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.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).