Mise à l'échelle d'une application de fitness avec des réseaux neuronaux profonds

Détails clés

Amélioration des performances de l'application par 19%.

Défi

Développement de réseaux neuronaux à la demande
Solution

CNN pour la reconnaissance d'activités et la détection d'erreurs
Technologies et outils

PyTorch, Keras, Tensorflow, CoreML, OpenCV, ONNX

Client

Le client est une startup spécialisée dans la technologie du fitness. Elle a développé une application pour les séances d'entraînement à domicile. L'objectif principal de l'application est de proposer des programmes de fitness personnalisés et des séances d'entraînement sans équipement. Pour rendre leur application intéressante, ils voulaient la doter d'une IA.

Le client n'a pas de département interne de science des données. Il recherchait des développeurs de réseaux neuronaux expérimentés. C'est la raison pour laquelle il a contacté le L'équipe ESSID Solutions. Ils nous ont demandé de développer des modèles de détection d'erreur personnalisés et des modèles de reconnaissance d'activité avancés.

Défi : développement de réseaux neuronaux à la demande

Le client pouvait déjà reconnaître l'activité humaine dans l'application, mais n'était pas satisfait de sa qualité. Elle était lente et imprécise. Il nous a donc demandé d'améliorer la qualité de la reconnaissance des activités grâce à l'apprentissage profond.

En ce qui concerne le projet, nos consultants en réseaux neuronaux ont suggéré les tâches de vision par ordinateur suivantes :

Localisation et détection d'objets	Nous avons proposé d'utiliser des algorithmes de Deep Learning pour une détection précise et rapide des objets. L'objectif principal était de déterminer s'il y avait des objets des variétés spécifiées (humains, animaux, véhicules, etc.) et de déterminer leurs limites.
Reconnaître les mouvements et les activités humaines	Nous avons décidé d'améliorer le mouvement humain à partir de données de capteurs à l'aide de CNN. Nos experts techniques ont supposé qu'ils étaient les mieux adaptés à l'apprentissage de données provenant d'un capteur (un accéléromètre de smartphone).
Erreur Détection	Notre idée était de développer des algorithmes de détection d'erreurs personnalisés. Ils reconnaîtraient les erreurs et les imprécisions pendant les séances d'entraînement. Si une erreur est détectée, le coach IA dira à l'utilisateur de s'exercer de la bonne manière.
Développement multiplateforme	Le client avait l'intention de faire fonctionner son application sur différentes plateformes. Nous avons mis à profit notre expérience pratique pour que l'application fonctionne sans problème sur différents appareils mobiles.

Solution : CNN pour la reconnaissance d'activités et la détection d'erreurs

Pour résoudre les tâches du projet, nous avons fait des recherches. Nous avons étudié les défis du client, les spécificités de l'application et les problèmes qu'elle rencontrait.

Nous nous sommes fixé les objectifs suivants :

Développer des algorithmes personnalisés pour la localisation et la détection d'objets
Améliorer la qualité de la reconnaissance des activités
Développer des algorithmes robustes de détection d'erreurs
Stabiliser et optimiser l'architecture du réseau neuronal pour que l'application fonctionne rapidement et avec précision
Faire fonctionner l'application sur différentes plateformes (développement multiplateforme)
Fournir des outils de visualisation sur les CNN pour faciliter la prise de décision
Fournir des scripts et des guides à l'équipe du client pour faciliter le déploiement sur les appareils mobiles.

Un pionnier en matière de développement de projets dans le domaine du fitness et du bien-êtreESSID Solutions a réalisé avec succès toutes les vision par ordinateur tâches liées au projet. Nous avons amélioré la qualité de la reconnaissance des activités, créé des algorithmes de détection d'erreurs à partir de zéro. Nous avons également effectué d'autres tâches qui ont permis d'améliorer les performances et la vitesse de l'application.

Résultat : algorithmes personnalisés de détection des erreurs, amélioration de la reconnaissance des activités.

L'équipe d'ESSID Solutions a appliqué les dernières technologies au cas du client. Nous avons fait beaucoup de recherches et de discussions pour répondre aux exigences du client.

Les avantages que le client a retirés de sa collaboration avec nous :

la qualité de la reconnaissance des activités a été améliorée par 45%
localisation et détection avancées d'objets
la détection des faux positifs a diminué de 15%
la vitesse globale de l'application a été améliorée de 30%
algorithmes de détection d'erreurs sur mesure
performance de l'application améliorée par 19%
développement multiplateforme (les réseaux neuronaux peuvent fonctionner sur différents appareils mobiles)
Les réseaux neuronaux peuvent être convertis en CoreML, TFLite, Tensorflow Mobile, MACE, etc.

Le client a ainsi obtenu une solution adaptée à ses besoins. Plus tard, ils ont à nouveau contacté ESSID Solutions pour des conseils et du développement en matière d'apprentissage profond.