Den nuvarande generationen av equiReelz — spara, dela, hitta — löser ett verkligt problem: att få dina banhoppningsronder från smartphonen som filmade dem till personerna som behöver analysera dem, i originalkvalitet, utan manuell vidarebefordran. Det är den tråkiga men nödvändiga grunden. Den som analyserar video måste först kunna få tag på videon.
Det intressanta arbetet — det som gör seriös analys tillgänglig för ryttare som inte har en personlig biomekanikcoach — kommer härnäst. Det här inlägget är den offentliga färdplanen för de ML- och datorseendefunktioner vi bygger in i equiReelz. Det är ärligt om vad som är levererat, vad som är under utveckling och vad som är på forskningsstadiet. Om du är en nuvarande användare som undrar om equiReelz kommer att fortsätta bli bättre, är det här inlägget för dig.
Var vi är nu (vad som redan är levererat)
Grundlagret:
- Uppladdning i original-4K-kvalitet från vilken telefon som helst, utan komprimering på vägen till personerna som behöver titta på den
- Automatiska delningsregler — videor av häst X går automatiskt till rätt personer
- Sök på häst, ryttare, plats, datum — hitta vilket klipp som helst på sekunder
- Uppspelning bildruta för bildruta och i slowmotion för analys
- Videojämförelse sida vid sida
- QR-koddelningslänkar för bruk vid banan
- iOS-app med ML på enheten som automatiskt upptäcker hästvideor i din kamerarulle
Det här lagret är stabilt. Nästa lager är där analysen blir beräkningsmässig snarare än rent visuell.
Vad som kommer härnäst: v2-ML-stacken
Var och en av följande är under aktiv utveckling. Vi bygger stegvis och levererar enskilda delar så snart de når produktionskvalitet, i stället för att vänta på en enda stor "v2"-release. Det här är ordningen vi arbetar i.
Autozoom
Den överlägset mest efterfrågade funktionen från nuvarande användare. Problemet: de flesta ryttares tävlingsfilmer spelas in från en fast punkt — banans långsida, från föräldrabänken, från framhoppningens räcke. Hästen och ryttaren upptar kanske 10 % av bilden. För att faktiskt se något måste du nypzooma och panorera, vilket förstör analysen.
Autozoom använder objektdetektering på hästen och ryttaren för att följa dem automatiskt genom ronden — resultatet är en virtuell närbild som följer händelsen utan manuell scrubbning. Den ursprungliga vidvinkelbilden förblir tillgänglig; den autozoomade versionen är ett genererat överlägg du kan titta på i stället.
Status: pipeline för poseuppskattning fungerar i labbet; vi produktionssätter kamerabanans mjukhet.
Ryttarens ledvinklar och 3D-pose
Ryttarens biomekanik — höftvinkel i anridningen, axelrotation över hindret, benposition vid nedslaget — mätt automatiskt utifrån samma video du redan laddat upp. Användbart för att jobba med sitsproblem som är nästan omöjliga att se i realtid, även från marken.
Det bygger på modeller för mänsklig 3D-poseuppskattning som förbättrats dramatiskt de senaste 18 månaderna. Det tekniska arbetet handlar mest om att tillämpa dem robust på den specifika geometrin hos en ryttare till häst.
Status: 3D-posemodeller utvärderade; integreras i analyspipelinen.
Identifiering av nedslagna bommar
Mindre funktion, omedelbart användbar: automatisk identifiering av när en bom faller. Videon taggas med hindernumret och tidsstämpeln; du kan söka efter "ronder med rivningar" eller "felfria ronder" utan att titta på allt.
Status: objektdetekteringsmodell under träning.
Återidentifiering av häst och ryttare
När du väl har laddat upp några ronder av en häst kan plattformen känna igen samma häst i framtida uppladdningar — även om metadata inte fyllts i korrekt. Löser problemet "vilken häst är det här egentligen?" i stor skala, särskilt för ridskolor med över 20 hästar eller säljare som hanterar lager.
Byggt med siamesiska nätverk på hästspecifika egenskapsvektorer. Samma metod utökas till ryttare.
Status: prototyp fungerar på liten datamängd; behöver skala.
Konvertering för sociala medier
Ta en horisontell tävlingsrond och generera automatiskt de vertikala klippen för Instagram eller TikTok — fokuserade på hoppen, med valfri slowmotion och en följande närbild. För ryttarna och stallen som bygger en publik förvandlar det "jag borde lägga upp lite video den här veckan" till en export med ett tryck.
Status: pipeline fungerar med nuvarande poseuppskattning; vi produktionssätter de redaktionella valen (vilket hopp, hur mycket slowmotion, hur man beskär).
Gångartsidentifiering
Automatisk identifiering av vad hästen gör i ett klipp — galopp, hopp, trav, galopp, skritt. Användbart som indata till alla andra funktioner (du vill inte mäta steglängd under ett halt) men också fristående — sök i ditt bibliotek efter "alla travklipp" eller "alla hoppansträngningar 2025".
Metod: modeller för temporal aktionsigenkänning (LSTM eller transformer) som matas med poseuppskattningens utdata bildruta för bildruta.
Status: under utveckling.
Varför vi levererar detta i equiReelz i stället för som ett separat verktyg
Det svåra med all seriös analys är att över huvud taget ha källmaterialet. Anledningen till att befintliga biomekanikverktyg inte slagit igenom i hästvärlden är inte verktygen — det är att ingen har videorna, i originalkvalitet, ordnade efter häst och ryttare, redo att matas in i något. Du kan inte köra poseuppskattning på ett 480p-WhatsApp-klipp.
equiReelz löser källmaterialsproblemet först. När ditt bibliotek väl är på plats — varje rond i originalkvalitet, ordentligt taggad — är att tillämpa ML på det det självklara nästa steget. Vi kan göra för hästvärlden vad verktyg som Hudl gjorde för lagsporter: inte bara analys, utan analys ovanpå ordnat material som annars inte skulle finnas.
Vad detta betyder för nuvarande användare
Två saker:
- Ditt befintliga bibliotek kommer att vara ML-redo. Varje rond du laddat upp i originalkvalitet är indata som dessa modeller behöver. Du behöver inte filma om något; det historiska arkivet blir analyskön.
- Du är alfapubliken. ML-funktioner landar först hos nuvarande användare för testning innan de blir allmänt tillgängliga. Verklig återkoppling från riktiga ryttare formar vad som levereras.
Vanliga frågor
Sker ML-bearbetningen i molnet eller på enheten?
Båda. iOS-appen gör redan hästidentifiering på enheten för kamerarullen. De tyngre modellerna — poseuppskattning — körs i molnet efter uppladdning, eftersom de behöver GPU:er som telefoner inte har. Dina videor förblir privata; bearbetningen sker inom ditt konto.
Tänk om jag bara vill ha videolagringen och inte bryr mig om ML?
Det går bra. Grundlagret — spara, dela, hitta — är och förblir produktens kärna. ML-funktioner är ett tillägg; du kan ignorera dem helt och ändå få värdet av ett ordnat, delbart videobibliotek.
Slutsatsen
equiReelz är i dag en videoplattform som löser det tråkiga men nödvändiga problemet: att ha dina ronder ordnade, delade och sökbara i originalkvalitet. Det vi bygger härnäst är det, plus en seriös ML-stack som förvandlar ditt bibliotek till automatisk analys — autozoom, ryttarbiomekanik, identifiering av nedslagna bommar, automatiska klipp för sociala medier, hela paketet.
Versionen du börjar med i dag är grunden; allt vi levererar landar ovanpå videorna du redan laddat upp. ML-funktionerna landar i samma konto.