Homelab · Zelfbouw · Krachttraining
VUN-FIT: mijn eigen trainingsapp
Trainingen, gewicht, voeding en herstel op één plek, op mijn eigen Raspberry Pi. Zonder abonnement en zonder dat mijn gezondheidsdata bij een derde ligt.
Wie serieus traint, gebruikt al snel vijf apps. Eén voor het schema van de trainer, één voor de weegschaal, één voor voeding, de gezondheidsapp van de telefoon en ergens een spreadsheet voor de gewichten. Elk ziet een stukje, en geen enkele app ziet het geheel. De data staat bovendien verspreid over servers van bedrijven die ik niet ken.
Daarom heb ik VUN-FIT gebouwd: een webapp die op mijn eigen secure access hub draait, naast de rest van mijn homelab. Hij kent de manier waarop mijn trainer werkt, rekent het volgende gewicht uit, haalt automatisch gegevens op uit de apps die ik al gebruikte, en maakt elke maand een rapport voor de trainer.
Wat het doet
VUN-FIT is een PWA: je zet hem op het beginscherm van je telefoon of iPad en hij gedraagt zich als een app. Op de telefoon opent hij met Vandaag, op iPad en laptop met het Dashboard. Het menu volgt vijf vragen die je jezelf als sporter stelt:
- Vandaag: wat train ik, met welk gewicht, en is er iets dat aandacht vraagt?
- Training: sets invoeren in de gym of thuis, kalender, oefeningenbibliotheek.
- Voortgang: dashboard, progressie, persoonlijke records, weekoverzicht en het rapport voor de trainer.
- Lichaam en herstel: gewicht, lichaamssamenstelling, omtrekmaten, foto’s, slaap, rusthartslag, klachten en voeding.
- Beheer: instellingen, synchronisatie en systeemstatus.
Het vier-setschema
Het hart van de app is de manier waarop mijn trainer krachttraining opbouwt. Elke hoofdoefening (squat, bench press, deadlift, hip thrust) heeft vier sets rond een basisgewicht B. De eerste twee sets bouwen op, set 3 is je max van het moment en set 4 is de set waarin je je grens verlegt. VUN-FIT rekent de gewichten uit, rondt af op de schijven die er echt liggen en tekent welke schijven je per kant op de stang schuift.
Setschema “Standaard” bij B = 100 kg
Hoe het volgende gewicht ontstaat
Na de training bepaalt één regel de B voor de volgende keer. Onder elk voorstel staat in de app Waarom dit gewicht?, zodat ik nooit hoef te raden waar een getal vandaan komt.
Regel voor de volgende B
Voortgang zien
Het dashboard toont per hoofdoefening het getrainde gewicht: de zwaarste werkset die je de vorige keer echt hebt uitgevoerd. Daarnaast een trendlijn, het verschil met vier weken geleden en een status. Til je drie trainingen achter elkaar hetzelfde gewicht, dan kleurt de status geel. Dat is geen oordeel, wel een goed moment om het met de trainer over te hebben.
Getraind gewicht · squat
Persoonlijke records houdt de app per oefening en per locatie bij: het zwaarste gewicht per aantal herhalingen, de snelste tijd per afstand voor Hyrox en hardlopen, en een geschat 1RM volgens Epley. Bij dat geschatte 1RM staat altijd de set waaruit het berekend is (uit 135 kg × 5), zodat niemand een berekening voor een getild gewicht aanziet.
Alles komt vanzelf binnen
Ik wilde niets dubbel invoeren. Eten log ik in Yazio, de weegschaal praat met de FitDays-app en mijn telefoon verzamelt stappen. VUN-FIT haalt dat op. Meten twee bronnen hetzelfde op één dag, dan geldt een vaste volgorde: een apparaat gaat voor Yazio, en Yazio gaat voor handmatige invoer.
Datastromen
Bronnen
VUN-FIT op de Pi
Naar buiten
De FitDays-import vond ik het leukste onderdeel om te bouwen. De weegschaal meet veel meer dan Health Connect doorgeeft, zoals visceraal vet en skeletspiermassa. Die waarden staan wel in het rapport dat de FitDays-app als afbeelding exporteert. VUN-FIT leest die afbeelding uit met Tesseract, op de eigen server, en toont daarna controles: klopt vetmassa met gewicht × vetpercentage? Zo niet, dan is er waarschijnlijk een cijfer verkeerd gelezen en vraagt de app om het na te kijken. De afbeelding zelf wordt niet bewaard.
Herstel zonder stoplicht
Veel apps vatten herstel samen in één score of een rood-oranje-groen stoplicht. Dat heb ik bewust niet gedaan. Het herstelblok zet elk signaal los naast je eigen normaal: slaap tegen je gemiddelde van 14 dagen, rusthartslag tegen je bandbreedte van 28 dagen, trainingsbelasting (sessie-RPE × duur) tegen je weekgemiddelde. De symbolen zijn neutraal: binnen, boven of onder. Pas na 14 dagen data is er een baseline, en ontbrekende data telt nooit als afwijking.
VUN-FIT stelt geen diagnoses. Hij laat zien wat afwijkt, het gesprek voer je met je trainer.
Klachten registreer je met lichaamsdeel, score en verloop. Heb je een open klacht bij een oefening, dan zie je tijdens de training een rustige melding. Het voorgestelde gewicht past de app nooit automatisch aan.
Privacy en beveiliging
Gezondheidsdata, lichaamsfoto’s en logins van andere diensten: dit is precies het soort data dat ik niet bij een derde wil hebben. De beveiliging is daarom vanaf versie 1.0.0 meegebouwd.
Alles draait in Docker op de Raspberry Pi. De database hangt aan een intern netwerk zonder internet en zonder open poorten.
AES-256-GCM, locatie- en toestelgegevens (EXIF) eruit, verkleind tot maximaal 2000 pixels. Nooit in meldingen, logs of de offline-cache.
Versleuteld met een publieke sleutel. Alleen de worker kan ze ontsleutelen, de API en de app kunnen ze daarna niet meer tonen.
Het uitlezen van weegrapporten gebeurt op de Pi zelf. Er gaat geen gezondheidsdata naar een externe AI-dienst.
Argon2id-hashing en een blokkade na vijf foute pogingen, met een Telegram-melding aan mij.
Containers draaien als niet-root, read-only, met no-new-privileges en een vaste geheugenlimiet.
Snel gebouwd, klein uitgerold
VUN-FIT 1.0.0 ging op 11 oktober 2026 live. Drie weken later stond versie 1.29.0 er. Dat tempo kan alleen omdat elke release klein is en terug te draaien. Het uitrolscript maakt eerst een databasedump, voert dan de migraties uit en controleert of alles gezond opstart. Gaat er iets mis, dan zet één commando de vorige versie met de bijbehorende dump terug.
Releases per dag
De stack
| Onderdeel | Keuze | Waarom |
|---|---|---|
| Frontend | SvelteKit (PWA), ECharts | Kleine bundels; grafieken laden alleen op de pagina’s die ze nodig hebben |
| API | FastAPI, Pydantic, SQLAlchemy | Strikte invoervalidatie ingebouwd |
| Database | PostgreSQL 16, Alembic | API en worker schrijven tegelijk; migraties met versiebeheer |
| Worker | APScheduler | Planning binnen de app in plaats van cron op de host |
| WeasyPrint | HTML/CSS naar PDF zonder een zware headless browser op de Pi | |
| OCR | Tesseract | Lokaal uitlezen van weegrapporten |
| Infra | Docker, Traefik | Past in de bestaande hub met TLS en middlewares |
Wat nog komt
Zodra er een smartwatch bij komt, wil ik HRV en workouts uit Health Connect meenemen. Daarnaast staan een alleen-lezen inzage voor de trainer en suggesties op basis van de historie op de lijst. Het principe blijft hetzelfde: de app laat zien wat er gebeurt en legt uit waarom, de beslissing ligt bij mij en mijn trainer.