Faire évoluer une application de remise en forme grâce à des réseaux neuronaux profonds
Performance de l'application améliorée de 19 %.
- DéfiDéveloppement de réseaux neuronaux à la demande
- SolutionCNN pour la reconnaissance d'activité et la détection d'erreurs
- Technologies et outilsPyTorch, Keras, Tensorflow, CoreML, OpenCV, ONNX
Client
Le Client est une startup technologique dans le domaine du fitness. Ils ont développé une application pour des entraînements à domicile. L'accent principal de l'application est sur des programmes de fitness personnalisés et des entraînements sans équipement. Pour rendre leur application pertinente, ils souhaitaient l'enrichir avec de l'IA.
Le client n'a pas de département de data science en interne. Ils cherchaient des développeurs de réseaux neuronaux expérimentés. C'est pour cette raison qu'ils ont contacté l'équipe DataSqueeze. . Ils nous ont demandé de développer des modèles personnalisés de détection d'erreurs et des modèles avancés de reconnaissance d'activité.
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 la qualité. C'était lent et inexact. Ils nous ont donc demandé d'améliorer la qualité de la reconnaissance d'activité avec l'apprentissage profond.
En ce qui concerne le projet, nos consultants en réseaux neuronaux ont proposé les tâches suivantes de vision par ordinateur :
| Localisation d'objets et détection d'objets | Nous avons proposé d’utiliser des algorithmes d’apprentissage profond pour une détection d’objets précise et rapide. L’objectif principal était de déterminer la présence d’objets parmi les catégories spécifiées (humains, animaux, véhicules, etc.) et d’en définir les contours. |
| Reconnaître les mouvements et activités humaines | Nous avons décidé d’améliorer la détection du mouvement humain à partir des données capteurs avec des CNN. Nos experts tech ont estimé qu’ils étaient les mieux adaptés pour exploiter les données d’un capteur (accéléromètre de smartphone). |
| Détection d'erreurs | Notre idée était de développer des algorithmes de détection d'erreurs sur mesure. Ils reconnaîtraient les erreurs et les inexactitudes pendant les entraînements. Si une erreur est détectée, l'entraîneur IA dira à l'utilisateur de s'exercer correctement. |
| Développement multiplateforme | Le client avait l'intention de faire fonctionner son application sur diverses plateformes. Nous avons offert notre expérience pratique pour la faire fonctionner 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 mené des recherches. Nous avons étudié les défis du client, les spécificités de l’app et les problèmes qu’elle rencontrait.
Nous fixons les objectifs suivants :
- Développer des algorithmes personnalisés pour la localisation et la détection d'objets
- Améliorer la qualité de la reconnaissance d'activité
- 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
- Faites en sorte que l'application fonctionne sur diverses plateformes (développement multiplateforme)
- Fournir des outils de visualisation sur les CNN pour faciliter la prise de décision
- Fournir des scripts et des guides pour l'équipe du client pour un déploiement facile sur des appareils mobiles
Un pionnier dans le développement de projets de fitness et de bien-être, DataSqueeze avait mené à bien toutes les tâches de vision par ordinateur relatives au projet. Nous avons amélioré la qualité de la reconnaissance d’activité, créé des algorithmes de détection d’erreurs à partir de zéro. Nous avons également effectué d’autres tâches qui ont amélioré les performances et la vitesse de l’application.
Résultat : Algorithmes de détection d'erreurs sur mesure, amélioration de la reconnaissance des activités
L'équipe DataSqueeze a appliqué les dernières technologies au cas du client. Nous avons fait beaucoup de recherches et de discussions pour nous aligner sur les exigences du client.
Les avantages que le client a obtenus de sa collaboration avec nous :
- qualité de reconnaissance d’actions améliorée de 45 %
- localisation et détection d’objets avancées
- la détection de faux positifs a diminué de 15 %
- la vitesse globale de l’application s’est améliorée de 30 %
- algorithmes de détection d'erreurs sur mesure
- performance de l'application augmentée de 19%
- développement multiplateforme (les réseaux neuronaux peuvent fonctionner sur divers appareils mobiles)
- les réseaux neuronaux peuvent être convertis en CoreML, TFLite, Tensorflow Mobile, MACE, etc.
En conséquence, le client a obtenu une solution spécialement adaptée à ses besoins. Par la suite, il a de nouveau contacté DataSqueeze pour du conseil et du développement en apprentissage profond.