AI-группировка фотографий по лицам в мобильном приложении

Представьте: у пользователя 50 000 фотографий в галерее. Найти все снимки с определённым человеком вручную — часы работы. Типичная галерея содержит десятки тысяч фото, и каждый снимок может включать несколько лиц — без AI не обойтись. Автоматическая группировка по лицам решает эту задачу, но требует аккуратной реализации: точность детекции, скорость извлечения эмбеддингов и правильная кластеризация. Мы специализируемся на таких пайплайнах: 8+ лет в мобильной разработке, 20+ проектов с компьютерным зрением. Наше решение полностью выполняется на устройстве: детекция лиц (Vision/ML Kit) → извлечение эмбеддинга MobileFaceNet (128-мерный вектор) → кластеризация DBSCAN. Такой подход обеспечивает конфиденциальность, скорость и работу офлайн. On-device обработка экономит до 70% затрат на облачную инфраструктуру по сравнению с серверными решениями — это снижает TCO приложения.

Как работает AI-группировка на устройстве?

Пайплайн состоит из трёх этапов, каждый из которых оптимизирован для мобильных процессоров.

Детекция лиц

На iOS используем VNDetectFaceRectanglesRequest из Vision framework:

let request = VNDetectFaceRectanglesRequest { req, _ in guard let faces = req.results as? [VNFaceObservation], !faces.isEmpty else { return } for face in faces { let faceRect = VNImageRectForNormalizedRect(face.boundingBox, width, height) self.extractEmbedding(from: originalImage.cropping(to: faceRect)!) } } 

На Android — ML Kit FaceDetector (простая интеграция) или MediaPipe FaceDetector (больше контроля). Выбор зависит от требований к точности и размеру модели.

Извлечение эмбеддинга

Apple не предоставляет встроенного API для распознавания лиц (только детекция). Мы используем MobileFaceNet — компактная модель (1–3 MB), работающая через Core ML. После L2-нормализации косинусное расстояние между эмбеддингами одного человека — <0.3, разных — >0.6. Порог 0.4–0.5 хорошо работает на практике.

func extractEmbedding(from faceImage: CGImage) -> [Float]? { guard let input = try? MobileFaceNetInput(face_image: MLMultiArray(from: resize(faceImage, to: CGSize(width: 112, height: 112)))) else { return nil } guard let output = try? facenetModel.prediction(input: input) else { return nil } let embedding = (0..<128).map { output.embedding[$0].floatValue } return l2Normalize(embedding) } func l2Normalize(_ v: [Float]) -> [Float] { let norm = sqrt(v.reduce(0) { $0 + $1 * $1 }) return norm > 0 ? v.map { $0 / norm } : v } 

Кластеризация

Для кластеризации без заранее известного числа кластеров применяем DBSCAN (алгоритм плотностной кластеризации). На Swift пишем реализацию с использованием Accelerate/BLAS для вычисления косинусного расстояния:

func dbscan(embeddings: [[Float]], eps: Float = 0.45, minPoints: Int = 2) -> [Int] { var labels = Array(repeating: -1, count: embeddings.count) var clusterId = 0 for i in 0..<embeddings.count { guard labels[i] == -1 else { continue } let neighbours = rangeQuery(embeddings: embeddings, idx: i, eps: eps) if neighbours.count < minPoints { continue } labels[i] = clusterId var seeds = neighbours while !seeds.isEmpty { let q = seeds.removeFirst() if labels[q] == -1 { labels[q] = clusterId } if labels[q] != clusterId { continue } labels[q] = clusterId let qNeighbours = rangeQuery(embeddings: embeddings, idx: q, eps: eps) if qNeighbours.count >= minPoints { seeds.append(contentsOf: qNeighbours) } } clusterId += 1 } return labels } 

Для галерей с 20 000+ эмбеддингов DBSCAN с O(n²) может работать 10–30 секунд. Ускорение достигается через ANN (Approximate Nearest Neighbour) с помощью FAISS (есть Swift binding), снижая сложность до O(n log n).

Почему on-device лучше серверного решения?

On-device обработка в 3–5 раз быстрее для типовых галерей (до 10 000 фото) и полностью соответствует GDPR, CCPA и другим регуляциям. Затраты на облачные вычисления сокращаются до нуля, что особенно важно для стартапов с ограниченным бюджетом.

Сравнение моделей эмбеддингов

Для мобильных приложений оптимален MobileFaceNet — баланс точности и производительности.

Производительность на больших галереях

Реальная галерея — 5000–50000 фото. Из них лица есть примерно в 30–40%. Допустим, 10000 фото с лицами, по 2 лица в среднем = 20000 эмбеддингов. DBSCAN обрабатывает их за 10–30 секунд на iPhone 14. С FAISS — 2–3 секунды. Фоновую задачу регистрируем через BGProcessingTask (iOS 13+):

BGTaskScheduler.shared.register(forTaskWithIdentifier: "com.app.faceGrouping") { task in let bgTask = task as! BGProcessingTask self.runFaceGrouping(completion: { bgTask.setTaskCompleted(success: true) }) bgTask.expirationHandler = { /* save progress */ } } 

Хранение результатов

Эмбеддинги — биометрические данные, поэтому храним их локально в Core Data с шифрованием Data Protection (.complete). Идентификатор маппинга — PHAsset.localIdentifier, не само фото. В iCloud эмбеддинги не синхронизируются без явного согласия пользователя.

Что входит в работу

1. Анализ — оценка объёма галереи, выбор модели детекции и кластеризации.
2. Проектирование — архитектура пайплайна, интеграция с Core Data / Room.
3. Реализация — написание кода на Swift/Kotlin, обучение/калибровка порогов.
4. Тестирование — A/B тесты на реальных галереях, проверка точности кластеризации.
5. Документация — описание API, инструкция по интеграции, руководство по настройке.
6. Поддержка — гарантия 3 месяца, сопровождение при обновлениях ОС.

Наша команда с 8-летним опытом и сертификатами Apple/Google гарантирует выполнение в срок. Закажите разработку on-device AI-группировки для вашего приложения. Получите консультацию — мы подберём оптимальное решение под вашу галерею.

Сроки

Базовый on-device пайплайн (детекция, эмбеддинги, кластеризация) для средних галерей — 2–3 недели. Масштабируемая версия с FAISS, фоновой обработкой, инкрементальными обновлениями и UI — 4–5 недель. Свяжитесь с нами — мы рассчитаем стоимость и сроки индивидуально.

FaceNet: A Unified Embedding for Face Recognition and Clustering, Schroff et al.