De huidige generatie van equiReelz — opslaan, delen, vinden — lost een echt probleem op: je springrondes van de smartphone die ze filmde naar de mensen krijgen die ze moeten analyseren, in originele kwaliteit, zonder handmatig doorsturen. Dat is de saaie maar noodzakelijke basis. Iedereen die video analyseert, moet eerst de video kunnen krijgen.
Het interessante werk — het werk dat serieuze analyse beschikbaar maakt voor ruiters die geen persoonlijke biomechanicacoach hebben — komt hierna. Deze post is de openbare roadmap voor de ML- en computervisiefuncties die we in equiReelz bouwen. Hij is eerlijk over wat al uit is, wat in ontwikkeling is en wat zich in het onderzoeksstadium bevindt. Als je een huidige gebruiker bent die zich afvraagt of equiReelz beter blijft worden, dan is deze post voor jou.
Waar we nu staan (wat al uit is)
De basislaag:
- Upload in originele 4K-kwaliteit vanaf elke telefoon, zonder compressie onderweg naar de mensen die het moeten bekijken
- Automatische deelregels — video's van paard X gaan automatisch naar de juiste mensen
- Zoeken op paard, ruiter, locatie, datum — vind elke clip in seconden
- Frame voor frame en slow motion afspelen voor analyse
- Video's naast elkaar vergelijken
- QR-code-deellinks voor gebruik aan de piste
- iOS-app met AI op het apparaat die automatisch paardenvideo's in je camerarol detecteert
Deze laag staat als een huis. De volgende laag is waar de analyse computationeel wordt in plaats van puur visueel.
Wat hierna komt: de v2-ML-stack
Elk van het volgende is in actieve ontwikkeling. We bouwen stapsgewijs en brengen losse onderdelen uit zodra ze productiekwaliteit bereiken, in plaats van te wachten op één grote "v2"-release. Dit is de volgorde waarin we werken.
Auto-zoom
De meest gevraagde functie van huidige gebruikers. Het probleem: de meeste wedstrijdbeelden van ruiters worden vanaf een vast punt gefilmd — de lange zijde van de piste, vanaf de tribune, vanaf het hek van de losrijbaan. Het paard en de ruiter beslaan misschien 10% van het beeld. Om echt iets te zien, moet je knijpen om in te zoomen en pannen, wat de analyse onmogelijk maakt.
Auto-zoom gebruikt objectdetectie op het paard en de ruiter om ze automatisch door de ronde te volgen — de uitvoer is een virtuele close-up die de actie volgt zonder handmatig scrubben. Het originele wijde shot blijft beschikbaar; de auto-gezoomde versie is een gegenereerde overlay die je in plaats daarvan kunt bekijken.
Status: pose-estimatiepijplijn werkt in het lab; we maken het camerapad vloeiend voor productie.
Gewrichtshoeken van de ruiter en 3D-pose
De biomechanica van de ruiter — heuphoek bij de nadering, schouderrotatie over de hindernis, beenpositie bij de landing — automatisch gemeten op basis van dezelfde video die je al hebt geüpload. Handig om aan positieproblemen te werken die in real time bijna onmogelijk te zien zijn, zelfs vanaf de grond.
Dit bouwt voort op 3D-pose-estimatiemodellen voor mensen die de afgelopen 18 maanden enorm zijn verbeterd. Het technische werk gaat vooral over ze robuust toepassen op de specifieke geometrie van een ruiter te paard.
Status: 3D-posemodellen geëvalueerd; bezig met integratie in de analysepijplijn.
Detectie van gevallen balken
Kleinere functie, meteen nuttig: automatische detectie van wanneer een balk valt. De video wordt getagd met het hindernisnummer en de tijdstempel; je kunt zoeken op "rondes met balken" of "foutloze rondes" zonder alles te bekijken.
Status: objectdetectiemodel in training.
Heridentificatie van paard en ruiter
Zodra je een paar rondes van een paard hebt geüpload, kan het platform hetzelfde paard in toekomstige uploads herkennen — zelfs als de metadata niet correct is ingevuld. Lost het probleem "welk paard is dit eigenlijk?" op schaal op, vooral voor maneges met 20+ paarden of verkopers die voorraad beheren.
Gebouwd met siamese netwerken op paardspecifieke kenmerkvectoren. Dezelfde aanpak geldt voor ruiters.
Status: prototype werkt op kleine dataset; heeft schaal nodig.
Conversie voor sociale media
Neem een horizontale wedstrijdronde en genereer automatisch de verticale clips voor Instagram of TikTok — gericht op de sprongen, met optionele slow motion en een meebewegende close-up. Voor de ruiters en stallen die een publiek opbouwen, verandert dit "ik zou deze week wat video moeten posten" in een export met één tik.
Status: pijplijn werkt met de huidige pose-estimatie; we maken de redactionele keuzes klaar voor productie (welke sprong, hoeveel slow motion, hoe bij te snijden).
Gangdetectie
Automatische herkenning van wat het paard in een clip doet — galop, sprong, draf, galop, stap. Handig als invoer voor alle andere functies (je wilt geen staplengte meten tijdens een halt) maar ook op zichzelf — doorzoek je bibliotheek op "alle drafclips" of "alle sprongpogingen in 2025".
Aanpak: temporele-actieherkenningsmodellen (LSTM of transformer) die frame voor frame de uitvoer van pose-estimatie verwerken.
Status: in ontwikkeling.
Waarom we dit in equiReelz uitbrengen in plaats van als losse tool
Het moeilijke aan elke serieuze analyse is om überhaupt het bronmateriaal te hebben. De reden dat bestaande biomechanicatools in de paardenwereld niet zijn aangeslagen, ligt niet aan de tools — het is dat niemand de video's heeft, in originele kwaliteit, geordend op paard en ruiter, klaar om ergens in te voeren. Je kunt geen pose-estimatie draaien op een 480p-WhatsApp-clip.
equiReelz lost eerst het probleem van het bronmateriaal op. Zodra je bibliotheek op orde is — elke ronde in originele kwaliteit, netjes getagd — is ML erop toepassen de logische volgende stap. We kunnen voor de paardenwereld doen wat tools als Hudl voor teamsporten deden: niet alleen analyse, maar analyse bovenop geordende beelden die anders niet zouden bestaan.
Wat dit betekent voor huidige gebruikers
Twee dingen:
- Je bestaande bibliotheek wordt ML-klaar. Elke ronde die je in originele kwaliteit hebt geüpload, is de invoer die deze modellen nodig hebben. Je hoeft niets opnieuw te filmen; het historische archief wordt de analyseachterstand.
- Jij bent het alfapubliek. ML-functies komen eerst bij huidige gebruikers terecht om te testen voordat ze algemeen beschikbaar worden. Echte feedback van echte ruiters bepaalt wat er wordt uitgebracht.
Veelgestelde vragen
Gebeurt de ML-verwerking in de cloud of op het apparaat?
Allebei. De iOS-app doet al paarddetectie op het apparaat voor de camerarol. De zwaardere modellen — pose-estimatie — draaien in de cloud na de upload, omdat ze GPU's nodig hebben die telefoons niet hebben. Je video's blijven privé; de verwerking gebeurt binnen je account.
Wat als ik alleen de video-opslag wil en niets om ML geef?
Prima. De basislaag — opslaan, delen, vinden — is en blijft de kern van het product. ML-functies zijn een aanvulling; je kunt ze volledig negeren en toch de waarde krijgen van een geordende, deelbare videobibliotheek.
De kern
equiReelz is vandaag een videoplatform dat het saaie maar noodzakelijke probleem oplost: je rondes geordend, gedeeld en doorzoekbaar krijgen in originele kwaliteit. Wat we hierna bouwen is dat, plus een serieuze ML-stack die je bibliotheek omzet in automatische analyse — auto-zoom, ruiterbiomechanica, detectie van gevallen balken, automatische socialmediaclips, alles erop en eraan.
De versie waarmee je vandaag begint, is het fundament; alles wat we uitbrengen, komt bovenop de video's die je al hebt geüpload. De ML-functies komen in hetzelfde account terecht.