AI-улучшение качества фото в мобильном приложении

Фотографии с бюджетных смартфонов страдают от шума и смаза при слабом освещении. Стандартные фильтры размывают текстуры. Нейросетевой апскейлинг восстанавливает детали, но прямые модели Real-ESRGAN потребляют до 2 ГБ RAM. Мы решаем эту задачу с помощью тайлового инференса и квантизации, интегрируя Real-ESRGAN, FFDNet и Zero-DCE в ваше приложение. Наш опыт — 10+ лет в мобильной разработке и 30+ проектов с AI. Экономия на облачных вычислениях за счёт on-device обработки и снижение затрат на ручную ретушь до 30% — результаты, которые получают наши клиенты.

Модели для улучшения фото

Для апскейлинга 4x применяется Real-ESRGAN: Enhanced Real-ESRGAN. Модель увеличивает 512×512 до 2048×2048, синтезируя текстуры волос и текста без размытия. FFDNet — для денойзинга при высоком ISO. Zero-DCE — для HDR-коррекции слабоосвещённых снимков. Все три запускаются через ML-рантайм с тайловым инференсом.

On-device обработка и экономия бюджета

Облачные решения стоят дорого: $0.01–0.05 за изображение плюс задержка передачи данных. Ручная ретушь одного кадра обходится в $0.50–2.00, что делает on-device обработку более выгодной. On-device обработка устраняет эти расходы. Экономия на облачных вычислениях достигает 50% при объёме 10 000+ фото в месяц. Приватность пользователей не нарушается — изображения не покидают устройство.

Как реализовать тайловый инференс на iOS?

Real-ESRGAN x4 в оригинале — 16.7M параметров, ~2 ГБ RAM при инференсе на полном разрешении. На мобильный не влезет. Решение — тайловый инференс: нарезаем изображение на перекрывающиеся патчи (tile_size=256, overlap=16), обрабатываем по очереди, собираем с feather-blending. Конвертируем PyTorch-модель в Core ML через coremltools:

import coremltools as ct
import torch
from realesrgan import RealESRGAN

model = RealESRGAN(device='cpu', scale=4)
model.load_weights('RealESRGAN_x4plus.pth')
model.model.eval()

example_input = torch.zeros(1, 3, 256, 256)
traced = torch.jit.trace(model.model, example_input)

mlmodel = ct.convert(
    traced,
    inputs=[ct.ImageType(name="input", shape=(1, 3, 256, 256),
                         color_layout=ct.colorlayout.RGB)],
    compute_precision=ct.precision.FLOAT16,
    minimum_deployment_target=ct.target.iOS16
)
mlmodel.save("RealESRGAN_x4_tile256.mlpackage")

FLOAT16 с таргетом iOS16+ переносит вычисления на ANE. На iPhone 14 инференс одного тайла — 80–120 мс. Фото 12 Мп нарезается в ~180 тайлов, итого 15–25 секунд.

let config = MLModelConfiguration()
config.computeUnits = .all

let model = try? RealESRGAN_x4_tile256(configuration: config)
let pixelBuffer = tileImage.toCVPixelBuffer()!
let output = try model?.prediction(input: .init(input: pixelBuffer))
let enhancedTile = output?.output.cgImage

Когда нужен денойзинг вместо апскейлинга?

Если разрешение устраивает, но есть шум, используйте FFDNet. Модель легче (1–3 МБ) и быстрее. На iOS — через Core ML с нормализацией входных данных. Популярная ошибка: забывают нормализовать пиксели [0,1] — модель выдаёт чёрный или засвеченный результат.

Пошаговая инструкция по интеграции

1. Выбор модели. Определите задачу: апскейлинг, денойзинг или HDR. Для максимального качества — Real-ESRGAN, для быстрого 2x — ESRGAN Lite.
2. Конвертация. Конвертируйте PyTorch-модель в Core ML или TFLite с квантизацией FP16/INT8. Используйте таргет iOS16+ для ANE, GPU Delegate для Android.
3. Реализация тайлового инференса. Размер тайла 256–512, перекрытие 8–32. Примените feather-blending для устранения стыков.
4. Интеграция в UI. Добавьте прогресс-бар с счётчиком тайлов. Инференс — в фоновом потоке.
5. Тестирование. Проверьте на 10+ устройствах, замерьте PSNR/SSIM и время обработки.

Ориентиры по срокам

Одна платформа, базовая модель (денойзинг или апскейлинг) — 2–3 недели. Обе платформы с несколькими моделями, настройкой качества и сложным feather-blending — 5–8 недель.

Получите консультацию по вашему проекту — оценим сложность и подберём модель. Закажите интеграцию под ключ с гарантией производительности.

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).