Aumentar a escala de uma aplicação de fitness com redes neurais profundas

Principais pormenores

Aumento do desempenho da aplicação em 19%.

Desafio

Desenvolvimento de redes neurais a pedido
Solução

CNNs para reconhecimento de actividades e deteção de erros
Tecnologias e ferramentas

PyTorch, Keras, Tensorflow, CoreML, OpenCV, ONNX

Cliente

O cliente é uma startup de tecnologia de fitness. Desenvolveram uma aplicação para treinos em casa. O foco principal da aplicação são programas de fitness personalizados e treinos sem equipamento. Para fazer com que a aplicação valesse a pena, eles queriam capacitá-la com IA.

O cliente não tem um departamento interno de ciência de dados. Procurava programadores de redes neuronais experientes. Foi por essa razão que contactaram a Equipa de soluções ESSID. Pediram-nos para desenvolver modelos personalizados de deteção de erros e modelos avançados de reconhecimento de actividades.

Desafio: desenvolvimento de redes neuronais a pedido

O cliente já conseguia reconhecer a atividade humana na aplicação, mas não estava satisfeito com a sua qualidade. Era lento e impreciso. Por isso, pediram-nos para melhorar a qualidade do reconhecimento da atividade com aprendizagem profunda.

Em termos do projeto, os nossos consultores de redes neuronais sugeriram as seguintes tarefas de visão computacional:

Localização e deteção de objectos	Propusemos utilizar algoritmos de aprendizagem profunda para uma deteção precisa e rápida de objectos. O principal objetivo era determinar se existiam objectos das variedades especificadas (como humanos, animais, veículos, etc.) e determinar os seus limites.
Reconhecer movimentos e actividades humanas	Decidimos melhorar o movimento humano a partir de dados de sensores com CNNs. Os nossos especialistas em tecnologia supuseram que estas eram mais adequadas para aprender dados de um sensor (um acelerómetro de smartphone).
Erro Deteção	A nossa ideia era desenvolver algoritmos de deteção de erros personalizados. Estes algoritmos reconheceriam erros e imprecisões durante os treinos. Se for detectado algum erro, o treinador de IA dirá ao utilizador para fazer o exercício da forma correta.
Desenvolvimento multiplataforma	O cliente tinha planos para executar a sua aplicação em várias plataformas. Oferecemos a nossa experiência prática para que a aplicação funcionasse sem problemas em diferentes dispositivos móveis.

Solução: CNNs para reconhecimento de actividades e deteção de erros

Para resolver as tarefas do projeto, fizemos investigação. Estudámos os desafios do cliente, as especificidades da aplicação e os problemas que esta apresentava.

Estabelecemos os seguintes objectivos:

Desenvolver algoritmos personalizados para localização e deteção de objectos
Melhorar a qualidade do reconhecimento de actividades
Desenvolver algoritmos robustos de deteção de erros
Estabilizar e otimizar a arquitetura da rede neural para que a aplicação funcione de forma rápida e precisa
Fazer com que a aplicação funcione em várias plataformas (desenvolvimento multiplataforma)
Fornecer ferramentas de visualização em CNNs para facilitar a tomada de decisões
Fornecer guiões e guias à equipa do cliente para facilitar a implementação em dispositivos móveis

Um pioneiro em desenvolvimento de projectos de fitness e bem-estarA ESSID Solutions tinha realizado com êxito todas as visão computacional tarefas relacionadas com o projeto. Melhorámos a qualidade do reconhecimento de actividades e criámos algoritmos de deteção de erros de raiz. Também realizámos outras tarefas que melhoraram o desempenho e a velocidade da aplicação.

Resultado: algoritmos de deteção de erros personalizados, melhoria do reconhecimento de actividades

A equipa da ESSID Solutions aplicou a mais recente tecnologia ao caso do cliente. Fizemos muita pesquisa e discussão para nos alinharmos com os requisitos do cliente.

Os benefícios que o cliente obteve ao colaborar connosco:

qualidade do reconhecimento de atividade melhorada pelo 45%
localização e deteção avançadas de objectos
a deteção de falsos positivos diminuiu em 15%
velocidade geral da aplicação melhorada em 30%
algoritmos de deteção de erros por medida
desempenho da aplicação melhorado por 19%
desenvolvimento multiplataforma (as redes neuronais podem ser executadas em vários dispositivos móveis)
as redes neuronais podem ser convertidas para CoreML, TFLite, Tensorflow Mobile, MACE, etc.

Como resultado, o cliente obteve uma solução adaptada especificamente às suas necessidades. Mais tarde, voltaram a contactar a ESSID Solutions para consultoria e desenvolvimento de aprendizagem profunda.