Estimativa de pose melhorada e dete\u00e7\u00e3o de erros por 64%.<\/p>\n
O cliente \u00e9 uma empresa americana em fase de arranque especializada no reconhecimento da atividade humana e na an\u00e1lise de movimentos.
Disp\u00f5em de uma aplica\u00e7\u00e3o m\u00f3vel para cuidados de sa\u00fade concebida para captar e estimar os movimentos do corpo humano durante os treinos e a fisioterapia. A aplica\u00e7\u00e3o est\u00e1 equipada com ferramentas de monitoriza\u00e7\u00e3o que ajudam os utilizadores a fazer exerc\u00edcio da forma correta e a atingir os seus objectivos de fitness.<\/p>\n
As solu\u00e7\u00f5es de c\u00f3digo aberto para a estimativa da postura m\u00f3vel n\u00e3o pareciam funcionar para o cliente, raz\u00e3o pela qual procuraram aconselhamento junto da ESSID Solutions sobre o problema da estimativa da postura humana em tempo real. Tamb\u00e9m vale a pena mencionar que n\u00e3o existiam solu\u00e7\u00f5es comuns para a dete\u00e7\u00e3o de erros e a contagem de repeti\u00e7\u00f5es.<\/p>\n
Para vencer a concorr\u00eancia no mercado das aplica\u00e7\u00f5es de sa\u00fade m\u00f3vel, o cliente pretendia refor\u00e7ar a sua aplica\u00e7\u00e3o com IA (Intelig\u00eancia Artificial). Tinham dificuldade em estimar a pose do corpo humano. A principal tarefa da nossa equipa era melhorar a sua precis\u00e3o sem afetar a velocidade e a facilidade de utiliza\u00e7\u00e3o.<\/p>\n
O cliente pretendia aumentar a escala da sua aplica\u00e7\u00e3o de fitness com dete\u00e7\u00e3o de erros em tempo real durante os treinos e a fisioterapia. Esta funcionalidade pode ajudar o utilizador a evitar erros comuns nos treinos e a reduzir significativamente o risco de les\u00f5es.<\/p>\n
A equipa da ESSID Solutions aceitou o desafio de fornecer ao cliente estimativa de pose robusta<\/a> e a funcionalidade de dete\u00e7\u00e3o de erros a partir do zero.<\/p>\n A estimativa da posi\u00e7\u00e3o \u00e9 uma t\u00e9cnica de vis\u00e3o por computador que prev\u00ea e segue n\u00e3o s\u00f3 a localiza\u00e7\u00e3o de uma pessoa ou objeto, mas tamb\u00e9m as suas articula\u00e7\u00f5es espec\u00edficas. At\u00e9 \u00e0 data, foram feitos progressos not\u00e1veis na estimativa da postura, mas o reconhecimento de actividades humanas em contextos reais continua por definir. Esta tarefa torna-se ainda mais dif\u00edcil quando a abordagem n\u00e3o \u00e9 feita a partir de c\u00e2maras aut\u00f3nomas em modo offline, mas a partir de smartphones em tempo real. Isto acontece porque a execu\u00e7\u00e3o em tempo real aumenta significativamente o d\u00e9bito dos dados de entrada e os c\u00e1lculos necess\u00e1rios, enquanto os dispositivos m\u00f3veis continuam a estar limitados nos recursos computacionais dispon\u00edveis.<\/p>\n A estimativa da postura pode ser classificada nos seguintes tipos: estimativa da postura de uma ou v\u00e1rias pessoas, 3D ou 2D, em tempo real ou offline. Depois de analisar as necessidades do cliente, decidimos que a estimativa em tempo real de poses de uma pessoa em 2D seria uma boa op\u00e7\u00e3o quando aplicada a exerc\u00edcios f\u00edsicos muito diferentes.<\/p>\n Para detetar as articula\u00e7\u00f5es humanas em movimento em tempo real, aplic\u00e1mos abordagens de aprendizagem profunda adequadas a problemas complicados de vis\u00e3o computacional. Os nossos engenheiros tiveram de desenvolver uma tecnologia de rede neural totalmente nova para tirar partido de muitos conhecimentos e ideias, conseguindo assim uma qualidade de dete\u00e7\u00e3o de articula\u00e7\u00f5es competitiva.<\/p>\n Come\u00e7\u00e1mos por reunir todos os tipos de conjuntos de dados abertos para v\u00e1rios tipos de estimativa da postura humana, uma vez que grandes quantidades de dados s\u00e3o um ingrediente crucial das redes neurais profundas de alta qualidade que funcionam de forma precisa e robusta nos casos de utiliza\u00e7\u00e3o espec\u00edficos do mundo real. Para al\u00e9m disso, tivemos de desenvolver os nossos pr\u00f3prios m\u00e9todos de aumento de dados para aumentar ainda mais o conjunto de dados.<\/p>\n Depois de lidar com os conjuntos de dados, desenvolvemos um modelo avan\u00e7ado do esqueleto humano com pontos-chave adicionais que aumentaram consideravelmente as nossas oportunidades na an\u00e1lise de exerc\u00edcios de fitness e fisioterapia.<\/p>\n O passo seguinte foi criar uma arquitetura neural de estimativa de pose eficiente. O cliente estava preocupado com o desempenho da aplica\u00e7\u00e3o m\u00f3vel, pelo que nos concentr\u00e1mos em otimizar a efici\u00eancia operacional e reduzir o tempo de carregamento.<\/p>\n Utiliz\u00e1mos o PyTorch para fornecer ao cliente um pipeline de forma\u00e7\u00e3o simplificado, bem como modelos CoreML para a implementa\u00e7\u00e3o de modelos de aprendizagem profunda e CV que desenvolvemos.<\/p>\n Outro problema da ci\u00eancia dos dados foi a implementa\u00e7\u00e3o da dete\u00e7\u00e3o de erros durante os treinos e a fisioterapia. A dete\u00e7\u00e3o de erros ajuda a compreender as formas adequadas e incorrectas de realizar exerc\u00edcios f\u00edsicos. \u00c9 utilizada para identificar as articula\u00e7\u00f5es humanas e fornecer ao utilizador orienta\u00e7\u00f5es sobre a forma correta de fazer o exerc\u00edcio. Por exemplo, a estimativa da posi\u00e7\u00e3o da cabe\u00e7a \u00e9 essencial quando o utilizador est\u00e1 a fazer uma prancha. A aplica\u00e7\u00e3o estima a posi\u00e7\u00e3o da cabe\u00e7a para evitar les\u00f5es durante o exerc\u00edcio.<\/p>\n Vale a pena mencionar que tivemos de desenvolver algoritmos personalizados para a dete\u00e7\u00e3o de erros e a contagem de repeti\u00e7\u00f5es, de modo a que os utilizadores da aplica\u00e7\u00e3o m\u00f3vel possam obter feedback instant\u00e2neo atrav\u00e9s de uma interface \u00e1udio com um treinador virtual de IA.<\/p>\n A ESSID Solutions aplicou com sucesso a sua experi\u00eancia em vis\u00e3o computacional e aprendizagem profunda para ajudar o cliente com uma solu\u00e7\u00e3o orientada para a IA. Os nossos conhecimentos especializados em redes neuronais m\u00f3veis e aprendizagem profunda ajudaram a superar o desafio do reconhecimento da atividade humana em termos muito limitados, embora as abordagens de aprendizagem profunda exijam meses de trabalho. A nossa rede neural de estimativa da posi\u00e7\u00e3o humana em tempo real e os algoritmos de dete\u00e7\u00e3o de erros foram integrados com \u00eaxito na aplica\u00e7\u00e3o de exerc\u00edcios de treino e reabilita\u00e7\u00e3o.<\/p>\n Desenvolvemos uma solu\u00e7\u00e3o que podia lidar com altera\u00e7\u00f5es de ilumina\u00e7\u00e3o, perda de velocidade de fotogramas, outras pessoas a entrar no enquadramento, oclus\u00f5es, etc.<\/p>\n Agora, a aplica\u00e7\u00e3o vai mais longe para garantir que o utilizador se exercita da forma correta e tira o m\u00e1ximo partido do seu treino. As recomenda\u00e7\u00f5es do treinador de IA desenvolvido t\u00eam conhecimentos valiosos e ajudam os utilizadores a atingir os seus objectivos de fitness, evitando les\u00f5es desnecess\u00e1rias.<\/p>\nSolu\u00e7\u00e3o: aprendizagem profunda para uma estimativa exacta da pose humana e algoritmos de ci\u00eancia dos dados para dete\u00e7\u00e3o de erros<\/h2>\n
Resultado: implementa\u00e7\u00e3o melhorada da estimativa da pose e da dete\u00e7\u00e3o de erros<\/h2>\n
Escolha-nos como seu Vis\u00e3o computacional<\/a> Fornecedor de servi\u00e7os<\/h3>","protected":false},"excerpt":{"rendered":"