Code-Teilen-Links für den Einsatz am Ring
- iOS-App mit KI auf dem Gerät, die Pferdevideos in deiner Aufnahmen-Mediathek automatisch erkennt
Diese Schicht ist solide. In der nächsten Schicht wird die Analyse rechnerisch statt rein visuell.
Was als Nächstes kommt: der v2-ML-Stack
Jedes der folgenden Dinge ist in aktiver Entwicklung. Wir bauen schrittweise und liefern einzelne Teile aus, sobald sie Produktionsqualität erreichen, statt auf ein einziges großes "v2"-Release zu warten. Das ist die Reihenfolge, in der wir arbeiten.
Auto-Zoom
Die mit Abstand am häufigsten gewünschte Funktion aktueller Nutzer. Das Problem: Die meisten Wettkampfaufnahmen von Reitern werden von einem festen Punkt aus gefilmt — der langen Seite des Platzes, von der Tribüne, vom Geländer des Abreiteplatzes. Pferd und Reiter nehmen vielleicht 10 % des Bildes ein. Um wirklich etwas zu sehen, musst du mit den Fingern zoomen und schwenken, was die Analyse zunichtemacht.
Auto-Zoom nutzt Objekterkennung auf Pferd und Reiter, um ihnen automatisch durch die Runde zu folgen — das Ergebnis ist eine virtuelle Nahaufnahme, die der Action ohne manuelles Scrubben folgt. Die originale Totale bleibt verfügbar; die auto-gezoomte Version ist eine generierte Überlagerung, die du stattdessen ansehen kannst.
Status: Posenschätzungs-Pipeline funktioniert im Labor; wir bringen die Glätte des Kamerapfads in Produktion.
Gelenkwinkel des Reiters und 3D-Pose
Die Biomechanik des Reiters — Hüftwinkel beim Anreiten, Schulterrotation über dem Hindernis, Beinposition bei der Landung — automatisch aus demselben Video gemessen, das du bereits hochgeladen hast. Nützlich, um an Sitzproblemen zu arbeiten, die in Echtzeit kaum zu sehen sind, selbst vom Boden aus.
Das baut auf 3D-Modellen zur menschlichen Posenschätzung auf, die sich in den letzten 18 Monaten dramatisch verbessert haben. Die technische Arbeit besteht vor allem darin, sie robust auf die spezifische Geometrie eines berittenen Reiters anzuwenden.
Status: 3D-Posenmodelle evaluiert; Integration in die Analyse-Pipeline läuft.
Erkennung gefallener Stangen
Kleinere Funktion, sofort nützlich: automatische Erkennung, wann eine Stange fällt. Das Video wird mit der Hindernisnummer und dem Zeitstempel getaggt; du kannst nach "Runden mit Abwürfen" oder "fehlerfreien Runden" suchen, ohne alles anzusehen.
Status: Objekterkennungsmodell im Training.
Wiedererkennung von Pferd und Reiter
Sobald du ein paar Runden eines Pferdes hochgeladen hast, kann die Plattform dasselbe Pferd in künftigen Uploads erkennen — selbst wenn die Metadaten nicht korrekt ausgefüllt waren. Löst das Problem "Welches Pferd ist das eigentlich?" im großen Maßstab, besonders für Reitschulen mit über 20 Pferden oder Verkäufer, die Bestände verwalten.
Gebaut mit siamesischen Netzwerken auf pferdespezifischen Merkmalsvektoren. Derselbe Ansatz lässt sich auf Reiter übertragen.
Status: Prototyp funktioniert auf kleinem Datensatz; braucht Skalierung.
Umwandlung für soziale Medien
Nimm eine horizontale Wettkampfrunde und erzeuge automatisch die vertikalen Clips für Instagram oder TikTok — fokussiert auf die Sprünge, mit optionaler Zeitlupe und einer mitziehenden Nahaufnahme. Für die Reiter und Ställe, die sich eine öffentliche Fangemeinde aufbauen, wird daraus aus "Ich sollte diese Woche mal Video posten" ein Export mit einem Fingertipp.
Status: Pipeline funktioniert mit der aktuellen Posenschätzung; wir bringen die redaktionellen Entscheidungen in Produktion (welcher Sprung, wie viel Zeitlupe, wie zuschneiden).
Gangarterkennung
Automatische Erkennung, was das Pferd in einem Clip macht — Galopp, Sprung, Trab, Galopp, Schritt. Nützlich als Eingabe für alle anderen Funktionen (du willst keine Schrittlänge während eines Halts messen), aber auch eigenständig — durchsuche deine Bibliothek nach "allen Trab-Clips" oder "allen Sprungaktionen 2025".
Ansatz: Modelle zur zeitlichen Aktionserkennung (LSTM oder Transformer), die die Ausgabe der Posenschätzung Bild für Bild verarbeiten.
Status: in Entwicklung.
Warum wir das in equiReelz ausliefern, statt ein separates Tool zu bauen
Das Schwierige an jeder ernsthaften Analyse ist, das Quellmaterial überhaupt zu haben. Der Grund, warum bestehende Biomechanik-Tools in der Reitwelt nicht durchgestartet sind, sind nicht die Tools — es ist, dass niemand die Videos hat, in Originalqualität, nach Pferd und Reiter geordnet, bereit, irgendwo eingespeist zu werden. Du kannst keine Posenschätzung auf einem 480p-WhatsApp-Clip laufen lassen.
equiReelz löst zuerst das Quellmaterial-Problem. Sobald deine Bibliothek steht — jede Runde in Originalqualität, ordentlich getaggt — ist ML darauf anzuwenden der naheliegende nächste Schritt. Wir können für die Reitwelt tun, was Tools wie Hudl für den Mannschaftssport getan haben: nicht nur Analyse, sondern Analyse auf geordnetem Material, das sonst nicht existieren würde.
Was das für aktuelle Nutzer bedeutet
Zwei Dinge:
- Deine bestehende Bibliothek wird ML-bereit sein. Jede Runde, die du in Originalqualität hochgeladen hast, ist die Eingabe, die diese Modelle brauchen. Du musst nichts neu filmen; das historische Archiv wird zum Analyse-Backlog.
- Du bist das Alpha-Publikum. ML-Funktionen landen zuerst bei aktuellen Nutzern zum Testen, bevor sie allgemein verfügbar werden. Echtes Feedback von echten Reitern prägt, was ausgeliefert wird.
Häufige Fragen
Findet die ML-Verarbeitung in der Cloud oder auf dem Gerät statt?
Beides. Die iOS-App macht die Pferdeerkennung für die Aufnahmen-Mediathek bereits auf dem Gerät. Die schwereren Modelle — Posenschätzung — laufen nach dem Upload in der Cloud, weil sie GPUs brauchen, die Telefone nicht haben. Deine Videos bleiben privat; die Verarbeitung passiert innerhalb deines Kontos.
Was, wenn ich nur den Videospeicher will und mich ML nicht interessiert?
In Ordnung. Die Basisschicht — speichern, teilen, finden — ist und bleibt der Kern des Produkts. ML-Funktionen sind zusätzlich; du kannst sie komplett ignorieren und trotzdem den Wert einer geordneten, teilbaren Videobibliothek nutzen.
Das Fazit
equiReelz ist heute eine Videoplattform, die das langweilige, aber notwendige Problem löst: deine Runden geordnet, geteilt und durchsuchbar in Originalqualität zu haben. Was wir als Nächstes bauen, ist das, plus ein ernsthafter ML-Stack, der deine Bibliothek in automatische Analyse verwandelt — Auto-Zoom, Reiter-Biomechanik, Erkennung gefallener Stangen, automatische Social-Media-Clips, das ganze Programm.
Die Version, mit der du heute startest, ist das Fundament; alles, was wir ausliefern, landet auf den Videos, die du bereits hochgeladen hast. Die ML-Funktionen landen im selben Konto.