Mejora de la estimaci\u00f3n de la pose y la detecci\u00f3n de errores mediante 64%.<\/p>\n
El cliente es una startup estadounidense especializada en el reconocimiento de la actividad humana y el an\u00e1lisis del movimiento.
Disponen de una aplicaci\u00f3n m\u00f3vil sanitaria dise\u00f1ada para capturar y estimar los movimientos del cuerpo humano durante los entrenamientos y la fisioterapia. La aplicaci\u00f3n est\u00e1 equipada con herramientas de seguimiento que ayudan a los usuarios a hacer ejercicio de la manera correcta y a alcanzar sus objetivos de fitness.<\/p>\n
Las soluciones de c\u00f3digo abierto para la estimaci\u00f3n de la postura m\u00f3vil no parec\u00edan funcionar para el cliente, por eso pidieron asesoramiento a ESSID Solutions sobre el problema de la estimaci\u00f3n de la postura humana en tiempo real. Tambi\u00e9n cabe mencionar que antes no exist\u00edan soluciones comunes para la detecci\u00f3n de errores y el recuento de repeticiones.<\/p>\n
Para superar a la competencia en el mercado de las aplicaciones de salud m\u00f3vil, el cliente quer\u00eda dotar a su aplicaci\u00f3n de IA (inteligencia artificial). Ten\u00edan dificultades para estimar la postura del cuerpo humano. La tarea principal de nuestro equipo era mejorar su precisi\u00f3n sin afectar a la velocidad ni a la usabilidad.<\/p>\n
El cliente quer\u00eda ampliar su aplicaci\u00f3n de fitness con detecci\u00f3n de errores en tiempo real durante los entrenamientos y la fisioterapia. Esta funcionalidad puede ayudar al usuario a evitar errores comunes en los entrenamientos y reducir significativamente el riesgo de lesiones.<\/p>\n
El equipo de ESSID Solutions acept\u00f3 el reto de proporcionar al cliente estimaci\u00f3n robusta de la pose<\/a> y la funcionalidad de detecci\u00f3n de errores desde cero.<\/p>\n La estimaci\u00f3n de la postura es una t\u00e9cnica de visi\u00f3n por ordenador que predice y rastrea no s\u00f3lo la ubicaci\u00f3n de una persona u objeto, sino tambi\u00e9n las articulaciones en concreto. Hasta ahora se han hecho notables progresos en la estimaci\u00f3n de la postura, pero a\u00fan no se ha conseguido reconocer las actividades humanas en entornos reales. Esta tarea se convierte en un reto a\u00fan mayor cuando no se aborda desde c\u00e1maras aut\u00f3nomas en modo offline, sino desde smartphones en tiempo real. Esto se debe a que la ejecuci\u00f3n en tiempo real aumenta significativamente el rendimiento de los datos de entrada y los c\u00e1lculos necesarios, mientras que los recursos inform\u00e1ticos disponibles en los dispositivos m\u00f3viles siguen siendo limitados.<\/p>\n La estimaci\u00f3n de posturas puede clasificarse en los siguientes tipos: estimaci\u00f3n de posturas unipersonales o multipersonales, 3D o 2D, en tiempo real o fuera de l\u00ednea. Tras analizar las necesidades del cliente, decidimos que la estimaci\u00f3n de posturas unipersonales 2D en tiempo real ser\u00eda una buena opci\u00f3n cuando se aplica a ejercicios f\u00edsicos muy diferentes.<\/p>\n Para detectar articulaciones humanas en movimiento en tiempo real, aplicamos enfoques de aprendizaje profundo adecuados para problemas complicados de visi\u00f3n por ordenador. Nuestros ingenieros tuvieron que desarrollar una tecnolog\u00eda de redes neuronales completamente nueva para aprovechar un mont\u00f3n de conocimientos e ideas y lograr as\u00ed una calidad de detecci\u00f3n de articulaciones competitiva.<\/p>\n Empezamos uniendo todo tipo de conjuntos de datos abiertos para diversos tipos de estimaci\u00f3n de la postura humana, ya que las cantidades masivas de datos son un ingrediente crucial de las redes neuronales profundas de alta calidad que funcionan con precisi\u00f3n y solidez en los casos de uso espec\u00edficos del mundo real. Adem\u00e1s, tuvimos que desarrollar nuestros propios m\u00e9todos de aumento de datos para aumentar a\u00fan m\u00e1s el conjunto de datos.<\/p>\n Despu\u00e9s de tratar los conjuntos de datos, desarrollamos un modelo avanzado de esqueleto humano con puntos clave adicionales que ampliaron enormemente nuestras oportunidades en el an\u00e1lisis de ejercicios de fitness y fisioterapia.<\/p>\n El siguiente paso fue crear una arquitectura neuronal de estimaci\u00f3n de la pose eficiente. Al cliente le preocupaba el rendimiento de la aplicaci\u00f3n m\u00f3vil, por eso nos centramos en optimizar la eficiencia operativa y reducir el tiempo de carga.<\/p>\n Utilizamos PyTorch para proporcionar al cliente una canalizaci\u00f3n de formaci\u00f3n racionalizada, as\u00ed como modelos CoreML para el despliegue de modelos de aprendizaje profundo y CV que desarrollamos.<\/p>\n Otro problema de la ciencia de datos era aplicar la detecci\u00f3n de errores durante los entrenamientos y la fisioterapia. La detecci\u00f3n de errores ayuda a comprender las formas adecuadas e incorrectas de realizar ejercicios f\u00edsicos. Se utiliza para identificar las articulaciones humanas y orientar al usuario sobre c\u00f3mo hacer ejercicio de la forma correcta. Por ejemplo, la estimaci\u00f3n de la postura de la cabeza es esencial cuando el usuario realiza una plancha. La aplicaci\u00f3n estima la posici\u00f3n de la cabeza para evitar lesiones durante el ejercicio.<\/p>\n Merece la pena mencionar que tuvimos que desarrollar algoritmos personalizados para la detecci\u00f3n de errores y el recuento de repeticiones de forma que los usuarios de la aplicaci\u00f3n m\u00f3vil puedan obtener informaci\u00f3n instant\u00e1nea a trav\u00e9s de una interfaz de audio con un entrenador virtual de IA.<\/p>\n ESSID Solutions aplic\u00f3 con \u00e9xito su experiencia en visi\u00f3n por ordenador y aprendizaje profundo para ayudar al cliente con una soluci\u00f3n basada en IA. Nuestra experiencia en redes neuronales m\u00f3viles y aprendizaje profundo ayud\u00f3 a superar el reto de reconocimiento de la actividad humana en plazos muy limitados, aunque los enfoques de aprendizaje profundo requieren meses de trabajo. Nuestra red neuronal de estimaci\u00f3n de la posici\u00f3n humana en tiempo real y los algoritmos de detecci\u00f3n de errores se integraron con \u00e9xito para la app de ejercicios de entrenamiento y rehabilitaci\u00f3n.<\/p>\n Desarrollamos una soluci\u00f3n que pod\u00eda hacer frente a los cambios de iluminaci\u00f3n, la p\u00e9rdida de velocidad de fotogramas, la entrada de otras personas en el fotograma, las oclusiones, etc.<\/p>\n Ahora la aplicaci\u00f3n va m\u00e1s all\u00e1 para asegurarse de que el usuario hace ejercicio de la manera correcta y saca el m\u00e1ximo partido de su entrenamiento. Las recomendaciones del entrenador de IA desarrollado ofrecen informaci\u00f3n valiosa y ayudan a los usuarios a alcanzar sus objetivos de fitness evitando lesiones innecesarias.<\/p>\nSoluci\u00f3n: aprendizaje profundo para la estimaci\u00f3n precisa de la pose humana y algoritmos de ciencia de datos para la detecci\u00f3n de errores<\/h2>\n
Resultado: mejora de la estimaci\u00f3n de la pose y de la detecci\u00f3n de errores<\/h2>\n
El\u00edjanos como su Visi\u00f3n por ordenador<\/a> Proveedor de servicios<\/h3>","protected":false},"excerpt":{"rendered":"