Pose Correction

Herramientas y Tecnologias

Procesos del Proyecto

• Obtener Dataset
• Creacion de Dataset
• Data Augmentation
• Normalizacion y Procesamiento de Datos
• Creacion de Modelo
• Resultados de Entrenamiento
• Uso de Modelo para Javascript
• Creacion de Servicio Web
• Uso de Modelo en Web
• Resultado Final

1. Obtener Dataset

   img/
    |__ no_pose/
    |    |__ (1).jpg
    |    |__ ...
    |__ shoudler_stand/
    |    |__ (1).jpg
    |    |__ ...
    |__ traingle/
    |    |__ (1).jpg
    |    |__ ...
    |__ tree/
    |    |__ (1).jpg
    |    |__ ...
    |__ warrior/
         |__ (1).jpg
         |__ ...

2. Creacion de Dataset

Para crear el dataset a partir de las imagenes ejecutar:

python dataset.py

   dataset/
   |__ train/
       |__ warrior/
       |   |______ (1).jpg
       |   |______ ...
       |__ ...
   |__ test/
       |__ warrior/
       |   |______ (25).jpg
       |   |______ ...
       |__ ...

3. Data Augmentation

Para crear el dataset augmentation a partir de las imagenes ejecutar:

python augmentation.py

Para volver a tener el dataset principal con el dataset_augmentation ejecutar:

python dataset.py 'augmentation'

Resultados de 5 imagenes generadas a partir de una

Imagen Original	1	2	3	4	5

4. Normalizacion y Procesamiento de Datos

Para la normalizacion y procesamiento de datos se fue leyendo cada imagen de cada clase, se usa movenet para la lectura de puntos del cuerpo:

Documentacion base

Puntos a tomar en cuenta

El dataset a formarse sera un *.csv tanto para train y test por cada imagen se capturara los puntos con las coordenas (x, y) de acuerdo a la imagen de referencia correspondiente, se ira guardando por cada clase de postura de yoga. Haciendo un total de 34 columnas y una mas para la clase de postura de yoga.

Dataset generados para el modelo: train.csv y test.csv

5. Creacion de Modelo

Se usara un modelo Perceptrón Multicapa (Multi Layer Perceptron) MLP

Para ello se uso la siguiente configuracion:

• Batch size 10
• Epoch 100
• Dropout con una probabilidad de eliminacion de 0.5
• Funcion de activacion Relu y Softmax
• Funcion de perdida CrossEntropyLoss
• Optimizador Adam
• Learning rate de 0.001

6. Resultados y conclusion de Entrenamiento

Entrenamiento

Regularizacion

Regularizador	loss	acc	val_loss	val_acc
Regularizacion L2 (Lasso)	1.40019	0.41447	1.43534	0.31765
Early Stopping	1.40179	0.41433	1.43928	0.31765
Dropout	1.39696	0.41433	1.44277	0.31765

Optimizadores

Optimizador	loss	acc	val_loss	val_acc
SGD (‘Stochastic Gradient Descent‘) + Dropout	0.03281	0.98947	0.09477	0.9641
SGD Momentum + Dropout	1.39540	0.41447	1.43488	0.31765
RMSprop (Root Mean Square Propagation) + Dropout	0.06392	0.98480	0.21004	0.97647
Adam (Adaptive moment estimation) + Dropout	0.02162	0.99298	0.12012	0.99020

7. Uso de Modelo para Javascript