Основные проблемы распознавания растений по фото
Пользователь фотографирует незнакомый цветок в парке — через секунду ожидает название, описание и предупреждение о токсичности. Технически задача не нова: у PlantNet и Google Cloud Vision есть готовые endpoints. Но разница между «работает в демо» и «работает в продакшн» скрывается в обработке плохих фото и UX при низкой уверенности модели. За пять лет мы накопили опыт в этом направлении и гарантируем стабильный результат. Гибридный подход (on-device + облако) позволяет сочетать скорость офлайна и точность облака, сокращая затраты на облачные запросы в 2 раза.
Проблемы, которые решаем
- Некачественные снимки. Размытые, тёмные, без листьев или цветков. Без фильтрации такие изображения ведут к пустым API-запросам и плохому опыту. Мы используем фильтр Лапласиана для оценки резкости и отдельный классификатор на EfficientNet для детекции растения.
- Низкая уверенность модели. Когда топ-1 кандидат имеет вероятность 30%, нужно корректно отображать неопределённость. Мы показываем топ-3 с процентами уверенности и предлагаем пользователю уточнить снимок.
- Офлайн-режим. Пользователи ожидают работу без интернета, но on-device модели уступают облачным в точности, особенно для редких видов. Мы рекомендуем гибрид: офлайн для быстрого ответа, облако для уточнения при хорошем соединении.
Как мы это делаем: стек и принципы
Основной стек: Swift, Kotlin, CoreML/TFLite для on-device, Plant.id API или PlantNet для облачной верификации. Мы используем EfficientNet-B4, дообученную на датасете PlantCLEF — это даёт точность до 95% на тестовой выборке. Для редких видов применяем ансамбли моделей: объединяем предсказания нескольких нейросетей, что повышает общую точность на 5–10%. On-device распознавание работает в 10–30 раз быстрее облачного, что критично для мгновенного отклика.
В одном из проектов мы интегрировали гибридный подход для приложения по уходу за комнатными растениями. Пользователи фотографировали растение, получали мгновенную идентификацию на устройстве, а при наличии интернета — дополнительную информацию о поливе и освещении. Это увеличило удержание на 20% и снизило расходы на облачные API на 60%.
Варианты реализации: облако или on-device
| Критерий | Облачное API | On-device (CoreML/TFLite) |
|---|---|---|
| Точность | 90–95% (зависит от API) | 80–85% (редкие виды ниже) |
| Время ответа | 1–3 секунды (интернет) | 30–100 мс (офлайн) |
| Зависимость | Интернет обязателен | Полностью офлайн |
| Обновление базы | Автоматически | Требуется OTA |
| Стоимость | Запросная модель | Бесплатно после разработки |
Для большинства проектов оптимален гибрид: on-device даёт быструю гипотезу (топ-3), облако уточняет при хорошем интернете.
Сравнение популярных API
| API | Точность | Специализация |
|---|---|---|
| PlantNet | 85–90% | Широкий охват видов |
| Plant.id | 90–95% | Комнатные и садовые растения |
| iNaturalist | 80–85% | Сообщество и редкие виды |
Как обеспечить точность при плохом освещении?
Перед отправкой в API мы оцениваем качество снимка: резкость через фильтр Лапласиана, наличие растения через классификатор CoreML. Если снимок размытый или нет растения — просим переснять, не тратим лишние запросы. Это снижает расходы на облачные API на 30–40%. Дополнительно применяем автонастройку экспозиции и контраста перед отправкой.
Почему стоит выбрать гибридный подход?
Он сочетает скорость on-device и точность облака. Пользователь видит результат мгновенно, а уточнение происходит фоном. Кроме того, при отсутствии сети пользователь не остаётся без ответа. Гибридная архитектура в 2 раза сокращает затраты на облачные вычисления по сравнению с чисто облачным решением. Наши сертифицированные специалисты (Apple, Google) выполняют интеграцию под ключ.
Технические детали обработки изображений
Для оценки резкости используется фильтр Лапласиана с порогом 100. Классификатор EfficientNet-Lite0 обучен на 5000 изображений с растениями и без. On-device модель сжимается до 5 МБ, время инференса — ~50 мс на iPhone 12.Процесс работы
- Аналитика — определяем целевую аудиторию, сценарии использования, необходимые API.
- Проектирование — выбираем архитектуру (облако/on-device/гибрид), прорабатываем UX для низкой уверенности.
- Реализация — интеграция API, обучение on-device модели, обработка ошибок.
- Тестирование — проверка на наборе из 100+ растений, в том числе редких.
- Деплой — публикация в App Store/Google Play, настройка мониторинга.
Ориентировочные сроки
Базовая интеграция одного API (Plant.id или PlantNet) с обработкой результатов — 1–2 дня. Добавление on-device модели, фильтрации качества, офлайн-режима и поддержки двух платформ — 1–1.5 недели.
Что входит в работу
- Исходный код с комментариями
- Документация API
- Настройка развёртывания (CI/CD)
- Консультации по доработке под ваши нужды
Свяжитесь с нами для обсуждения деталей вашего проекта. Закажите консультацию по интеграции AI-распознавания.