Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com24. Juni 2025 · Q011437

SwiftUI Tutorial: Build an Interactive Muscle-Map

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Artikel zeigt, wie sich ein interaktiver Muskelplan in SwiftUI mit `Path`, relativen Koordinaten und `.contentShape` zum Erkennen von Taps umsetzen lässt. Der Autor behauptet 60 fps auf einem iPhone SE, dokumentiert aber keine Messbedingungen; vollständiger Quellcode und die komplette Rückseitengeometrie sind laut Bericht kostenpflichtig erhältlich.

Mittel

Der Artikel erklärt die Kernideen für einen interaktiven Muskelplan in SwiftUI. Eine Komponente namens `BodyMusclePicker` verbindet ein Enum mit 19 Muskelgruppen, berechnete `Path`-Formen und eine Ansicht, die eine Körpersilhouette mit auswählbaren Muskelbereichen überlagert. Der Autor ordnet die Bereiche Vorder- und Rückansicht zu und empfiehlt `.contentShape(path)`, damit Taps innerhalb der unregelmäßigen Formen erkannt werden. Eine Hilfsfunktion für gedrehte, abgerundete Trapeze dient als Beispiel für die Geometrie.

Für unterschiedliche Displays sollen ein festes Seitenverhältnis und relative Koordinaten auf Basis einer 1024×1024-Designfläche sorgen. Vorgesehene Einstellungen umfassen Hervorhebungsfarbe, Schreibschutz und eine gebundene Auswahl. Der Autor behauptet, die 19 Formen liefen auf einem iPhone SE im Leerlauf mit 60 fps, nennt aber keine Messbedingungen. Animationen, einen Wechsel zwischen Vorder- und Rückseite und Datenanzeigen nennt er als mögliche Erweiterungen. Vollständiger Quellcode, Rückseitengeometrie und ein MVVM-Projekt sind laut Artikel nur über eine kostenpflichtige Patreon-Fassung verfügbar.

Ausführlich lesen

Der Bericht ist ein SwiftUI-Tutorial zum Bau eines interaktiven Muskelplans, auf dem Nutzer einzelne Muskelgruppen durch Tippen auswählen können. Der Autor stellt den Ansatz als Alternative zu großen Sprite-Sheets und UIKit-Hit-Tests vor und beschreibt die zentralen Bausteine einer wiederverwendbaren Komponente namens `BodyMusclePicker`.

Die Architektur besteht laut Artikel aus einem `MuscleGroup`-Enum, der Berechnung von SwiftUI-`Path`-Formen und einer einzelnen `BodyMuscleView`. Das Enum umfasst 19 Muskelgruppen und ordnet sie der Vorderseite, der Rückseite oder beiden Ansichten zu. Beim Zeichnen werden Pfade für die sichtbaren Muskeln über eine Silhouette gelegt; ausgewählte Bereiche erhalten eine transparente Hervorhebung. Die Auswahl wird über ein Binding mit dem umgebenden ViewModel verbunden.

Für die Geometrie zeigt das Tutorial eine Hilfsfunktion, die ein abgerundetes Trapez anhand eines Winkels dreht. Solche Pfade dienen als vereinfachte Formen für Muskelbereiche, etwa den Bizeps. Zur Auswahl verwendet der Code `.contentShape(path)`, damit die Tap-Fläche der Form folgt, statt eine rechteckige Fläche oder transparente Bildpixel auszuwerten. Der Autor behauptet, dass der Picker mit 19 Formen auf einem iPhone SE im Leerlauf 60 Bilder pro Sekunde erreicht; Messwerte oder Testbedingungen nennt der Bericht dazu nicht.

Für verschiedene Bildschirmgrößen empfiehlt der Artikel ein festes Seitenverhältnis und relative Koordinaten. Ausgangspunkt ist eine Designfläche von 1024 × 1024 Einheiten, deren Positionen mit einfachen Formeln auf den verfügbaren Rahmen umgerechnet werden. Als Anpassungsmöglichkeiten nennt der Bericht eine Farbe für Hervorhebungen, einen interaktiven oder schreibgeschützten Modus und eine gebundene Auswahl.

Als mögliche Erweiterungen schlägt der Autor Animationen beim Umschalten, eine Schaltfläche zum Wechsel zwischen Vorder- und Rückansicht sowie zusätzliche Daten wie Trainingsvolumen, letztes Trainingsdatum oder Muskelkater vor. Die vollständige Geometrie der Rückseite, der vollständige Quellcode und ein MVVM-Beispielprojekt werden laut Artikel in einer kostenpflichtigen Patreon-Fassung angeboten. Der vorliegende Tutorialtext enthält daher nur ausgewählte Codebeispiele und die Kernideen, nicht die vollständige Umsetzung. Zusammengefasst empfiehlt der Autor, Muskelbereiche mit `Path` und Geometrie zu zeichnen, sie über `contentShape` anklickbar zu machen, Koordinaten relativ zu einer Designfläche zu berechnen und die Komponente über eine kleine API in andere Apps einzubinden.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Zusammenfassungen geben den Bericht sachlich treu wieder und enthalten keine erfundenen Angaben. Die kurze Fassung lässt mehr Einzelheiten aus, etwa das Enum und die Anpassung an Bildschirmgrößen. Es wurden keine Sammel- oder Teilfragen angegeben, daher bleibt die Einordnung leer.

Im Bericht, aber nicht in der Zusammenfassung

  • Motivation der interaktiven Muskelkarte (intuitive Bedienung, Engagement, Wiederverwendbarkeit), in keiner der beiden Zusammenfassungen genannt
  • Vorder- und Rückseitenzuordnung der 19 Muskelgruppen über das Enum, nur in der mittleren Zusammenfassung angedeutet
  • Anpassung an verschiedene Bildschirmgrößen über festes Seitenverhältnis, nur in der mittleren Zusammenfassung erwähnt

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle

Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →