具体而言，该深度学习模型应用于游泳池管理，实时确定室内游泳池的游泳人数，并根据获取的数据控制水温、减少试剂用量并降低水处理所需的能源。此外，
该系统还有助于在新冠疫情期间评估这些公共和私人场所的容纳能力。系统
开发与训练：
为了开发这项技术，该中心采用了一种方法，首先生成一个新的高分辨率图像数据集。为了增加数据集的多样性，研究人员搜索了类似的数据集，以增强训练后的卷积神经网络的泛化能力和响应能力。

“我们尚未找到太多关于游泳池中人员的公开数据集，但与Ecopool问题最接近的是Lifeguard-io提供的数据集。Lifeguard-io是一个利用计算机视觉和机器学习技术检测溺水者的项目，”Tekniker的研究员Aitor Gutiérrez解释道。“因此，我们必须生成一个专门针对此问题的数据集。”
为了构建人数统计模型并计算每位游泳者在泳池中的停留时间，我们对图像进行了标注。这包括标记图像中是否存在某个物体（在本例中是人），并为该物体分配一个标签。
“我们使用了开源软件工具LabelImg，它可以实现快速直观的图像标注，”这位Tekniker研究员补充道。
由于可用的图像数据集在多样性方面较为有限，专家团队专注于数据增强。数据增强是一种通过对原始图像进行缩放和旋转等扰动和变化来生成新数据，从而改进深度学习模型神经网络训练的技术。我们应用了经典的数据增强技术和基于生成对抗神经网络（GAN）的更先进的数据增强技术。

在选定用于训练目标检测深度学习模型的基础架构后，创建这项技术的关键步骤之一便是正确定义其各个层，并选择和调整其训练参数，即超参数。
在Ecopool项目中，模型在两套计算能力不同的系统上进行训练。一方面，位于Tekniker公司内部的一台配备独立显卡的PC用于本地模型训练；另一方面，Tekniker租用了一台云端服务器，用于在计算能力更强的服务器上进行模型训练。
借助这套系统，Tekniker实现了此前不存在的特定解决方案，该方案基于一项已成功应用于其他场景的技术。Ecopool
项目由Tekniker、工程公司Dinycon Systems、技术中心Gaiker和Giroa公司共同参与。