Skalierung einer Fitness-App mit tiefen neuronalen Netzen

Wichtige Details

Steigerung der Anwendungsleistung um 19%.

Herausforderung

On-Demand-Entwicklung neuronaler Netze
Lösung

CNNs für die Erkennung von Aktivitäten und Fehlererkennung
Technologien und Werkzeuge

PyTorch, Keras, Tensorflow, CoreML, OpenCV, ONNX

Kunde

Der Kunde ist ein Startup-Unternehmen im Bereich Fitness. Es hat eine App für Workouts zu Hause entwickelt. Der Schwerpunkt der App liegt auf personalisierten Fitnessprogrammen und Workouts ohne Geräte. Um die App lohnenswert zu machen, wollten sie sie mit KI ausstatten.

Der Kunde hat keine eigene Data-Science-Abteilung. Er war auf der Suche nach erfahrenen Entwicklern für neuronale Netze. Das war der Grund, warum sie sich an die ESSID Solutions Team. Sie beauftragten uns mit der Entwicklung maßgeschneiderter Modelle zur Fehlererkennung und fortschrittlicher Modelle zur Aktivitätserkennung.

Herausforderung: Entwicklung neuronaler Netze auf Abruf

Der Kunde konnte mit der App bereits menschliche Aktivitäten erkennen, war aber mit der Qualität nicht zufrieden. Sie war langsam und ungenau. Also bat er uns, die Qualität der Aktivitätserkennung mit Deep Learning zu verbessern.

Im Rahmen des Projekts schlugen unsere Berater für neuronale Netze die folgenden Aufgaben im Bereich der Computer Vision vor:

Objektlokalisierung und Objekterkennung	Wir boten an, Deep Learning-Algorithmen für eine genaue und schnelle Objekterkennung zu verwenden. Das Hauptziel war es, festzustellen, ob es Objekte der angegebenen Arten (Menschen, Tiere, Fahrzeuge usw.) gibt und deren Grenzen zu bestimmen.
Erkennen von menschlichen Bewegungen und Aktivitäten	Wir beschlossen, die menschliche Bewegung aus Sensordaten mit CNNs zu verbessern. Unsere Technikexperten waren der Meinung, dass sie sich am besten für das Lernen von Daten aus einem Sensor (einem Smartphone-Beschleunigungsmesser) eignen.
Fehler Erkennung	Unsere Idee war es, eigene Algorithmen zur Fehlererkennung zu entwickeln. Sie würden Fehler und Ungenauigkeiten während des Trainings erkennen. Wenn ein Fehler erkannt wird, sagt der KI-Coach dem Nutzer, dass er richtig trainieren soll.
Plattformübergreifende Entwicklung	Der Kunde hatte vor, seine App auf verschiedenen Plattformen laufen zu lassen. Wir boten unsere praktische Erfahrung an, damit die App auf verschiedenen mobilen Geräten reibungslos läuft.

Lösung: CNNs für Aktivitätserkennung und Fehlererkennung

Um die Projektaufgaben zu lösen, haben wir recherchiert. Wir studierten die Herausforderungen des Kunden, die Besonderheiten der App und die Probleme, die sie hatte.

Wir haben uns die folgenden Ziele gesetzt:

Entwicklung benutzerdefinierter Algorithmen zur Objektlokalisierung und -erkennung
Verbesserung der Qualität der Tätigkeitserkennung
Entwicklung robuster Algorithmen zur Fehlererkennung
Stabilisierung und Optimierung der Architektur des neuronalen Netzes, damit die Anwendung schnell und genau arbeitet
Die Anwendung auf verschiedenen Plattformen laufen lassen (plattformübergreifende Entwicklung)
Bereitstellung von Visualisierungstools für CNNs zur einfachen Entscheidungsfindung
Bereitstellung von Skripten und Anleitungen für das Team des Kunden zur einfachen Bereitstellung auf mobilen Geräten

Ein Pionier der Fitness und Wellness ProjektentwicklungESSID Solutions hat alle Aufgaben erfolgreich erledigt. Computervision Aufgaben im Zusammenhang mit dem Projekt. Wir haben die Qualität der Aktivitätserkennung verbessert und Algorithmen zur Fehlererkennung von Grund auf neu entwickelt. Wir haben auch andere Aufgaben erledigt, die die Leistung und Geschwindigkeit der App erhöht haben.

Ergebnis: benutzerdefinierte Algorithmen zur Fehlererkennung, Verbesserung der Aktivitätserkennung

Das Team von ESSID Solutions hat die neueste Technologie auf den Fall des Kunden angewendet. Wir haben viel geforscht und diskutiert, um den Anforderungen des Kunden gerecht zu werden.

Die Vorteile, die der Kunde aus der Zusammenarbeit mit uns gezogen hat:

verbesserte Qualität der Aktivitätserkennung durch 45%
Erweiterte Objektlokalisierung und -erkennung
Falsch-positiver Nachweis um 15% verringert
Gesamtgeschwindigkeit der Anwendung um 30% verbessert
maßgeschneiderte Algorithmen zur Fehlererkennung
Steigerung der App-Leistung durch 19%
plattformübergreifende Entwicklung (neuronale Netze können auf verschiedenen mobilen Geräten laufen)
Neuronale Netze können in CoreML, TFLite, Tensorflow Mobile, MACE, etc. konvertiert werden.

Als Ergebnis erhielt der Kunde eine Lösung, die speziell auf seine Bedürfnisse zugeschnitten war. Später wandte sich das Unternehmen erneut an ESSID Solutions, um Beratung und Entwicklung im Bereich Deep Learning zu erhalten.