AI-колоризация чёрно-белых фото в мобильном приложении: реализация

import coremltools as ct import torch from deoldify.visualize import get_image_colorizer colorizer = get_image_colorizer(artistic=True) model = colorizer.learn.model.eval() # Экспорт через torch.jit.trace example = torch.zeros(1, 3, 256, 256) traced = torch.jit.trace(model, example) mlmodel = ct.convert( traced, inputs=[ct.TensorType(name="input", shape=(1, 3, 256, 256))], compute_precision=ct.precision.FLOAT16, minimum_deployment_target=ct.target.iOS16 ) mlmodel.save("DeOldify_artistic.mlpackage") 

Важный момент: DeOldify принимает RGB-вход (даже для grayscale — он сам конвертирует в Lab и работает с AB-каналами). Перед подачей grayscale-изображения его нужно расширить в 3-канальный RGB репликацией: gray → [gray, gray, gray]. В CoreML это делается в preprocessing, не в самой модели.

iOS: запуск инференса

let config = MLModelConfiguration() config.computeUnits = .cpuAndNeuralEngine // ANE для FLOAT16 let model = try DeOldify_artistic(configuration: config) // Подготовка: grayscale CVPixelBuffer → RGB func prepareInput(from grayImage: UIImage) -> CVPixelBuffer? { // Создаём RGB пиксельный буфер из grayscale, реплицируя канал var pixelBuffer: CVPixelBuffer? CVPixelBufferCreate(nil, width, height, kCVPixelFormatType_32BGRA, nil, &pixelBuffer) // ... копируем серый канал во все три return pixelBuffer } let input = DeOldify_artisticInput(input: pixelBuffer) let output = try model.prediction(input: input) let colorizedImage = UIImage(cvPixelBuffer: output.output) 

На iPhone 13 изображение 512×512 обрабатывается за 0.8–1.2 секунды. Для Full HD (1920×1080) — тайловый инференс с патчами 512×512 и блендингом на стыках. Тайловый подход создаёт проблему цветовой несогласованности между патчами: модель может покрасить один фрагмент неба в голубой, а соседний — в серый. Решение — global color histogram matching: нормализуем гистограмму каждого тайла к глобальной гистограмме.

Android: TFLite с ONNX Runtime как альтернатива

// ONNX Runtime даёт гибкость: одна модель для iOS и Android val env = OrtEnvironment.getEnvironment() val session = env.createSession( "deoldify_optimized.onnx", OrtSession.SessionOptions().apply { addNnapi() // или addCuda() если есть GPU } ) val inputTensor = OnnxTensor.createTensor(env, inputArray, longArrayOf(1, 3, 512, 512)) val results = session.run(mapOf("input" to inputTensor)) val outputArray = (results[0].value as Array<*>) 

ONNX Runtime Mobile — хороший выбор когда одна модель нужна на обеих платформах: не нужно дважды конвертировать. NNAPI-делегат работает на устройствах с Android 8.1+.

UX: что важно учесть

Колоризация — медленная операция (1–5 секунд). Показываем анимированный прогресс. Хороший паттерн — «before/after» слайдер: пользователь сдвигает разделитель и видит оригинал и результат одновременно. Это и UX, и наглядная демонстрация работы модели.

Сохранение результата — в .heic или .jpg с максимальным качеством. Результат колоризации плохо переносит повторное JPEG-сжатие: артефакты на цветовых переходах становятся заметны.

Что входит в работу

• Выбор и конвертация модели под целевую платформу (Core ML / TFLite / ONNX)
• Оптимизация под конкретные устройства (Neural Engine, GPU, NNAPI)
• Реализация тайлового инференса с цветовой нормализацией
• Разработка UI с before/after сравнением и прогрессом
• Интеграция сохранения в галерею и шеринга
• Документация по модели, preprocessing, и инструкция для App Store Review (согласно App Store Review Guidelines раздел 5.1 для обработки фотографий)
• Тестирование на исторических фотографиях разного качества

Экономия на лицензиях: вы не платите за open-source модели. Стоимость разработки сопоставима с зарплатой одного разработчика за месяц. Получите консультацию — мы оценим ваш проект и предложим оптимальный стек за два дня. Закажите разработку прямо сейчас.

Ориентиры по срокам

Получите консультацию — мы оценим ваш проект и предложим оптимальный стек за два дня.