Ampliar una aplicación de fitness con redes neuronales profundas

Detalles clave

Aumento del rendimiento de las aplicaciones en 19%.

Desafío

Desarrollo de redes neuronales a la carta
Solución

CNN para el reconocimiento de actividades y la detección de errores
Tecnologías y herramientas

PyTorch, Keras, Tensorflow, CoreML, OpenCV, ONNX

Cliente

El cliente es una startup de tecnología de fitness. Han desarrollado una aplicación para entrenamientos en casa. El objetivo principal de la aplicación son los programas de fitness personalizados y los entrenamientos sin equipamiento. Para que su aplicación mereciera la pena, querían potenciarla con IA.

El cliente no dispone de un departamento interno de ciencia de datos. Buscaban desarrolladores de redes neuronales con experiencia. Esa fue la razón por la que se pusieron en contacto con el Equipo de soluciones ESSID. Nos pidieron que desarrolláramos modelos personalizados de detección de errores y avanzáramos en los de reconocimiento de actividades.

Reto: desarrollo de redes neuronales a la carta

El cliente ya podía reconocer la actividad humana en la aplicación, pero no estaba satisfecho con su calidad. Era lenta e imprecisa. Así que nos pidió que mejoráramos la calidad del reconocimiento de actividad con aprendizaje profundo.

En cuanto al proyecto, nuestros consultores de redes neuronales sugirieron las siguientes tareas de visión por ordenador:

Localización y detección de objetos	Propusimos utilizar algoritmos de aprendizaje profundo para detectar objetos con precisión y rapidez. El objetivo principal era determinar si había objetos de las variedades especificadas como humanos, animales, vehículos, etc.) y determinar sus límites.
Reconocer los movimientos y las actividades humanas	Decidimos mejorar el movimiento humano a partir de datos de sensores con CNN. Nuestros expertos en tecnología suponían que eran las más adecuadas para aprender datos de un sensor (el acelerómetro de un smartphone).
Error Detección	Nuestra idea era desarrollar algoritmos personalizados de detección de errores. Reconocerían errores e imprecisiones durante los entrenamientos. Si se detectaba algún error, el entrenador de IA indicaría al usuario que hiciera el ejercicio de la forma correcta.
Desarrollo multiplataforma	El cliente tenía previsto ejecutar su aplicación en varias plataformas. Le ofrecimos nuestra experiencia práctica para que funcionara sin problemas en distintos dispositivos móviles.

Solución: CNN para el reconocimiento de actividades y la detección de errores

Para resolver las tareas del proyecto, investigamos. Estudiamos los retos del cliente, las particularidades de la app y los problemas que tenía.

Nos hemos fijado los siguientes objetivos:

Desarrollo de algoritmos personalizados de localización y detección de objetos
Mejorar la calidad del reconocimiento de actividades
Desarrollar algoritmos sólidos de detección de errores
Estabilizar y optimizar la arquitectura de la red neuronal para que la aplicación funcione con rapidez y precisión.
Hacer que la aplicación funcione en varias plataformas (desarrollo multiplataforma)
Proporcionar herramientas de visualización de las CNN para facilitar la toma de decisiones
Proporcionar guiones y guías al equipo del cliente para facilitar la implantación en dispositivos móviles.

Un pionero en desarrollo de proyectos de fitness y bienestar, ESSID Solutions había realizado con éxito todos los visión por ordenador tareas relacionadas con el proyecto. Mejoramos la calidad del reconocimiento de actividades, creamos algoritmos de detección de errores desde cero. También realizamos otras tareas que mejoraron el rendimiento y la velocidad de la aplicación.

Resultado: algoritmos de detección de errores personalizados, mejora del reconocimiento de actividades

El equipo de ESSID Solutions ha aplicado la tecnología más avanzada al caso del cliente. Hemos investigado y debatido mucho para ajustarnos a los requisitos del cliente.

Los beneficios que ha obtenido el cliente colaborando con nosotros:

mejora de la calidad del reconocimiento de actividades con 45%
localización y detección avanzadas de objetos
la detección de falsos positivos disminuyó en 15%
la velocidad general de la aplicación ha mejorado en 30%
algoritmos de detección de errores a medida
rendimiento de la aplicación mejorado por 19%
desarrollo multiplataforma (las redes neuronales pueden funcionar en varios dispositivos móviles)
Las redes neuronales pueden convertirse a CoreML, TFLite, Tensorflow Mobile, MACE, etc.

Como resultado, el cliente obtuvo una solución adaptada específicamente a sus necesidades. Más tarde, volvieron a ponerse en contacto con ESSID Solutions para obtener consultoría y desarrollo de aprendizaje profundo.