Классификатор видов деятельности: ОКВЭД (Новый 2022) — Общероссийский классификатор видов экономической деятельности

Классификатор видов деятельности (Страница 1 из 92)

АудитКомСервис Публикации Справочная информация Виды деятельности

Получить консультацию:

+375 (17) 331-85-57

заказать звонок

Нам — 15 лет!

Опыт, проверенный временем.

Обращение руководителя

Гродненское областное учреждение финансовой поддержки предпринимателей (оценка транспорта, оценка недвижимости, оценка оборудования) » Классификация видов деятельности (ОКЭД)

Классификация активности · GitBook

Классификация активности — это задача идентификации предопределенного набора физических действий с использованием сенсорных входных данных. К таким датчикам относятся акселерометры, гироскопы, термостаты и многое другое, которое сегодня можно найти в большинстве портативных устройств.

Возможные области применения: подсчет кругов по плаванию с использованием данных акселерометра часов, включение управляемых Bluetooth-подсветок при распознавании определенного жеста с использованием данных гироскопа с портативного телефона или создание ярлыков для ваших любимых телефонных приложений с помощью жестов рук.

Классификатор действий в Turi Create создает модель глубокого обучения, способную обнаруживать временные характеристики в данных датчиков, что хорошо подходит для задачи классификации действий. Прежде чем мы углубимся в архитектуру модели, давайте посмотрим на рабочий пример.

Вводный пример

В этом примере мы создаем модель для классификации физических действий, выполняемых пользователями карманного телефона, с использованием данных акселерометра и гироскопа. Мы будем использовать данные эксперимента HAPT, который содержит сеансы записи нескольких пользователей, каждый из которых выполняет определенные физические действия. ¹ Выполняемые действия: ходьба, подъем по лестнице, спуск по лестнице, сидение, стояние и лежание.

Данные датчиков могут собираться с различной частотой. В наборе данных HAPT датчики опрашивались с частотой 50 Гц каждый, то есть 50 раз в секунду. Однако большинству приложений хотелось бы показывать выходные данные пользователю через большие промежутки времени. Мы управляем скоростью прогнозирования вывода с помощью параметра Prediction_Window . Например, если мы хотим производить прогноз каждые 5 секунд, а датчики опрашиваются с частотой 50 Гц, мы бы установили Prediction_Window От до 250 (5 секунд * 50 выборок в секунду).

Ниже приведен 3-секундный пример данных «ходьбы» из одного сеанса в наборе данных HAPT: классификатор деятельности должен различать такие выборки. Давайте посмотрим, как мы можем сделать это с помощью Turi Create. Ниже приведен полный пример загрузки набора данных HAPT и создания классификатора активности для различения этих примеров. Код для получения данных в SFrame можно найти здесь.

 импортировать турикреат как tc
# Загружаем сессии из предварительно обработанных данных
данные = tc.SFrame('hapt_data.sframe')
# Обучение/тестирование с разбивкой по сессиям записи
поезд, тест = tc.activity_classifier.util.random_split_by_session (данные,
                                                                  session_id='exp_id',
                                                                  доля = 0,8)
# Создать классификатор активности
модель = tc. activity_classifier.create(поезд, session_id='exp_id', target='активность',
                                      предсказание_окна = 50)
# Оценить модель и сохранить результаты в словарь
метрики = модель.оценить(тест)
печать (метрики ['точность'])
# Сохраните модель для последующего использования в Turi Create
model.save('hapt.model')
# Экспорт для использования в Core ML
model.export_coreml('MyCustomActivityClassifier.mlmodel') 

Поскольку мы создали модель с выборками, взятыми с частотой 50 Гц, и установили для Prediction_Window значение 50, мы будем получать одно предсказание в секунду. При вызове нашей вновь созданной модели для приведенного выше примера 3-секундной ходьбы будут получены следующие посекундные прогнозы: 1)][1000:1150]
model.predict(walking_3_sec, output_frequency=’per_window’)

 +---------------+--------+---------+
| прогноз_идентификатор | exp_id | класс |
+---------------+--------+---------+
| 0 | 1 | ходьба |
| 1 | 1 | ходьба |
| 2 | 1 | ходьба |
+---------------+--------+---------+
[3 строки х 3 столбца] 

Мы видели, как можно быстро создать классификатор активности на основе записанных сеансов данных датчиков. Чтобы узнать больше о классификаторе активности, прочитайте следующие разделы:

• Расширенное использование
• Развертывание через Core ML
• Как это работает

Создание моделей классификации операций в Create ML — WWDC19 — Видео

Скачать

Я Юсин из Core ML. Сегодня я очень рад представить совершенно новую модель Create ML в этом году — классификацию действий.

Каждый день мы делаем много действий с нашими устройствами, например, играем в игры, занимаемся спортом. И наши мобильные устройства оснащены очень богатым набором датчиков. Например, для движения очень часто используются акселерометр и гироскоп. И они могут помочь нам определить трехмерное ускорение вашего устройства, скорость вращения или ориентацию устройства. И мы могли бы просто использовать данные датчиков для представления нашей деятельности.

Например, если вы бегаете, данные об активности могут сильно отличаться, когда вы стоите на месте.

Аналогично, если у вас разные жесты, игровые элементы управления или разные спортивные движения. Данные о вашей активности также могут быть достаточно отличительными, чтобы их можно было распознать.

Так что же такое классификация деятельности? Это задача, которая позволяет вам распознавать предопределенный набор физических действий, которые вы выполняете со своими устройствами. Тогда что, если у вас есть другой набор действий для распознавания или у вашего приложения могут быть другие потребности. Мы думаем, что было бы здорово, если бы вы могли настроить свою собственную модель для своих целей, и это именно то, что мы представляем в этом году, классификацию действий в Create ML. Пожалуй, начнем с примера.

Я очень люблю играть в фрисби с семьей и друзьями. Так что после всей игры мне также очень интересно посмотреть, насколько хорошо я мог бы сыграть, например, какие типы бросковых техник они использовали и сколько их. Поэтому я обучил классификатор движения фрисби распознавать мои движения и использую его на своих часах. Я думаю, все будет хорошо. Давайте сначала посмотрим живую демонстрацию.

Итак, это экран моего телефона, сопряженного с моими часами. Итак, моя модель будет работать на моих часах.

Здесь вы можете увидеть кнопку «Старт».

Итак, как только я нажму кнопку «Пуск», мои часы начнут передавать данные датчика. И тогда моя модель будет делать непрерывные прогнозы.

Итак, приступим. Теперь он просит меня попробовать движение фрисби, что означает, что он предсказывает класс без активности, что на данный момент верно. Позвольте мне сначала попробовать кое-что простое.

Перед. И далее, Бэкхенд. И это мой любимый. Куриное крыло. У меня также есть более причудливый и секретный, чтобы показать. Боулинг. Называется Боулер, но как будто я играю в боулинг. Позвольте мне попробовать это снова. Боулер.

Да, это модели машинного обучения. Теперь позвольте мне нажать кнопку «Стоп» и посмотреть мои результаты. Мне кажется вполне нормально. Для некоторых классов, таких как Боулер, я знаю, что всегда могу вернуться и собрать больше данных. Так что у меня все в порядке с этим. Очень хорошее упражнение на сегодня. Теперь давайте вернемся, и я знаю, что у вас, как у разработчиков, может быть много других более творческих идей для изучения.

Итак, теперь давайте посмотрим, как мы могли бы действительно установить вашу модель в Create ML.

Всего три шага. Во-первых, соберите некоторые данные о вашей собственной деятельности. Обучите модель с помощью Create ML. И, наконец, разверните модель в своем приложении.

Давайте сначала получим некоторые данные.

Самый простой способ получить доступ к данным датчиков — использовать Core Motion.

Для получения дополнительной информации см. наши предыдущие сессии, а также документацию для разработчиков Apple. Но с точки зрения высокого уровня ваше приложение может просто получить доступ к списку датчиков. Итак, Core Motion Framework. Вы также можете управлять интервалами запуска, остановки или установки обновлений из своего приложения для своих записей. И вы также можете использовать точно такой же механизм как для сбора тренировочных данных, так и для последующего вывода об устройстве. А вот как выглядят мои данные. Это одна из моих записей Forehand в формате CSV.

Имеется один столбец с отметками времени и несколько других столбцов с функциями датчика.

На самом деле я использовал как User Acceleration, так и Rotation Grade для моего примера движения фрисби. Но здесь для простоты перечислены только три.

И если они хотят сделать еще один шаг, чтобы изучить данные, вот как могут выглядеть шаблоны активности. В моей записи справа есть три движения подряд в одном классе.

Позже, во время обучения, модель глубокого обучения будет использовать скользящее окно для перемещения по данным этого временного ряда. Таким образом, он может извлечь как пространственные, так и временные паттерны вашей деятельности.

Теперь у нас есть готовые файлы. Вы можете просто организовать свои данные в такой иерархии источников данных, где имя каждой папки является именем метки. И все файлы в этой папке относятся к одному и тому же действию. Мы поддерживаем CSV, JSON и текстовые форматы. Вы можете выбрать любой из них или, если хотите, можете смешивать и сочетать.

Данные готовы. Теперь приступим к печати. Просто выберите класс активности из нашего шаблона в приложении Create ML. А теперь это стандартный информационный экран, куда можно было перетаскивать данные о тренировках в окно. Для Activity вы можете увидеть предварительный просмотр того, сколько файлов и сколько образцов в ваших записях.

Один специальный шаг перед действием заключается в том, что вы должны сообщить Create ML, какие функции датчика вы хотели бы опробовать.

Просто выберите один или несколько из этого списка.

И все эти функции датчика на самом деле исходят из ваших собственных файлов, заголовков ваших CSV-файлов.

При желании вы можете настроить параметры, такие как размер окна прогноза, в зависимости от того, насколько быстро и медленно вы выполняете действия. Для моего примера движения фрисби я фактически использовал двухсекундное окно, которое составляет 100 сэмплов. Поэтому я поставил здесь 100, потому что мои данные изначально были сэмплированы с частотой 50 герц.

Теперь давайте нажмем кнопку «Поезд», и мы сможем начать тренировку отсюда. Я уверен, что вы видели весь этот процесс несколько раз в течение недели. Я пропущу это, потому что весь рабочий процесс здесь точно такой же, как и для других моделей в Create ML.

Если вы удовлетворены своей точностью, вы можете двигаться дальше и попробовать новые данные для оценки производительности этой модели.

Это стандартная вкладка тестирования. Просто предоставьте свои данные тестирования так же, как вы только что сделали.

И после оценки вы увидите таблицу вашей матрицы по классам с точки зрения точности и отзыва.

Для моего примера движения фрисби, вы можете видеть здесь, Боулер и Хаммер, эти определенные классы не так совершенны. Так что это, возможно, означает, что мне нужно вернуться и собрать больше данных для этих классов. И повторите еще раз, чтобы мы могли улучшить производительность.

И, наконец, мы получаем модель поезда, и с этого момента вы можете либо сохранить модель и развернуть ее в нашем приложении, либо сделать пакетные прогнозы в приложении Create ML на своем Mac прямо здесь.

Просто добавьте некоторые новые невидимые и немаркированные данные в окно, и вы увидите немедленные результаты прогнозирования с точки зрения имени метки, достоверности, а также предварительный просмотр данных о ваших действиях, чтобы вы могли лучше понять свои действия.

И, наконец, это моя модель Core ML.

Пример My Frisbee Motion — это классификатор нейронной сети. Всего 1,1 мегабайта, что довольно мало и очень просто для мобильных устройств.

Кроме того, вы также можете увидеть полный список всех функций датчика, которые вы использовали в обучении, а также размер окна прогнозирования. Поэтому позже для вывода вашего собственного устройства вы можете просто использовать те же данные, тот же размер, чтобы сохранить согласованность.

А это приложение Create ML. У нас также есть фреймворк в macOS.

Таким образом, вы можете автоматизировать весь этот процесс с помощью Xcode Playground, Swift Script или инструментов командной строки. Как это.

Один специальный шаг выше Activity заключается в том, что вы должны указать selectedSensors. Кроме этого, остальная часть рабочего процесса является стандартной и такой же, как и в других моделях, которые у нас есть, где каждая оценка обучения и сохранение модели — это всего лишь одна строка кода для каждой.

Вот как мы видим классификатор активности в Create ML. Но кроме того, я также хотел бы поделиться несколькими лучшими практиками для этой модели.

Понять свою деятельность. Используйте соответствующие датчики, такие как акселерометр и гироскоп, очень распространенные для задач, основанных на движении.

Также будет полезно собрать некоторые данные для дополнительного отсутствия активности или другого класса. Это особенно полезно для вашей производительности во время выполнения.