Dalla percezione a un riferimento condiviso
Stimare visivamente la percentuale di massa grassa significa spesso confrontarsi con riferimenti incoerenti e valutazioni soggettive. PhysiqueDB nasce per trasformare quel confronto in un processo strutturato, combinando dati antropometrici, comparazioni visive e contributi della community.
Il progetto non tratta la singola stima come una misura clinica. Costruisce invece un dataset collaborativo in cui immagini, parametri e valutazioni possono diventare riferimenti progressivamente più utili per osservare la composizione corporea.
Un quiz che restringe il campo
Il percorso raccoglie età, sesso, altezza, peso, livello muscolare e una fotografia. Il catalogo viene filtrato per sesso e livello muscolare; un quiz adattivo mostra fisici di riferimento e chiede se la persona si percepisce più o meno magra. Una ricerca binaria restringe il range numerico a ogni risposta fino a produrre una stima.
Dopo la verifica dell’email, l’account permette di recuperare il risultato, seguire i propri contributi e partecipare alla galleria. Qui le immagini diventano oggetto di valutazioni peer-to-peer, collegando l’esperienza personale alla costruzione del dataset.
Foto e parametri iniziali entrano nello stesso flusso prima delle comparazioni visive.
Tre decisioni che definiscono il progetto
01 — Il confronto guida la stima
Invece di chiedere un valore a chi usa il prodotto, il quiz propone una sequenza di confronti più semplici. L’algoritmo restringe il range di stima per ricerca binaria e mantiene leggibile il legame tra risposta e risultato.
02 — Controllare l’ingresso
Nel percorso guidato, la pipeline ottimizza la foto e usa un modello vision per verificare che il contenuto sia adatto prima di proseguire. Un port comune permette di usare Ollama con LLaVA in locale e Cloudflare Workers AI nell’ambiente pubblicato, separando la regola dal servizio scelto.
03 — Avviare il dataset localmente
Per costruire il catalogo iniziale ho creato workflow di generazione con ComfyUI e più modelli eseguiti in locale. Gli script combinano caratteristiche corporee e valori di massa grassa per produrre riferimenti sintetici senza dipendere dagli upload iniziali degli utenti.
Dal monorepo al prodotto pubblicato
Ho seguito PhysiqueDB dall’idea all’esperienza, sviluppando frontend React e API FastAPI nello stesso monorepo. Nel backend, port e adapter separano dal dominio storage, analisi delle immagini ed email; autenticazione JWT, conferma email e recupero password completano il ciclo dell’account.
La versione pubblica distribuisce il frontend su Cloudflare, l’API su Render, PostgreSQL su Neon e le immagini su Cloudflare R2. Il progetto è ancora in evoluzione: quiz, account, galleria e votazione sono funzionanti, mentre catalogo e modello statistico continuano a essere sviluppati.
