La génération actuelle d'equiReelz — stocker, partager, retrouver — résout un vrai problème : faire passer vos parcours de saut d'obstacles du smartphone qui les a filmés aux personnes qui doivent les analyser, en qualité d'origine, sans transfert manuel. C'est la base ennuyeuse mais nécessaire. Quiconque analyse une vidéo doit d'abord pouvoir obtenir la vidéo.
Le travail intéressant — celui qui rend l'analyse sérieuse accessible aux cavaliers qui n'ont pas de coach personnel en biomécanique — vient ensuite. Cet article est la feuille de route publique des fonctionnalités de ML et de vision par ordinateur que nous intégrons à equiReelz. Il est honnête sur ce qui est livré, ce qui est en développement et ce qui en est au stade de la recherche. Si vous êtes un utilisateur actuel et que vous vous demandez si equiReelz va continuer à s'améliorer, cet article est pour vous.
Où nous en sommes (ce qui est déjà livré)
La couche de base :
- Téléversement en qualité 4K d'origine depuis n'importe quel téléphone, sans compression sur le chemin vers les personnes qui doivent la regarder
- Règles de partage automatiques — les vidéos du cheval X vont automatiquement aux bonnes personnes
- Recherche par cheval, cavalier, lieu, date — retrouvez n'importe quel clip en quelques secondes
- Lecture image par image et au ralenti pour l'analyse
- Comparaison de vidéos côte à côte
- Liens de partage par QR code pour une utilisation au bord de la piste
- Application iOS avec IA sur l'appareil qui détecte automatiquement les vidéos de chevaux dans votre pellicule
Cette couche est solide. La couche suivante est celle où l'analyse devient calculée plutôt que purement visuelle.
Ce qui arrive ensuite : la pile ML v2
Chacune des fonctionnalités suivantes est en développement actif. Nous construisons de façon incrémentale et livrons les éléments un par un dès qu'ils atteignent la qualité de production, au lieu d'attendre une seule grosse version "v2". Voici l'ordre dans lequel nous travaillons.
Auto-zoom
La fonctionnalité de loin la plus demandée par les utilisateurs actuels. Le problème : la plupart des images de concours des cavaliers sont filmées depuis un point fixe — le grand côté de la carrière, depuis le banc des parents, depuis la lice du paddock. Le cheval et le cavalier occupent peut-être 10 % de l'image. Pour voir quoi que ce soit, vous devez zoomer avec les doigts et faire des panoramiques, ce qui ruine l'analyse.
L'auto-zoom utilise la détection d'objets sur le cheval et le cavalier pour les suivre automatiquement tout au long du parcours — le résultat est un gros plan virtuel qui suit l'action sans navigation manuelle. Le plan large d'origine reste disponible ; la version auto-zoomée est une superposition générée que vous pouvez regarder à la place.
Statut : le pipeline d'estimation de pose fonctionne en laboratoire ; nous mettons en production la fluidité du parcours de caméra.
Angles articulaires du cavalier et pose 3D
La biomécanique du cavalier — angle de la hanche à l'abord, rotation des épaules au-dessus de l'obstacle, position de la jambe à la réception — mesurée automatiquement à partir de la même vidéo que vous avez déjà téléversée. Utile pour travailler des problèmes de position presque impossibles à voir en temps réel, même depuis le sol.
Cela s'appuie sur des modèles d'estimation de pose humaine en 3D qui se sont nettement améliorés ces 18 derniers mois. Le travail technique consiste surtout à les appliquer de façon robuste à la géométrie spécifique d'un cavalier à cheval.
Statut : modèles de pose 3D évalués ; intégration au pipeline d'analyse en cours.
Détection des barres tombées
Fonctionnalité plus modeste, immédiatement utile : détection automatique du moment où une barre tombe. La vidéo est taguée avec le numéro de l'obstacle et l'horodatage ; vous pouvez rechercher "parcours avec barres" ou "parcours sans faute" sans tout regarder.
Statut : modèle de détection d'objets en cours d'entraînement.
Ré-identification du cheval et du cavalier
Une fois que vous avez téléversé quelques parcours d'un cheval, la plateforme peut reconnaître le même cheval dans les téléversements futurs — même si les métadonnées n'ont pas été correctement renseignées. Résout le problème "quel est ce cheval, au juste ?" à grande échelle, surtout pour les centres équestres avec plus de 20 chevaux ou les vendeurs qui gèrent un stock.
Construit avec des réseaux siamois sur des vecteurs de caractéristiques propres au cheval. La même approche s'étend aux cavaliers.
Statut : prototype fonctionnel sur un petit jeu de données ; a besoin d'échelle.
Conversion pour les réseaux sociaux
Prenez un parcours de concours horizontal et générez automatiquement les clips verticaux pour Instagram ou TikTok — centrés sur les sauts, avec ralenti facultatif et un gros plan qui suit l'action. Pour les cavaliers et les écuries qui se construisent une audience, cela transforme "je devrais poster de la vidéo cette semaine" en un export en un seul geste.
Statut : pipeline fonctionnel avec l'estimation de pose actuelle ; nous mettons en production les choix éditoriaux (quel saut, combien de ralenti, comment recadrer).
Détection des allures
Identification automatique de ce que fait le cheval dans un clip — galop, saut, trot, galop, pas. Utile comme entrée pour toutes les autres fonctionnalités (vous ne voulez pas mesurer la longueur de foulée pendant un arrêt) mais aussi de façon autonome — cherchez dans votre bibliothèque "tous les clips au trot" ou "tous les efforts de saut en 2025".
Approche : modèles de reconnaissance d'action temporelle (LSTM ou transformeur) consommant image par image la sortie de l'estimation de pose.
Statut : en développement.
Pourquoi nous livrons cela dans equiReelz plutôt que comme outil séparé
Le plus dur dans toute analyse sérieuse, c'est d'avoir le matériau source en premier lieu. Si les outils de biomécanique existants n'ont pas décollé dans le monde équestre, ce n'est pas à cause des outils — c'est que personne n'a les vidéos, en qualité d'origine, organisées par cheval et cavalier, prêtes à être injectées quelque part. Vous ne pouvez pas lancer une estimation de pose sur un clip WhatsApp en 480p.
equiReelz résout d'abord le problème du matériau source. Une fois votre bibliothèque en place — chaque parcours en qualité d'origine, correctement tagué — y appliquer du ML est l'étape suivante évidente. Nous pouvons faire pour le monde équestre ce que des outils comme Hudl ont fait pour les sports collectifs : pas seulement de l'analyse, mais de l'analyse par-dessus des images organisées qui, autrement, n'existeraient pas.
Ce que cela signifie pour les utilisateurs actuels
Deux choses :
- Votre bibliothèque existante sera prête pour le ML. Chaque parcours que vous avez téléversé en qualité d'origine est l'entrée dont ces modèles ont besoin. Vous n'avez rien à refilmer ; l'archive historique devient le stock à analyser.
- Vous êtes le public alpha. Les fonctionnalités de ML arrivent d'abord chez les utilisateurs actuels pour être testées avant d'être généralisées. Les retours réels de vrais cavaliers façonnent ce qui est livré.
Questions fréquentes
Le traitement ML a-t-il lieu dans le cloud ou sur l'appareil ?
Les deux. L'application iOS fait déjà la détection de chevaux sur l'appareil pour la pellicule. Les modèles plus lourds — l'estimation de pose — tournent dans le cloud après le téléversement, car ils ont besoin de GPU que les téléphones n'ont pas. Vos vidéos restent privées ; le traitement se fait au sein de votre compte.
Et si je veux juste le stockage vidéo et que le ML ne m'intéresse pas ?
Pas de souci. La couche de base — stocker, partager, retrouver — est et restera le cœur du produit. Les fonctionnalités de ML s'ajoutent ; vous pouvez les ignorer complètement et profiter quand même d'une bibliothèque vidéo organisée et partageable.
En résumé
equiReelz est aujourd'hui une plateforme vidéo qui résout le problème ennuyeux mais nécessaire : avoir vos parcours organisés, partagés et consultables en qualité d'origine. Ce que nous construisons ensuite, c'est cela, plus une vraie pile ML qui transforme votre bibliothèque en analyse automatique — auto-zoom, biomécanique du cavalier, détection des barres tombées, clips automatiques pour les réseaux sociaux, tout le nécessaire.
La version avec laquelle vous démarrez aujourd'hui est la fondation ; tout ce que nous livrons vient se poser sur les vidéos que vous avez déjà téléversées. Les fonctionnalités de ML arrivent dans le même compte.